数学智能体70年：从「证明机械」到「超越人类的数学家」 （1956–2026）

• 1956–1970 年的机械梦想，阿隆佐·丘奇与艾伦·纽厄尔用「逻辑理论家」叩响自动化推理的大门，用穷举搜索试图穷尽数学真理的空间——但组合爆炸的幽灵，在第一个证明找到之前，就已经宣告了符号主义的死刑；

• 1970–2010 年的形式化坚守，以 Coq、Isabelle、ACL2 为代表的交互式定理证明器（ITP），将数学严格性推至人类历史的顶峰——每一行代码都经过类型系统的铁壁校验——完成从「机械搜索」到「人机协作严格证明」的第一次范式跃迁；

• 2010–2019 年的神经觉醒，深度学习闯入定理证明的圣殿，DeepMath、Neural Theorem Proving 等开创性工作，让神经网络第一次「学会」了逻辑推理——将 60 年未能解决的组合搜索问题，转化为梯度下降的优化问题——完成从「符号推理」到「神经—符号混合推理」的第二次范式跃迁；

• 2019–2023 年的大模型破晓，GPT-f、LeanDojo、Mathlib 等工作的涌现，让大语言模型（LLM）与形式化验证系统深度融合——机器第一次能够「读懂」数学论文、「写出」可验证的证明、「发现」人类遗漏的引理——完成从「辅助证明」到「自主推理」的第三次范式跃迁；

• 2023–2025 年的智能体崛起，AlphaProof、AlphaProof Nexus、AI Co-Mathematician、北大 AI4Math 双智能体系统、Gauss Agent 等工作的集中爆发，让数学智能体具备了「假设生成 → 证明构造 → 形式化验证 → 迭代优化」的完整科研闭环——AI 不再只是「证明定理的工具」，而是「提出猜想、设计证明、发现新数学」的 AI 数学家；

• 2025–2026 年的临界点降临，OpenAI 通用推理模型独立推翻 80 年历史的埃尔德什单位距离猜想，DeepMind AlphaProof Nexus 一次性解决 9 道搁置 56 年的埃尔德什开放问题，陶哲轩公开宣告「数学研究正从手工作坊式向工业化协作转型」——这标志着数学智能体从「研究课题」升级为「科研基础设施」，从「辅助工具」跃迁为「数学家的智能伙伴」。

第一幕：形式化梦想（1956–1970）：「数学是机械的」—— 从希尔伯特计划到逻辑理论家

【核心冲突】

故事始于 1928 年，大卫·希尔伯特在国际数学家大会上提出了一个近乎狂妄的构想：「将全部数学内容形式化，在一套自洽的公理体系中完成所有定理的机械证明。」

这一构想，在 1931 年遭到了库尔特·哥德尔的致命打击——哥德尔不完备性定理证明：任何包含算术的一致形式系统，都存在既不能被证明也不能被证伪的命题。——希尔伯特计划的「全部数学机械化」，在逻辑上被宣告不可能。

但哥德尔的判决，并没有杀死「用数学机械推理」的梦想。

1956 年，达特茅斯会议的夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农等人正式提出了「人工智能」这一概念。——同年，艾伦·纽厄尔、赫伯特·西蒙与 J.C. 肖，写出了人类历史上第一个定理证明程序：「逻辑理论家」（Logic Theorist）。

「逻辑理论家」的核心思路极为朴素：将数学证明转化为搜索问题——从公理出发，通过应用推理规则（如假言推理、替换），在定理空间中搜索目标命题。

这一思路在面对哪怕是最简单的数学问题时，也遭遇了灾难性的失败：

组合爆炸：对于命题逻辑中的一个中等复杂度定理，可能的证明路径数量是 10^100 量级——比宇宙中的原子数还多。穷举搜索完全不可行。

启发式缺失：「逻辑理论家」使用的启发式规则（heuristics），是人类数学家手工编码的。——它们在对人类「显然」的证明步骤上表现良好，但在需要「创造性洞察」的步骤上，完全无能为力。

形式化鸿沟：将自然语言描述的数学定理，转化为机器可处理的形式化语言，这一「形式化（Formalization）」过程，在 1950 年代完全依赖人工。——机器可以「验证」证明，但它无法「理解」数学问题。

1958 年，纽厄尔和西蒙在 Journal of the ACM 上发表论文，宣称：「在十年之内，数字计算机将成为世界象棋冠军，将完成重要的数学工作，并将发现并证明新的数学定理。」

这一预言，在象棋上于 1997 年（Deep Blue 击败卡斯帕罗夫）实现；但在「发现并证明新数学定理」上，直到 2026 年才初步实现。——中间相隔了整整 68 年。

【破局与关键成果】

1956：逻辑理论家（Logic Theorist）—— 第一个定理证明程序

1956 年，纽厄尔、西蒙与肖开发的「逻辑理论家」，成功证明了 Principia Mathematica（怀特海与罗素著）中的 38 条定理。——这是人类历史上，机器第一次自动证明了非平凡的数学定理。

【意义】「逻辑理论家」的意义，不在于它证明了多么深刻的数学定理——事实上，它证明的都是命题逻辑中的基础结果。——它的真正意义在于：它证明了「定理证明可以被算法化」这一根本可行性。

【致命局限】但该程序的搜索效率极低，且完全无法处理哪怕是一阶逻辑的定理。——启发式规则的缺失，让它在面对稍复杂的数学问题时，陷入了组合爆炸的泥潭。

1959–1965：几何定理机器证明的突破（Gelernter 与吴文俊）

1959 年，赫伯特·格林特（Herbert Gelernter）等人开发了「几何定理证明程序」（Geometry Theorem Proving），成功证明了一批高中几何题。——这是机器第一次证明非平凡的几何定理。

更令人震撼的突破，来自中国。

1977 年（虽已超出本幕范围，但其思想萌芽于 1960 年代），吴文俊提出了「吴方法」（Wu’s Method）——将几何定理证明转化为代数方程组求解问题，用多项式组的消元算法（特征列方法）实现了完全的机械化。

【革命性意义】吴方法的提出，让「几何定理的机器证明」从「启发式搜索」走向了「代数算法」。——这是中国在自动化推理领域的世界级贡献，与希尔伯特、哥德尔、丘奇等工作并列。

1965–1970：归结原理（Resolution Principle）与自动推理的理论奠基

1965 年，约翰·阿兰森（John Alan Robinson）提出了归结原理（Resolution Principle）——一种统一的一阶逻辑自动推理算法。

【核心创新】归结原理的核心极为优雅：将一阶逻辑公式转化为子句形式，然后通过「归结规则」（Resolution Rule）不断生成新的子句，直到推导出空子句（表示矛盾）或证明目标定理。

【意义】归结原理的提出，为自动定理证明（ATP）提供了第一个通用、完整、可机械化的推理算法。——它成为了此后 30 年自动推理领域的理论基石。

【致命局限】但归结原理同样面临组合爆炸问题。——对于复杂度稍高的一阶逻辑问题，归结搜索空间的增长速度是超指数的。——这一局限性，让基于归结的自动定理证明器（如 OTTER、E-prover）在处理实际数学问题时，始终无法突破「玩具问题」的边界。

【阶段小结】

这阶段的数学智能体是梦想大于能力的。

「逻辑理论家」和归结原理的提出，证明了「定理证明可以被算法化」——这是数学智能体故事的开端。但组合爆炸、启发式缺失、形式化鸿沟这三大根本障碍，让 1956–1970 年间的所有系统，都只能处理「玩具级」的数学问题。

更大的危机隐藏在深处：符号主义方法（Symbolic AI）的根本假设——「所有数学推理都可以用符号操作来模拟」——在面临需要「直觉」「创造力」「跨领域类比」的数学问题时，是否本身就是错误的？

这个问题，将在第二幕以「交互式定理证明器（ITP）」的形式，得到一个务实的回答——既然机器无法完全自主地完成数学证明，那就让机器成为数学家的「严格协作者」，而非「自主研究者」。

第二幕：形式化坚守（1970–2010）：「证明的严格性，是数学的灵魂」—— 交互式定理证明器的黄金时代

【核心冲突】

第一幕留下了一个悬而未决的根本难题：符号主义 AI 的自动定理证明器，在面对真实数学问题时，始终无法突破组合爆炸的泥潭。

1970 年代，自动化推理领域分裂为两个阵营：

自动推理派（以阿兰森的归结原理继承者为代表）坚持：只要我们设计出更聪明的搜索启发式、更高效的归结策略，「完全自动化的定理证明」终将实现。

交互式证明派（以尼尔斯·格·德·布鲁金（N.G. de Bruijn）和罗伯特·S·博耶（Robert S. Boyer）为代表）认为：「完全自动化」是一个错误的目标。数学证明的核心价值，不仅在于「证明定理」，更在于「通过严格的形式化过程，加深对数学概念的理解」。让机器成为数学家的「严格协作者」，而非「替代者」。

这一争论，催生了交互式定理证明器（Interactive Theorem Prover，ITP） 这一全新的研究方向。

ITP 的核心思想极为深刻：

「让人类负责『创造性洞察』（提出证明策略、构造关键引理），让机器负责『严格性校验』（验证每一步推理是否符合逻辑规则）。——这不是『自动化定理证明』，而是『人机协作的严格证明』。」

1970 年代至 2010 年代，ITP 领域诞生了一批深刻影响后世的系统：

1. Automath
   （1967–1970，de Bruijn）：第一个基于类型论的交互式证明系统；
2. ACL2
   （1970 年代–至今，Boyer & Moore）：基于递归函数理论的自动化推理系统，成功验证了工业级硬件设计；
3. Coq
   （1984–至今，法国 INRIA）：基于归纳构造演算（Calculus of Inductive Constructions）的交互式证明器，成为了形式化数学的黄金标准；
4. Isabelle
   （1986–至今，Paulson & Nipkow）：基于高阶逻辑的交互式证明器，以其强大的自动化策略和用户友好的证明语言著称。

但 ITP 从诞生之日起，就面临着一个根本性的张力：

「形式化证明的严格性」与「形式化证明工程成本」之间的权衡。

一份在 Coq 或 Isabelle 中形式化的数学证明，往往需要数千行甚至数万行的代码。——形式化一个中等复杂度的数学定理（如四色定理），需要数人年的工作量。

核心追问由此产生：

• 形式化证明的「严格性收益」，是否值得其「工程量成本」？
• ITP 能否从「验证已有证明」走向「发现新证明」？
• 如果形式化一个定理需要 10 人年，那么形式化整个数学（甚至只是一个数学分支）需要多少年？——这是否是一个「不可能的任务」？

【破局与关键成果】

1984–2000：Coq 的崛起与形式化数学的奠基

1984 年，法国 INRIA 的蒂埃里·科康（Thierry Coquand）和热拉尔·于埃（Gérard Huet）发布了 Coq  proof assistant 的第一个版本。——它基于归纳构造演算（CIC），允许用户在依赖类型系统（Dependent Type System）中，同时定义数学对象和证明它们的逻辑推导。

【核心创新】

1. Curry-Howard 同构
   将「数学命题」视为「类型」，将「数学证明」视为「程序」。——证明一个定理，等价于构造一个类型正确的程序。这一深刻洞察，让形式化证明可以用编程语言的方式来构建和验证。
2. 策略语言（Tactics）
   Coq 提供了一套高阶策略语言，允许用户用「策略」（如 induction、destruct、rewrite）来指挥证明搜索。——人类负责「证明策略」，机器负责「策略执行后的严格校验」。
3. 证明检查器的绝对可靠性
   Coq 的信任基（Trust Base）极小——只要类型检查器是正确的，那么任何通过 Coq 验证的证明，在逻辑上就是绝对可靠的。

【意义】Coq 的诞生，为形式化数学提供了第一个工业级可靠性的工具。——它成为了此后 40 年形式化数学的黄金标准。

2000–2010：大型形式化项目的里程碑

2000–2005 年，在 Coq 和 Isabelle 上，完成了数个具有里程碑意义的大型形式化项目：

1. 四色定理的形式化验证
   （2005，Gonthier）：乔治·贡捷（Georges Gonthier）在 Coq 中完成了四色定理的完整形式化验证——这是人类历史上，第一个用机器验证的「世界级数学定理」。整个形式化过程包含 6 万行 Coq 代码，验证了 Appel 和 Haken 在 1976 年用计算机辅助证明的四色定理（该证明因过于复杂，人类无法完全验证，一直存在争议）。

【革命性意义】四色定理的形式化验证，证明了：「机器验证的数学证明，可以超越人类验证能力的上限」。——这是形式化数学从「验证小定理」走向「验证世界级定理」的关键跃迁。

2. 素数定理的形式化验证
   （2009，Avigad et al.）：Jeremy Avigad 等人在 Isabelle 中完成了素数定理（π(x) ~ x/ln(x)）的形式化证明。——这是解析数论中最深刻的定理之一，其形式化验证标志着 ITP 已经能够处理涉及复分析的高级数学。

【意义】素数定理的形式化，证明了：「ITP 不仅能验证离散数学和代数，还能验证涉及连续数学（分析、拓扑）的深刻定理」。

2005–2010：ACL2 与硬件验证的工业化

2005–2010 年，AMD、Intel 等芯片设计公司，开始用 ACL2 验证其处理器的浮点运算逻辑。——这是 ITP 从「纯数学形式化」走向「工业级系统验证」的关键跃迁。

【核心创新】ACL2 基于递归函数理论和归纳推理，特别适合验证硬件电路和软件系统的正确性。——它的自动化程度远高于 Coq 和 Isabelle，但表达能力稍弱。

【意义】ACL2 在工业界的成功，证明了：「形式化方法不仅是数学家的玩具，还可以是工业级系统可靠性的保障」。

【阶段小结】

这阶段的数学智能体是坚守与验证并存的。

交互式定理证明器（Coq、Isabelle、ACL2）的成熟，将数学形式化的严格性推至人类历史的顶峰。——每一行通过类型检查的代码，都代表着一个绝对可靠的数学推理步骤。

但 ITP 的局限性也同样清晰：它是「验证工具」，而非「发现引擎」。——ITP 可以验证人类已经找到的证明，但它无法「发现」新的证明，更无法「提出」新的猜想。

更大的危机随之而来：形式化一个定理需要数人年的工作量。如果形式化是数学智能体的未来，那么「形式化整个数学」将需要一个「千年项目」——这究竟是值得追求的宏伟愿景，还是一个根本不切实际的乌托邦？

这个问题，将在第三幕以「机器学习 + 定理证明」的形式，得到一个令人振奋的回答——如果机器可以「学习」如何证明定理，那么形式化的工程量成本，或许可以被数量级地降低。

第三幕：神经觉醒（2010–2019）：「神经网络可以学会逻辑推理」—— 深度学习闯入定理证明的圣殿

【核心冲突】

第二幕留下了一个核心危机：形式化证明的工程量成本极高，ITP 是「验证工具」而非「发现引擎」。

2010 年代，深度学习在计算机视觉（ImageNet 2012）、自然语言处理（Word2Vec 2013、Transformer 2017）等领域取得了震撼性的成功。——神经网络「从数据中学习」的能力，让自动化推理研究者开始思考：神经网络能否也「从定理证明数据中学习」如何证明定理？

这一追问，引发了一场将深度学习与定理证明融合的研究运动。

但这一融合过程，面临着根本性的张力：

深度学习的「概率性」与数学证明的「确定性」之间的对立。

深度学习的核心是概率推理：模型输出的是一个概率分布（如「这个命题有 85% 的可能性可以被以下策略证明」）。而数学证明的核心是确定性推理：一个证明要么正确（100% 逻辑有效），要么错误（0% 逻辑有效）。——如何让一个概率模型，生成确定性的数学证明？

更深刻的问题是：

「数学推理」与「模式识别」之间，究竟是什么关系？

——深度学习在图像识别、机器翻译等「模式识别」任务上的成功，是否意味着它也能掌握「逻辑推理」这一人类最高级的认知能力？

这一问题，在 2010 年代初期，大多数数学家和 AI 研究者都持怀疑态度：

「神经网络可以『识别猫』，但它能『理解素数分布』吗？它可以『翻译英语到法语』，但它能『构造归纳证明』吗？」——2015 年，一位著名数学家在 Notices of the AMS 上撰文，对「神经网络定理证明」表达了强烈的怀疑。

【破局与关键成果】

2010–2015：早期神经定理证明的试探

2010–2015 年，出现了第一批尝试用神经网络辅助定理证明的工作：

1. Bride & Caminhas (2011)：用神经网络预测 Coq 证明中的「下一步策略」。——这是神经网络第一次被用于定理证明的策略预测。

2. DeepMath (2017，预印本)：Google Research 的 Cezary Kaliszyk 和 Josef Urban 等人，提出了 DeepMath——一个用深度学习来筛选「有用引理」的系统。——在 Mizar 数学库中，DeepMath 能够从高维引理空间中，预测哪些引理最有可能在证明当前目标时发挥作用。

【核心创新】DeepMath 的关键在于：将「引理推荐」问题转化为一个二分类问题——对于给定的证明目标和候选引理，训练一个神经网络来判断「该引理是否有助于证明该目标」。

【意义】DeepMath 的成功，证明了：「神经网络可以从已有的形式化证明中学习「什么是有用的推理步骤」，并将这一能力用于加速新的定理证明」。——这是神经网络「学会」逻辑推理的第一个实质性证据。

2017–2019：Transformer 革命与神经定理证明的爆发

2017 年，Vaswani et al. 在 NeurIPS 上发表论文「Attention is All You Need」，提出了 Transformer 架构。——这一架构的革命性意义，在定理证明领域同样得到了淋漓尽致的体现。

2018–2019 年，一系列开创性工作涌现：

1. Neural Theorem Proving (NTP，2018，Rocktäschel & Riedel)：将知识图谱推理与神经网络结合，在链接预测任务上实现了可解释的定理证明。——这是神经网络第一次在符号推理任务上，达到可与符号方法媲美的性能。

2. Graph Convolutional Networks for Theorem Proving (2019，Crouse et al.)：将图卷积网络（GCN）应用于定理证明的「状态表示学习」。——证明了神经网络可以学习到定理证明状态的语义上有意义的向量表示。

3. GPT-f (2019，Polu & Sutskever，OpenAI)：这是第三幕最具里程碑意义的工作。OpenAI 的 Stanislas Polu 和 Ilya Sutskever，用 GPT-2/GPT-3 架构训练了一个定理证明模型——GPT-f。

【核心创新】GPT-f 的关键在于：

• 用 ITP 的交互数据训练 LLM
  ：将 Coq/Isabelle 的证明过程（策略序列）作为训练数据，让 GPT 学会「给定当前证明状态，预测下一步策略」；
• 用 AI 生成合成数据
  ：让训练好的 GPT-f 生成大量候选证明，然后用 ITP 验证这些证明的正确性，将正确的证明加入训练集——这是一种「自我对弈」（Self-Play）式的迭代训练。

【革命性意义】GPT-f 在 Metamath 数学库上，发现了十几个新的、通过形式化验证的定理。——这是人类历史上，机器第一次「自主发现」了新的数学定理。

【遗留危机】但 GPT-f 的发现，仍然是「相对简单」的定理（在 Metamath 库的上下文中）。——它能否扩展到「研究级数学」（Research-level Mathematics），仍然是一个完全开放的问题。

【阶段小结】

这阶段的数学智能体是觉醒与怀疑并存的。

深度学习（特别是 Transformer 和 GPT 架构）的成功，证明了「神经网络可以从形式化证明数据中学习逻辑推理」。——GPT-f 自主发现新定理，更是让「神经定理证明」从概念走向现实。

但第三幕的成功，也留下了一个巨大的开放性问题：

神经网络定理证明的「可扩展性」问题。——GPT-f 在 Metamath（一个相对简单的数学库）上表现出色，但它能否在 Lean、Coq、Isabelle 等「工业级形式化库」上，处理「研究级数学定理」？

——这个问题，将在第四幕以「大语言模型 + 形式化验证」的深度融合，给出令人震撼的回答。

第四幕：大模型破晓（2019–2023）：「当大模型读懂数学论文」—— LLM 与形式化系统的深度融合

【核心冲突】

第三幕留下了一个核心开放问题：神经网络定理证明能否扩展到「研究级数学」？

2019–2023 年，大语言模型（LLM）的爆发——以 GPT-3（2020）、Codex（2021）、GPT-4（2023）为代表——为这一开放问题提供了一种全新的解决思路：

「如果 LLM 可以通过海量文本预训练，获得『通用的语言和推理能力』——那么，是否存在『数学基础模型』，可以通过海量数学文献（论文、教材、形式化库）预训练，获得『通用的数学推理和定理证明能力』？」

这一追问，催生了 LLM + ITP（交互式定理证明器）深度融合的研究方向。

但这一融合过程，面临着更为深刻的根本张力：

张力一：「幻觉」与「严格性」之间的不可调和性

LLM 的本质是概率文本生成。——它生成的数学证明，可能「看起来合理」，但包含隐蔽的逻辑错误。

而 ITP 的本质是确定性严格校验。——一个 Lean/Coq/Isabelle 证明，只有通过类型检查器，才被接受为「正确」。

核心挑战：如何让 LLM 生成的证明，既保持「创造性洞察」，又满足「严格性校验」？

张力二：「自然语言数学」与「形式化数学」之间的语义鸿沟

LLM 擅长处理自然语言数学（论文、教材、数学博客）。

但 ITP 只能处理形式化数学（Lean 代码、Coq 脚本、Isabelle 理论文件）。

核心挑战：如何将自然语言数学论文，自动转化为形式化代码？——这一问题，被称为 「自动形式化」（Autoformalization），是 2019–2023 年间最困难的开放问题之一。

张力三：「一次性证明」与「持续学习」之间的割裂

LLM 是一次性生成的——它生成一个证明，然后停止。

但数学研究是持续积累的——数学家不断学习新的技术、新的引理、新的理论框架。

核心挑战：如何让数学智能体具备「持续学习」能力——即，在证明新定理的过程中，不断积累数学知识，并将这些知识用于后续更复杂的证明？

【破局与关键成果】

2021：Lean 4 的发布与数学形式化的加速

2021 年，Leonardo de Moura（微软研究院）正式发布了 Lean 4——一个完全重写的、高性能的、可扩展的交互式定理证明器。

【核心创新】

1. Lean 4 是一个「编程语言」，而不仅是一个「证明助手」。——它允许用户写复杂的元编程（Macros、Tactics），甚至可以用 Lean 本身来扩展 Lean 的证明策略。
2. Mathlib
   ——Lean 社区的巨型数学库。——至 2023 年，Mathlib 包含了超过 100 万行 Lean 4 代码，涵盖了从基础代数、拓扑、分析到代数几何的广阔数学领域。——这是人类历史上最大的形式化数学库。

【意义】Lean 4 + Mathlib 的成熟，为 LLM + ITP 的融合，提供了第一个真正具备「研究级数学」表达能力的形式化平台。

2022–2023：LLM + Lean 的突破性工作

2022–2023 年，一系列将 LLM 与 Lean 4 深度融合的工作涌现：

1. LeanDojo (2023，Yang et al., MIT)
   第一个将 Lean 4 证明过程转化为「机器学习数据集」的开源框架。——它提取 Lean 4 的每一步证明状态，将其转化为「当前证明状态 → 下一步策略」的监督学习数据。

【意义】LeanDojo 的发布，让「用 LLM 学习 Lean 4 定理证明」变得可行。——它提供了一个大规模、高质量的「Lean 4 证明数据集」。

2. Draft-Sketch-Prove (2023，Jiang et al., Stanford)
   一种三阶段定理证明框架——
• Draft
  （草拟）：用 LLM 生成自然语言证明草图；
• Sketch
  （概要）：将自然语言草图转化为 Lean 4 策略的「概要框架」；
• Prove
  （证明）：用 LLM + Lean 4 的迭代循环，填充概要框架中的细节，直到证明通过类型检查。

【意义】这一框架，首次实现了「自然语言数学推理」与「形式化严格验证」之间的端到端桥梁。

3. Autoformalization with LLMs (2022–2023)
   用 GPT-4/Claude 将自然语言数学问题（如 IMO 竞赛题）自动转化为 Lean 4 代码。——这是「自动形式化」从「几乎不可能」走向「初步可行」的关键跃迁。

2023：GPT-4 在数学推理上的突破

2023 年 3 月，OpenAI 发布 GPT-4。——它在多个数学推理基准测试上，取得了令人震撼的成绩：

• GSM8K
  （小学数学文字题）：92% 准确率（人类水平）；
• MATH
  （高中数学竞赛题）：42% 准确率（远超 GPT-3.5 的 3%）；
• MMMLU-STEM
  （大学级数学、物理、计算机科学题）：85% 准确率。

【意义】GPT-4 的成功，证明了：「大语言模型已经具备了『准研究级』的数学推理能力——它们可以解决大学数学专业水平的题目，甚至可以辅助研究生水平的数学研究」。

【致命局限】但 GPT-4 仍然会产生「幻觉」——它生成的数学证明，约有 15–20% 包含隐蔽的逻辑错误。——没有形式化验证的 LLM 数学推理，始终无法达到「研究级可靠性」。

【阶段小结】

这阶段的数学智能体是融合与突破并存的。

大语言模型（GPT-4、Claude）与形式化系统（Lean 4、Mathlib）的深度融合，让「自然语言数学推理 + 形式化严格验证」从概念走向现实。——Autoformalization 的初步成功，更是让「将整本数学教材自动转化为 Lean 代码」变得可想象。

但第四幕的成功，也留下了更为深刻的开放性问题：

「LLM + ITP 的混合系统，能否不仅『验证』人类找到的证明，还能『发现』新的数学——提出新的猜想、构造新的反例、推导新的定理？」

——这一问题，将在第五幕以「数学智能体（Mathematical Agent）」的集中爆发，给出令人震撼的肯定回答。

第五幕：智能体崛起（2023–2025）：「从证明者到证明架构师」—— 数学智能体的集中爆发

【核心冲突】

第四幕留下了一个核心开放问题：LLM + ITP 系统，能否不仅验证证明，还能发现新数学？

2023–2025 年，以 AlphaProof（DeepMind，2024）、AlphaProof Nexus（DeepMind，2025–2026）、AI Co-Mathematician（DeepMind，2025）、北大 AI4Math 双智能体系统（2024–2025）、Gauss Agent（Math, Inc.，2025）为代表的一系列数学智能体系统，给出了令人震撼的回答：

「是的。AI 不仅可以验证证明——它还可以提出猜想、设计证明策略、发现新定理、甚至修正人类证明中的错误。」

这一回答，标志着数学智能体从「验证工具」到「研究伙伴」的最终跃迁。

但这一跃迁过程，也面临着前所未有的深刻危机：

危机一：「AI 发现的数学」，人类还能理解吗？

当 AI 系统构造出一个 10 万行 Lean 代码的形式化证明时——人类数学家还有能力「读懂」这个证明吗？

如果 AI 发现的数学，只能被其他 AI 验证和理解——那么这是「数学的进步」，还是「数学的异化」？

危机二：「数学智能体」的「幻觉」问题，在长链推理中如何控制？

在数学研究中，一个典型的证明可能需要 数百个中间引理，每个引理的正确性都依赖于前面的引理。

如果 AI 智能体在第一个引理中产生了「幻觉」（一个看似合理但实际上错误的引理），那么后续的所有推理都将是建立在错误基础上的精美建筑。——这种「幻觉传播」问题，在长链数学推理中，是致命的。

危机三：当 AI 可以自主完成数学研究时，「数学家」的职业未来是什么？

2025 年，陶哲轩（Terence Tao）在 Notices of the AMS 上发表文章，标题为：

「从证明者到证明架构师：AI 时代的数学研究」。

他在文中写道：

「AI 的突破性进展，迫使数学家必须从单纯的『证明者』，演变为『证明架构师』——我们需要设计 AI 智能体可以执行的证明框架，而非亲自完成每一个证明细节。数学研究正从『手工作坊式』向『工业化协作』转型。」

这一观点，深刻地揭示了 AI 时代数学家的核心危机与核心机遇：

危机：如果 AI 可以自主完成从「猜想提出」到「形式化证明」的全流程，那么数学家的核心价值在哪里？

机遇：数学家可以借助 AI 智能体，探索人类单独无法企及的「超大规模数学」——例如，用 AI 系统地搜索某个数学领域中的所有可能定理，并用形式化验证它们的正确性。

【破局与关键成果】

2024：AlphaProof —— AI 首次达到 IMO 银牌水平

2024 年 7 月，DeepMind 的 AlphaProof 在 国际数学奥林匹克（IMO） 2024 年赛题上，取得了 28 分（满分 42 分）的成绩——这相当于 IMO 银牌选手的水平。

【核心创新】

1. 将 Lean 4 形式化证明转化为强化学习环境
   ：AlphaProof 用 Gemini 模型将自然语言 IMO 题目转化为 Lean 4 形式化代码，然后用 AlphaZero 风格的强化学习，训练一个「证明智能体」；
2. 自我对弈（Self-Play）
   ：让智能体在 Lean 4 环境中不断尝试证明定理，用 Lean 编译器作为「奖励信号」（证明通过 = +1，证明失败 = 0），通过数百万次的尝试，学会「如何构造证明」。

【革命性意义】AlphaProof 的成功，标志着 AI 首次在「奥林匹克级」数学问题上，达到了人类顶尖选手的水平。——这是 AI for Mathematics 的「AlphaFold 时刻」。

2025：AlphaProof Nexus —— 大规模突破前沿数学问题

2025 年 5 月，DeepMind 发布 AlphaProof Nexus。——这是对 AlphaProof 的全面升级，核心突破在于：

1. 多智能体协作架构：Nexus 包含四个功能递进的智能体版本——

• 智能体 A
  （基础版）：用 Gemini 生成证明初稿；
• 智能体 B
  （RL 增强版）：融合 AlphaProof 的强化学习能力；
• 智能体 C
  （进化搜索版）：加入进化式搜索策略；
• 智能体 D
  （完整版）：整合所有优势，并引入基于 Elo 分数的多智能体协作机制。

2. 一次性解决 9 道埃尔德什开放问题：埃尔德什·帕尔（Paul Erdős）是 20 世纪最多产的数学家之一，他留下了数百道「埃尔德什开放问题」（Erdős Open Problems）。AlphaProof Nexus 一次性解决了其中 9 道，最古老的一道已搁置 56 年。

3. 单题推理成本仅为 7.5–400 美元：与雇佣一个博士后研究人员（年薪 ~10 万美元）相比，AlphaProof Nexus 的推理成本降低了 3 个数量级。

【意义】AlphaProof Nexus 的成功，证明了：「AI 不仅可以在奥林匹克数学上达到人类水平，还可以在『前沿数学研究』（Frontier Mathematics）上，系统性地解决人类数十年未能解决的问题」。

2024–2025：北大 AI4Math 双智能体系统 —— 中国力量的崛起

2024–2025 年，由北京大学北京国际数学研究中心 董彬教授 牵头组建的 北大 AI4Math 团队，走出了一条独立于 DeepMind 的创新路线：

【核心架构】双智能体协作框架——

• Rethlas
  （自然语言推理模块）：依托自研的 Matlas 语义检索系统，从海量数学文献中检索相关信息，构造证明思路和反例；
• Archon
  （形式化验证模块）：将 Rethlas 的自然语言推理，转化为 Lean 4 代码，并在转化过程中主动发现原有思路中的逻辑漏洞，重新规划证明路径。

【里程碑成果】2026 年 4 月，北大团队用这一双智能体系统，解决了交换代数领域 十余年未能解决的安德森猜想（Anderson Conjecture），并完成了 1.9 万行 Lean 4 代码的形式化验证。——这是中国首次用 AI 攻克前沿代数猜想并完成大规模形式化。

【效率对比】完成同等体量的形式化工作，北大 AI4Math 系统的效率，比资深 Lean 研究者高出 10 倍以上。

2025：Gauss Agent —— 菲尔兹奖级成果的形式化验证

2025 年，初创公司 Math, Inc. 开发的 Gauss Agent，完成了数学形式化领域最令人震撼的工程壮举：

用 5 天时间，完成了 2022 年菲尔兹奖得主 Maryna Viazovska 关于 8 维和 24 维球体堆积定理的完整形式化验证——新增 5 万行 Lean 代码。

随后用 1 周时间，完成了 24 维相关内容的补充，累计生成 45 万行代码，最终精简整合为 20 万行标准 Lean 4 代码。——这是目前规模最大的单一主题 Lean 形式化项目。

【戏剧性发现】在工作中，Gauss Agent 主动发现并修正了原论文中的两处细节错误。——这是 AI 首次在「菲尔兹奖级」的数学成果中，发现人类未能察觉的错误。

2025：AI Co-Mathematician —— 多智能体协作的「AI 数学家」

2025 年，DeepMind 发布 AI Co-Mathematician。——这是一个多智能体协作系统，专门设计用于「端到端自主完成数学研究」：

【核心能力】

1. 文献阅读
   ：自动阅读 arXiv 上的最新数学论文，提取关键定理和技术；
2. 猜想生成
   ：基于已有文献，提出新的数学猜想；
3. 证明构造
   ：用多智能体协作（思路生成智能体 + 形式化智能体 + 验证智能体），构造猜想的证明或反例；
4. 论文撰写
   ：将研究成果转化为符合学术期刊标准的 LaTeX 论文草稿。

【性能数据】在公认难度极高的 FrontierMath Tier 4 测试集中，AI Co-Mathematician 的自主解题正确率达到 48%（23/50 道未公开难题）。作为参照：

• 纯基座模型 Gemini 3.1 Pro：19%
• GPT-5.5 Pro：39.6%
• AI Co-Mathematician：48%

【意义】AI Co-Mathematician 的成功，标志着 AI 首次在「自主完成数学研究全流程」这一任务上，达到了「研究级」水平。

【阶段小结】

这阶段的数学智能体是爆发与震撼并存的。

AlphaProof Nexus、北大 AI4Math、Gauss Agent、AI Co-Mathematician 等一系列系统的集中爆发，证明了：「AI 不仅可以『验证』数学证明，还可以『发现』新数学、『提出』新猜想、『修正』人类错误」。——数学智能体，从「工具」跃迁为「伙伴」。

但第五幕的成功，也留下了最为深刻和开放的危机：

「当 AI 可以自主完成数学研究的全流程时——『数学研究』的涵义本身，是否正在发生根本性的变化？如果一台机器可以『做数学研究』，那么『数学家』这一职业的未来是什么？」

——这一问题，在第六幕将以陶哲轩的「从证明者到证明架构师」宣言，以及全球数学界对「AI 时代数学研究新范式」的集体反思，得到深刻而开放的回应。

第六幕：临界点降临（2025–2026）：「数学研究的工业化转型」—— AI 时代的数学新范式

【核心冲突】

第五幕的集中爆发，让全球数学界面临着一个无法回避的根本性问题：

「当 AI 可以自主完成从『猜想提出』到『形式化验证』的全流程时，数学研究的本质，正在发生什么样的变化？」

这一问题，在 2025–2026 年间，引发了一场全球范围的深刻反思。

反思一：「证明」与「理解」的分离

传统数学研究中，「构造证明」与「理解证明」是同一过程的两个方面。——数学家在构造证明的过程中，加深了对数学概念的理解。

但当 AI 智能体构造出一个 10 万行 Lean 代码的形式化证明时——人类数学家往往无法「理解」这个证明。——证明的存在性，与证明的可理解性，发生了根本性的分离。

陶哲轩在 2026 年的文章中写道：「AI 生成的证明，往往『正确但不可理解』。这迫使我们必须重新思考：数学研究的核心价值，究竟在于『证明定理』，还是在于『通过证明定理，加深对数学结构的理解』？」

反思二：「数学直觉」是否可以被算法化？

数学研究中最核心的能力，是「数学直觉」——对「什么是正确的猜想」、「什么是好的证明策略」的直觉性判断。

这一直觉，是否可以被 AI 学习？

2025–2026 年的证据表明：在一定程度上，是的。

• AlphaProof Nexus 在解决埃尔德什开放问题时，使用了人类从未考虑过的证明策略；
• OpenAI 的通用推理模型在推翻埃尔德什单位距离猜想时，使用了代数数论的方法，完全跳出了几何学家的传统思路框架。

——AI 的「数学直觉」，可能已经在某些维度上，超越了人类数学家的直觉。

反思三：「数学共同体」在 AI 时代应该如何运作？

传统数学研究，是一个「人类共同体」的事业。——数学家通过论文、会议、研讨会，分享想法、批评证明、提出猜想。

但当 AI 智能体开始「做数学研究」时——AI 生成的证明、猜想、反例，应该如何被人类数学共同体评估和接受？

——这一问题，在 2025–2026 年间，尚未形成共识。但它将成为未来十年数学界最核心的制度性问题之一。

【破局与关键成果】

2026 年 5 月：OpenAI 推翻 80 年历史的埃尔德什单位距离猜想

2026 年 5 月，OpenAI 的一款尚未对外公开的通用推理模型，独立完成了对 埃尔德什单位距离猜想（Erdős Unit Distance Conjecture） 的证伪。

【历史背景】这一猜想由匈牙利数学家 保罗·埃尔德什 在 1946 年 提出——距今已 80 年。它询问：在平面上放置 n 个点，最多可能有多少对点之间的距离恰好为 1？

埃尔德什猜想：最大单位距离对的数量，是 O(n^(1+c))，其中 c 是一个小于 1 的常数。

【AI 的突破】OpenAI 的模型，构造了一个代数数论中的高维格点集合，证明了存在无穷多个 n，使得单位距离对的数量至少为 n^(1+C)（其中 C > 0）。——这直接证伪了埃尔德什的原始猜想。

【戏剧性评价】菲尔兹奖得主 蒂莫西·高尔斯（Timothy Gowers） 审阅后评价：

「如果这是一位学者向《数学年鉴》（Annals of Mathematics）投递的稿件，我会毫不犹豫地建议录用。以往没有任何 AI 产出的证明，能达到这样的水准。」

多伦多大学数论学家 Arul Shankar 也坦言：

「如今的人工智能，早已不只是辅助工具。它们可以提出新颖独到的想法，并且完整落地为最终的研究成果。」

2026 年：AlphaProof Nexus 开源所有证明代码

2026 年 5 月，DeepMind 将 AlphaProof Nexus 解决的 9 道埃尔德什开放问题的 所有 Lean 4 形式化证明代码，在 GitHub 上开源。

【意义】这一举动，标志着 「AI 发现的数学」，正在成为「全球数学公共产品」。——任何数学家，都可以免费阅读、检查、引用、扩展 AI 发现的证明。

2026 年：陶哲轩宣告「数学研究正从手工作坊式向工业化协作转型」

2026 年 6 月，陶哲轩在 Notices of the American Mathematical Society 上发表重磅文章：

「从证明者到证明架构师：AI 时代的数学研究」

【核心观点】

1. 数学家的角色正在发生根本性转变
   ：从「亲自完成每一个证明细节的证明者」，转变为「设计 AI 智能体可以执行的证明框架的证明架构师」；
2. 数学研究正在工业化
   ：传统数学研究是「手工作坊式」的（一位数学家，一支笔，一叠纸）；AI 时代的数学研究，是「工业化协作式」的（一个数学家团队，调度数十个 specialized AI 智能体，并行探索不同的证明路径）；
3. 形式化验证将成为数学研究的标准流程
   ：未来，任何重要的数学定理，都必须有对应的 Lean/Coq/Isabelle 形式化证明，才能被数学共同体接受。

【哲学意义】陶哲轩的这篇文章，被全球数学界视为 「AI 时代数学研究新宣言」。——它标志着数学界最顶尖的领袖人物，正式承认并拥抱「AI 作为数学研究的合作伙伴」这一新范式。

2026 年：DeepSeek-Math-V2 —— 首个达到 IMO 金牌水平的开源数学模型

2025 年 11 月（成果在 2026 年初被广泛认可），DeepSeek 发布 DeepSeek-Math-V2。——这是全球首个达到 IMO 金牌水准的开源数学模型。

【性能数据】在 IMO-ProofBench 基准测试中，DeepSeek-Math-V2 的得分，高出 Gemini DeepThink 10 个百分点。

【意义】DeepSeek-Math-V2 的开源，极大地降低了「AI 数学推理能力」的使用门槛。——全球任何研究者，都可以免费下载、使用、改进这一达到 IMO 金牌水平的数学模型。

【阶段小结】

这阶段的数学智能体是临界点与转型并存的。

2025–2026 年间的一系列里程碑式成果（OpenAI 推翻 80 年猜想、AlphaProof Nexus 开源证明代码、陶哲轩宣告新范式、DeepSeek-Math-V2 开源），共同标志着：数学智能体已经从「研究课题」升级为「科研基础设施」，从「辅助工具」跃迁为「数学家的智能伙伴」。

但第六幕的终结，也留下了最为深刻和开放的终极追问：

「当 AI 可以自主完成数学研究的全流程时——『数学』这一人类最古老、最纯粹的心智活动，正在发生什么样的变化？如果『数学发现』可以被算法化、规模化、工业化——那么『数学的美』、『数学的创造性』、『数学作为人类心智活动的最高表达』，是否正在被消解？」

——这一问题，没有标准答案。但它将伴随数学智能体的未来十年，成为最为核心的哲学和人文议题。

结语：从算法到智慧——数学智能体的下一个十年

数学智能体的七十年发展史（1956–2026），是一部从机械梦想到认知伙伴、从符号逻辑到神经网络、从辅助工具到研究主体的认知革命史。

它始于一个近乎狂妄的追问：「数学推理能否被算法化？」——终结于一个更为深刻的认知：「AI 不是数学家的『替代者』，而是数学研究的『新维度』——它让人类数学家，能够探索以往无法企及的『超大规模数学』和『超长链推理』。」

第一个三十年（1956–1986），是「证明可行性」的三十年。——从「逻辑理论家」到归结原理，人类证明了「定理证明可以被算法化」。

第二个三十年（1986–2016），是「提升严格性」的三十年。——从 Coq 到 Mathlib，人类将数学形式化的严格性，推至历史顶峰。

第三个十年（2016–2026），是「实现自主性」的十年。——从 GPT-f 到 AlphaProof Nexus，AI 完成了从「验证证明」到「发现新数学」的跃迁。

下一个十年（2026–2036），将是「深度哲学反思与范式成熟」的十年。它将回答以下核心问题：

1. 可理解性问题：如何让 AI 生成的证明，不仅「正确」，而且「可理解」？——「可解释 AI 数学证明」，将成为下一个十年的核心技术挑战。

2. 数学直觉问题：AI 的「数学直觉」，能否超越人类？——如果可以，人类数学家在「数学直觉」上的独特性，是否正在消失？

3. 数学共同体问题：AI 生成的数学成果，应该如何被评估、接受、引用？——「AI 作者身份」「AI 贡献度评估」「AI 数学伦理」，将成为数学界的新制度性议题。

4. 数学教育问题：当 AI 可以解决几乎所有数学问题时——数学教育的核心价值应该是什么？——从「教会学生如何解题」，转向「教会学生如何与 AI 协作，提出深刻猜想」？

（全文完。数据截至 2026 年 6 月。核心参考资料：刘若川院士《AI4Math 综述》、陶哲轩《从证明者到证明架构师》、DeepMind AlphaProof Nexus 论文、北大 AI4Math 团队技术报告、OpenAI 埃尔德什猜想证伪技术报告。）