GPT-6 Astra攻克哥德巴赫猜想变体：AI从会算到会想

一封284年前的信，如何困住整个数学界

1742年，哥德巴赫在写给数学家欧拉的信中提出了一个看似简单的猜想：所有大于2的偶数，都可以拆成两个质数相加。这就是数学圈常说的"1+1"——一个质数加一个质数。

举个直观的例子，偶数28可以拆成3加25，但25是5乘5，属于合数而非纯质数。真正符合原版猜想的是像28=5+23这样两个纯质数相加的形式。听起来门槛不高，可它却困住人类近300年。

难点在于质数的分布毫无规律，像随机撒在数轴上一样，找不到统一的公式去套。中国数学家陈景润耗尽半生证明的"1+2"（一个质数加两个质数的乘积），已经是人类近百年来最接近原版猜想的顶尖成果，但两个质数相乘的结果本质是合数，人类始终跨不过最后一步。

退而求其次的"替身版"：刘维尔-哥德巴赫猜想

面对纯质数相加的高墙，数学家们退了一步，构造出一个降低门槛的版本——刘维尔-哥德巴赫猜想。它把"两个质数"的要求放宽为"两个数的质因数总个数是质数"。质数本身只有一个质因数，自然符合条件。

这个逻辑关系需要厘清：原版猜想如果成立，替身版一定成立；但反过来，替身版成立并不代表原版成立。相当于先降低门槛，摸清加法与乘法之间的底层规律。

即便放宽了要求，人类数学家也花了好几年才做出有限进展：只证明了该猜想对"足够大的偶数"成立，且必须附带两个前提——小偶数不算，以及必须假设广义黎曼猜想成立。这等于是带着两层未证明的假设跳舞，算不上彻底证明。

质因数个数是理解这个"替身版"的关键。任意一个大于1的整数，都可以唯一地分解为若干质数的乘积（算术基本定理），这些质数（计重数）的总个数就是该数的质因数个数。比如12=2×2×3，质因数个数为3（一个质数）；8=2×2×2，质因数个数为3；而质数本身如7=7，只有1个质因数，1不是质数，所以质数不符合"质因数个数为质数"的条件——这里需要注意，质因数个数为质数意味着个数本身是2、3、5……等质数，而质数自身的质因数个数为1，1不是质数，所以质数本身反而不满足这个放宽条件。刘维尔-哥德巴赫猜想实际上是把"两个质数之和"替换成"两个各自质因数计数为质数的数之和"，这是一个更宽泛的数论陈述，与原版猜想既有联系又有本质差异。

GPT-6 Astra的两步破局：从条件证明到无条件

据B站UP主杜宇的解读，OpenAI的GPT-6 Astra这次把上述两道枷锁全部砸开。

第一天，它甩出一份仅两页的PDF，证明了所有4的倍数无条件成立，不依赖任何未经证明的猜想。第二天，它又找到一条全新思路，将结论扩展到所有大于2的偶数，没有例外、没有前提。

最引人注目的不是结果，而是方法。它没有靠暴力穷举逐个演算，而是采用反证法，结合有限域的相关性质，一步步推导出矛盾。整个证明用的都是初等代数思路，据称推导逻辑连高中生都能看懂。这种"找对方向、构造证明"的能力，以往被认为只有顶尖数学家才具备。更关键的是，完整证明已通过形式化验证，逻辑上无懈可击。

需要冷静看待的是，这次攻克的是刘维尔-哥德巴赫猜想变体，而非原版哥德巴赫猜想本身。从"质因数个数为质数"到"纯质数相加"，中间仍隔着相当遥远的距离。

有限域是这次证明核心工具之一，值得稍作说明。有限域（Finite Field，也叫伽罗瓦域）是一种只含有限个元素、且对加法和乘法都封闭的代数结构，最常见的例子是模质数p的整数集合。有限域的优势在于，许多在无限整数集合中极难处理的问题，在有限结构中会呈现出规律性，允许使用代数方法而非分析方法来操作。将数论问题"投影"到有限域上，再利用有限域的代数性质推导矛盾或构造存在性证明，是现代数学中一种成熟但精巧的路径。形式化验证则是指用Lean、Coq等定理证明软件，将数学证明的每一步逻辑都翻译成机器可检查的符号推导，从根本上排除人工审阅可能漏掉的逻辑漏洞，这也是此次成果可信度的重要支撑。

从人海战术到单模型洞察：AI科研范式的分水岭

把这次突破放在此前的案例中对比，意义会更清晰。前阵子刷屏的纳维-斯托克斯方程形式化证明中，OpenAI动用了一万个agent，耗时88小时才完成。那本质上是工程化的胜利——靠海量智能体把庞大证明拆解成无数小模块并行验证，拼的是系统调度能力和算力规模。

而这一次完全是另一个路数：没有集群，没有人海战术，就是单模型靠一条逻辑主线从头推到尾，依靠的是对数学结构的洞察力和构造证明的巧思。

如果说NS方程证明是AI用"人多力量大"啃下的硬骨头，这一次则是AI用数学家的脑子走出了新路。从"会算"到"会想"，这一步的突破性要大得多。它第一次展示了AI能做出符合人类审美的、优雅的数学证明，而不只是堆算力的计算器。

纳维-斯托克斯方程是描述粘性流体运动的偏微分方程组，涵盖从气象预报到飞机设计的广泛应用，其解的存在性与光滑性是克雷数学研究所公布的七个"千禧年大奖难题"之一，悬赏百万美元至今未解。OpenAI此前完成的是该方程某个已有数学证明的形式化验证，即把人类数学家已写出的证明用机器语言重新核验一遍，而非从零发现新证明——这与GPT-6 Astra独立构造出新证明路径在性质上有根本区别。理解这一区分，有助于更准确地评估两次突破各自代表的AI能力层次。

结语：AI正从工具变成科研伙伴

这次事件的意义远不止一个猜想变体本身。它相当于给AI做科研打开了一扇新门——AI不只能帮科学家处理数据，还能参与找思路、做推导。

我们这一代人或许正见证一个历史拐点：AI从单纯的执行工具，逐渐成为科研的伙伴，甚至在某些领域走到了人类前面。对于普通人而言，与其焦虑，不如去看懂它背后的逻辑，跟上它的节奏。