OpenAI × AlphaProof Nexus ｜ AI研究观察
OpenAI这次，把一整批数学研究稿放上了GitHub。
首批，722篇。
光是这个数字，就足够让人停下来。过去我们讨论AI数学能力，常常看它考试拿了多少分。现在，桌上摆着的是一批等待数学界检查的研究成果。
但顺着资料往下看，还有一个很有意思的变化。
Google DeepMind的AlphaProof Nexus，正在把“想出证明”和“检查证明”连成一套流程。
一边开始批量产出，另一边不断追问：这一步，真的成立吗？
把它们放在一起看，比单独盯着722这个数字，更值得聊。
01 先把这722篇说清楚
OpenAI在10月6日公布了这批材料。标题里的“论文”，更准确地说，是公开的数学研究稿。这些稿件处在不同的验证阶段，不能把“已经发布”直接理解成“已经获得学界认可”。
还有一个更新，要放在前面。
截至10月12日，当前目录是719篇。
官方10月7日的修订记录说明，一处符号错误影响了一篇稿件的论证，并连带影响两篇依赖它的稿件，三篇因此被撤回。
这个细节，反而让我们看见了研究真正的样子：公开之后，检查继续，纠错也继续。
图1｜OpenAI官方资料库。当前目录为719篇，材料仍在持续验证和更新。
另外，722篇也不能换算成722个彼此独立的数学难题。
仓库按372个“研究家族”组织材料。同一个家族里，可能有主要结论，也有配套论证、推论和其他证明方法。
你可以把它理解成：围绕一组相关问题，拆出了多份研究材料。
OpenAI把论文、部分Lean形式化证明，以及节选整理的推理摘要一起公开了。我们终于可以往结果背后多看一层，而不只看发布会上的一句“又突破了”。
至于产出这些结果的模型，官方说是尚未发布的内部模型。现在能打开的是研究材料，还不能据此认为自己的ChatGPT已经具备同等能力。
02 DeepMind这边，给证明装上了检查流程
接下来是AlphaProof Nexus。
这个名字有点长，先记住它在做什么就够了：让AI一边寻找证明，一边接受严格检查。
它的预印本在今年5月已经公开，6月更新过版本。它是一套研究框架，和普通人打开就能聊天的App是两回事。
在这套流程里，语言模型先提出证明思路，把它写成Lean能够处理的形式。Lean是一种证明助手，可以按明确的规则检查推理步骤。
哪里没通过，反馈就回到AI手里。AI继续改写、拆分问题，必要时调用专门的AlphaProof求解工具。
一次不行，就继续找。
图2｜AlphaProof Nexus论文原图：生成、验证、反馈与搜索如何协作。
这让我觉得有价值的地方，是它把“你再仔细想想”变成了能收到具体反馈的过程。
就像写程序时，报错会告诉你问题出在哪。对数学证明来说，检查也得尽可能落实到每一步，不能只靠一段文字读起来很顺。
研究报告给出的成绩是：在353个形式化的Erdős问题（含问题变体）中解决9个，在选定的492个OEIS猜想中解决44个。OEIS可以简单理解为一个收录整数数列及相关信息的数据库。
分母也要一起看。这些是特定问题集合上的研究结果，不能拿来宣布“AI已经解决数学”。
论文还展示了一份围绕Erdős第125号问题一个变体的实际过程：AI拿到带有待补证明的Lean文件，调用工具，把剩余困难继续拆开，再补上证明。
图3｜论文公布的输入与输出记录。完整保留原图，这是研究团队的示例。
两边放在一起，可以这样看。
| 关注点 | OpenAI数学研究稿 | AlphaProof Nexus |
|---|---|---|
| 主要看什么 | 批量公开的研究结果与支持材料 | 生成、验证、改进证明的研究流程 |
| 怎么检查 | 查看每篇材料的证明状态与后续修订 | 检查形式化命题及Lean证明 |
| 公开材料 | 公开稿件、部分证明与推理摘要 | 公开证明、Agent输出等研究材料 |
03 能证明之后，人还有多少事要做
很多。
先说一个容易忽略的地方：机器检查的，是你交给它的那个严格命题。
如果原来的问题在转换时少了一个条件，或者换了一个范围，即便后面的证明通过了检查，也还得回头确认：我们证明的，真的是最初想问的那件事吗？
这有点像一份做得非常漂亮的答卷，交卷前仍要确认有没有看错题。
再往后，证明成立，也不自动意味着它足够重要，或者人已经理解了其中的关键。
OpenAI这次的撤回记录，就是一个很具体的提醒。一个错误会沿着依赖关系影响其他结果，文章数量越多，检查这些关系的工作也越重要。
图4｜官方修订记录的完整撤回段落。原文链接见文末。
所以我更在意的变化是：当候选答案越来越多，人要花更多精力判断，哪些值得继续追下去。
对研究者来说，AI有机会接手一部分尝试和验证工作。对普通读者来说，这也会慢慢改变我们看待AI能力的方式。
以后看到“解决了某某难题”，值得多问一句：证明在哪里？检查到哪一步了？
有了公开材料，这两句追问就有机会得到具体回答。
04 普通人，也能往里面看一眼
当然，不需要为了读一条AI新闻，先学会一整套数学工具。
如果你想知道这批材料到底长什么样，可以从OpenAI的公开仓库开始，按这个顺序看：
- 先看overview。 看各组问题在研究什么，挑一个自己有兴趣的方向。
- 再看CONTENTS目录。 找到对应稿件和配套材料，别只收藏一张标题截图。
- 查看证明状态。 有没有对应的Lean材料，覆盖的是哪个结论。
- 最后翻history。 看有没有撤回、修正，读的是不是当前版本。
碰到读不懂的部分，可以把那一篇的原文交给AI，让它先帮你做一张阅读卡。
请只依据我提供的论文，说明它研究什么问题、结论依赖哪些条件、关键证明思路是什么。区分作者已经证明的内容与尚待验证的内容，并标出原文位置。解释不清楚或材料缺失的地方，直接告诉我，不要补写。最后列出读懂它最需要补的两个基础概念。
这个用法的目的，是帮助你读进去。AI写出了一段通俗解释，还不能替论文完成验证。
我觉得，这也是这次消息最值得留下的一点。
过去，“我有答案了”和“我想明白了”，常常被我们放在同一句话里。
现在，AI正在让它们之间的距离变得清晰。
答案可以先到。
理解，仍然值得我们慢慢走过去。
资料截至2026年10月12日。
主要来源：[OpenAI发布说明](https://openai.com/index/sharing-ai-progress-in-mathematics/) · [公开资料库](https://github.com/openai/math) · [修订记录](https://github.com/openai/math/blob/main/history.md) · [AlphaProof Nexus论文](https://arxiv.org/html/2605.22763v2) · [公开成果](https://github.com/google-deepmind/alphaproof-nexus-results)