2026 年 5 月最后一周，Google DeepMind 发布了一项在 AI 推理领域具有里程碑意义的成果——AlphaProof Nexus 系统在一周内自主攻克了 9 道 Erdős 开放数学难题，其中 2 道困扰了数学界长达 56 年。每道题的推理成本仅为几百美元，全部证明过程和代码已经开源。
这个成就的分量，需要放在一个更长的背景下来理解。Erdős 问题是匈牙利数学家 Paul Erdős 在其职业生涯中提出的一系列开放性数学难题，几十年悬而未决。过去，数学界普遍认为"AI 解决开放数学问题"仍是一个遥远的目标——AlphaProof 前代版本虽然在 IMO 题目上表现出色，但 IMO 题目是设计好的"有解竞赛题"，与真正的开放研究问题之间隔着一条鸿沟。
AlphaProof Nexus 打破了这条鸿沟。
从 IMO 到开放问题的关键跃迁
AlphaProof 的前身——在 2024 年 IMO 上获得银牌的系统——已经展示了 AI 在形式化数学推理上的潜力。但当时的 AlphaProof 仍然依赖人类提供的形式化问题表述，且解题范围局限于已知的竞赛题。这种"在已知边界内解题"的能力，与数学家所从事的"探索未知边界"的研究工作，本质上是两回事。
AlphaProof Nexus 的突破在于三个方面：
第一，自主探索能力。 Nexus 能够自主扫描大量数学文献，识别出可以应用自身推理能力的开放问题，而不需要人类预先指定。"发现问题"甚至比"解决问题"更难——它要求系统具备对数学问题结构和难度的高层次理解，而不仅仅是符号推导能力。
第二，证明链的自动构造。 对于 Erdős 级别的开放问题，证明往往需要依赖多条定理、多个中间引理，构成一个复杂的推理链。Nexus 通过强化学习不断尝试构建和验证这些推理链，在失败中学习策略调整。
第三，极低的推理成本。 每道题的推理成本仅为几百美元。这个数字在 AI 领域堪称"廉价"——相比训练一个大模型动辄数千万美元的开销，几百美元解决一个困扰学界半世纪的问题，ROI 高到令人瞩目。
对 AI 智能体赛道意味着什么
AlphaProof Nexus 的突破不仅仅是一个数学新闻，它对整个 AI 智能体赛道有着深远的启示：
"推理"正在成为 Agent 的下一个前沿。 当前 AI Coding Agent 的核心能力集中在代码生成、Bug 修复、工具调用等相对"低层次"的认知任务上。AlphaProof Nexus 展示了模型在复杂推理链上的自主构建能力——这正是下一代 AI Agent 从"工具型助手"进化到"研究型助手"所需的核心能力。
"低成本推理"打开了新的应用空间。 当解决一个需要科学家数月甚至数年的推理问题只需要几百美元时，AI 不再仅是一个效率工具，而是开始触及人类智力劳动的核心——创造新知识。虽然目前仅限于数学领域，但这条路径的逻辑是通用的。
强化学习在推理中的价值被重新确认。 近来，大模型的主流路线是"更大数据集 + 更大参数 + 更多算力"的 Scaling Law 路径。AlphaProof Nexus 的成功提醒行业：强化学习驱动的推理能力提升，可能在特定领域提供一条比单纯增大模型更高效的路径。英伟达此前开源的 Polar 框架将强化学习应用于编码 Agent 训练，也让 Codex 性能飙升 594.7%，正是同一逻辑的印证。
开源：加速 AI 数学研究的催化剂
DeepMind 将 AlphaProof Nexus 的全部证明代码和结果开源，这一决定对学术界的意义不亚于技术突破本身。数学社区现在可以复现、验证和扩展 Nexus 的成果，甚至可以将该方法应用于其他未解决的数学难题。
在 AI 大模型公司愈发封闭的趋势下——Anthropic 封杀 OpenClaw、多家头部公司收紧 API 策略——DeepMind 的开源姿态显得格外引人注目。对于数学家和理论计算机科学家而言，这相当于获得了一个可以持续调用的"AI 研究生助手"，其影响力可能在未来几年持续发酵。
当然也有冷静的声音值得倾听。部分数学家指出，被攻克的 9 道问题虽然属于 Erdős 开放问题，但并非其中最难的级别。Nexus 的真正考验还在后面——当它面对那些连顶尖数学家在数十年内都毫无头绪的核心问题时，还能否给出同样漂亮的答案？但无论如何，从 0 到 9 的这一步，已经跨越了那条被认为最难跨越的界线。