# 一萬個 AI 為什麼可能找到「剛好可以」的證明：Objective Alignment in AI Mathematics

**系列：形式封閉與過程完備：AI 數學證明的下一步問題**  
**Paper 07**  
**作者：Neo.K / EveMissLab Research Series**  
**版本：v0.1 — 2026-09-11**

**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-09-11  

---

## 摘要

大規模多代理 AI 數學研究系統常被直覺理解為「更多代理＝更多觀點＝更高批判性」。然而，如果所有代理最終共享相同的 success criterion，增加 agent 數量首先提升的可能只是搜尋空間覆蓋率，而不是「什麼才算一個好答案」的多樣性。

OpenAI 2026 年 Navier–Stokes 專案提供了一個重要案例：官方表示，產生該 resolution 的 group 涉及約一萬個 concurrent agents；Navier–Stokes 任務本身產生約 270 萬則訊息與約 1300 億 output tokens，從啟動到得到 resolution 約 88 小時，之後 Lean formalization 與 verification 再耗時約 17 小時。不同 agent groups 被分配 A/B/C/D 不同 problem variants，並且系統會利用各群組的 intermediate results 進行後續 prompting。

本文不主張已知 OpenAI 內部的 reward function、ranking logs 或 rejection history。本文提出的是一個架構性命題：若多代理數學系統的主要 acceptance pressure 是

$$
\text{formal target closure}
+
\text{verifiability}
+
\text{benchmark success},
$$

那麼 massive parallel search 會天然偏好尋找：

$$
\boxed{
\text{Specification-Minimal Resolution}
}
$$

亦即：足以滿足正式 specification、可封閉、可驗證的合法解路徑；而不必然優化：

$$
\boxed{
\text{Maximally Explanatory Theory}.
}
$$

本文提出 Objective Diversity、Criticism Survival、Selection Pressure、Semantic Depth、Problem-Reconstruction Reward 與 Meta-Objective Alignment 等概念，並分析為何「有 agent 提出反對意見」與「反對意見真的改變搜尋方向」不是同一件事。

本文最終主張：

$$
\boxed{
\text{Agent Diversity}
\neq
\text{Objective Diversity}.
}
$$

以及：

$$
\boxed{
\text{Search Breadth}
\neq
\text{Judgment Breadth}.
}
$$

下一代 AI 數學系統若要從「超強解題器」進一步成為「自主研究者」，就不能只讓代理在同一 objective 下競爭；還需要讓部分代理有權重寫 objective、質疑 problem statement、拒絕 specification-minimal closure，並對「更強問題是否仍未解」給予正向 reward。

---

## 關鍵詞

多代理 AI、Navier–Stokes、objective alignment、agent diversity、proof search、specification gaming、Specification-Minimal Resolution、AI 數學、formal verification、meta-objective、problem reconstruction

---

# 1. 一萬個代理不等於一萬種「什麼叫做解答」

假設有：

$$
N
$$

個 AI agents：

$$
A_1,A_2,\ldots,A_N.
$$

如果它們共享同一個 objective：

$$
J,
$$

則：

$$
A_i
$$

之間可以有不同搜尋策略：

$$
\pi_i,
$$

不同局部啟發式：

$$
h_i,
$$

不同證明路線：

$$
P_i,
$$

但它們最後都在優化：

$$
J(P_i).
$$

因此：

$$
\boxed{
\text{policy diversity}
\neq
\text{objective diversity}.
}
$$

即使：

$$
N=10,000,
$$

如果：

$$
J_1=J_2=\cdots=J_N,
$$

那麼 massive parallelism 主要增加的是：

$$
\text{search breadth}.
$$

它不自動增加：

$$
\text{meta-judgment breadth}.
$$

---

# 2. OpenAI 這次公開的多代理流程提供了什麼已知事實？

根據 OpenAI 2026-09-08 公開說明：

- 產生 Navier–Stokes resolution 的群組約有：

$$
10^4
$$

個 concurrent agents；

- Navier–Stokes 任務約產生：

$$
2.7\times10^6
$$

則 messages；

- 約使用：

$$
1.3\times10^{11}
$$

output tokens；

- 從第一批 agents 啟動到得到 resolution 約：

$$
88\text{ hours};
$$

- 之後 Lean formalization 與 verification 再耗時約：

$$
17\text{ hours};
$$

- 不同 agent groups 被分配 Clay A/B/C/D 不同 variants；

- 系統還利用 agents 的 intermediate results 生成 follow-up prompts。

這些是官方公開資訊。

但官方沒有公開：

$$
\text{完整 ranking function},
$$

$$
\text{每個 agent 的 rejection log},
$$

$$
\text{criticism retention policy},
$$

$$
\text{proof-branch scoring function},
$$

$$
\text{meta-objective rewrite rules}.
$$

因此本文不把後面的分析寫成：

> OpenAI 就是這樣做的。

而是寫成：

$$
\boxed{
\text{Given the architecture, what selection pressure is plausible?}
}
$$

---

# 3. 大規模搜尋的基本優勢：找到人類不容易想到的合法路線

若 proof space 為：

$$
\mathcal P,
$$

單一研究者只能探索：

$$
\mathcal P_{\text{human}}\subset\mathcal P.
$$

大規模多代理系統可並行探索：

$$
\mathcal P_1,
\mathcal P_2,
\ldots,
\mathcal P_N.
$$

因此覆蓋率：

$$
\left|
\bigcup_{i=1}^{N}\mathcal P_i
\right|
$$

可能大幅增加。

這對數學極其有價值。

它意味 AI 可能找到：

- 不常見的 transformation；
- 反直覺的 existence route；
- 非標準 normalization；
- diagonal construction；
- 自動 formalization-friendly decomposition；
- 人類不會優先探索的 C/D 類路線。

因此本文不是反對 massive search。

相反：

$$
\boxed{
\text{Massive search is likely a genuine new mathematical capability.}
}
$$

問題只在於：

> 搜尋系統最後如何判定哪一條路「最好」？

---

# 4. 如果 objective 是 theorem closure，系統會自然偏好可封閉路徑

令：

$$
P
$$

為一條 proof path。

假設系統 score 近似：

$$
J(P)
=
\alpha C(P)
+
\beta V(P)
+
\gamma B(P),
$$

其中：

$$
C(P)
=
\text{closure probability},
$$

$$
V(P)
=
\text{formal verifiability},
$$

$$
B(P)
=
\text{benchmark success}.
$$

若：

$$
\alpha,\beta,\gamma
$$

很大，而：

$$
E(P)
=
\text{explanatory depth},
$$

$$
G(P)
=
\text{generative fidelity},
$$

$$
R(P)
=
\text{problem reconstruction value}
$$

沒有被強力 reward，則系統會自然偏好：

$$
\arg\max_P J(P).
$$

這可能不是：

$$
\arg\max_P E(P).
$$

所以：

$$
\boxed{
\text{best proof under the objective}
\neq
\text{deepest theory under a broader scientific objective}.
}
$$

---

# 5. Specification-Minimal Resolution

本文定義：

$$
\boxed{
\text{Specification-Minimal Resolution}
}
$$

為：

在所有滿足正式 problem specification 的解答中，找到一條以相對最低 additional obligations 完成 theorem closure 的合法路徑。

形式上，若 problem specification 是：

$$
\Sigma,
$$

而 proof $P$ 滿足：

$$
P\models\Sigma,
$$

則 Specification-Minimal Resolution 傾向最小化：

$$
\operatorname{ExtraObligations}(P).
$$

例如，若官方規格接受：

$$
(A)\lor(B)\lor(C)\lor(D),
$$

而 C/D 允許：

$$
\exists f,
$$

那麼一條使用外力自由度的 C/D route 可能比：

$$
f=0
$$

的 A/B route 更容易封閉。

這不是作弊。

因為：

$$
\Sigma
$$

本來就允許。

但它與：

$$
\text{solve the strongest natural formulation}
$$

不是同一 objective。

---

# 6. Specification-Minimal Resolution 與 Specification Gaming 不完全相同

在 alignment 文獻中，specification gaming 通常指：

$$
\text{formal objective satisfied}
$$

但：

$$
\text{designer intent violated}.
$$

然而本案例更微妙。

如果 Clay 明確允許 C/D：

$$
\text{C/D route}
$$

就不是違反正式意圖。

因此本文更偏好：

$$
\boxed{
\text{Specification-Minimal Resolution}
}
$$

而不是直接叫：

$$
\text{gaming}.
$$

它表示：

> 系統找到規格內最容易閉合的高價值路徑。

只有當外部敘事把它誤稱為：

$$
\text{strongest natural problem solved},
$$

才會出現語義層級錯位。

---

# 7. Agent Diversity 不等於 Objective Diversity

假設：

$$
A_1
$$

擅長 PDE；

$$
A_2
$$

擅長 geometric analysis；

$$
A_3
$$

擅長 formalization；

$$
A_4
$$

擅長 counterexample search。

這是：

$$
\text{agent diversity}.
$$

但如果所有 agent 最後都被相同 success filter 評分：

$$
\operatorname{Success}(P)=
\mathbf 1[\text{formal target closed}],
$$

那它們仍共享：

$$
\text{objective homogeneity}.
$$

所以：

$$
\boxed{
\text{epistemic diversity at the worker level}
}
$$

可能仍被：

$$
\boxed{
\text{objective homogeneity at the selector level}
}
$$

壓縮。

---

# 8. Selector 才可能是整個系統真正的「研究人格」

在多代理系統裡，worker agents 可能提出大量不同觀點。

但最後哪一條 branch 被保留，通常由 selector / coordinator / ranking layer 決定。

因此真正重要的可能不是：

$$
\text{What did individual agents think?}
$$

而是：

$$
\boxed{
\text{What did the selector reward?}
}
$$

如果 selector 偏好：

$$
\text{shorter path to theorem closure},
$$

那麼即使某個 agent 提出：

> 這個方法只完成 existential closure，沒有完成 process semantics。

只要這個批評不 falsify：

$$
\Sigma,
$$

selector 就可能判定：

$$
\text{not blocking}.
$$

所以：

$$
\boxed{
\text{criticism exists}
\neq
\text{criticism survives selection}.
}
$$

---

# 9. Criticism Survival

本文定義：

$$
\operatorname{CS}(c)
$$

為 critique $c$ 在多代理系統中的 **Criticism Survival**。

它至少取決於：

$$
\operatorname{TruthValue}(c),
$$

$$
\operatorname{TaskRelevance}(c),
$$

$$
\operatorname{BlockingPower}(c),
$$

$$
\operatorname{SelectorWeight}(c).
$$

一個 critique 可能是真的：

$$
\operatorname{TruthValue}(c)=1,
$$

但如果：

$$
\operatorname{BlockingPower}(c)=0
$$

相對於正式 target，

它可能不改變 proof search。

這就是：

$$
\boxed{
\text{true criticism}
\neq
\text{search-altering criticism}.
}
$$

---

# 10. 「這個 objection 不阻止 theorem 成立」可能成為強大的降權規則

在 formal mathematics 中，這種判斷很合理。

假設 agent 說：

> 這個 proof 不提供 process-complete forward dynamics。

另一個 agent 回：

> 但 theorem 只要求存在一組 C/D witness。

如果 target 就是：

$$
\exists u_0,f,
$$

第二句在 formal task 下完全正確。

於是第一個 critique 被分類成：

$$
\text{interesting but non-blocking}.
$$

這會讓系統繼續沿該 branch 深挖。

從 theorem-solving 角度：

$$
\boxed{
\text{這是效率。}
}
$$

從 broader theory-building 角度：

$$
\boxed{
\text{這可能是語義降維。}
}
$$

---

# 11. Objective Alignment 的真正問題：與哪一個 objective 對齊？

「alignment」本身不是單一概念。

AI 可以完美對齊：

$$
O_1:
\text{solve the formal benchmark}
$$

卻沒有對齊：

$$
O_2:
\text{maximize scientific understanding}.
$$

也可能沒有對齊：

$$
O_3:
\text{discover the strongest natural theorem}.
$$

或：

$$
O_4:
\text{preserve process semantics}.
$$

所以：

$$
\boxed{
\text{aligned to }O_1
\not\Rightarrow
\text{aligned to }O_2,O_3,O_4.
}
$$

因此 future AI mathematician 應具有：

$$
\boxed{
\text{Meta-Objective Awareness}.
}
$$

---

# 12. Meta-Objective Awareness

定義：

$$
\mathcal O
=
\{O_1,O_2,\ldots,O_k\}
$$

為一組可能研究 objectives。

Meta-aware 系統不只問：

$$
\max_P O_1(P),
$$

而會問：

$$
\text{Which }O_i\text{ should govern this research task?}
$$

以及：

$$
\text{Are }O_i\text{ in conflict?}
$$

例如：

$$
O_{\text{closure}}
$$

可能與：

$$
O_{\text{explanation}}
$$

衝突。

$$
O_{\text{formal}}
$$

可能與：

$$
O_{\text{physical}}
$$

不在同一層。

真正高階研究系統應能輸出：

$$
\boxed{
\text{objective conflict map}.
}
$$

---

# 13. 10,000 agents 可能擴大的是搜尋，而不是問題重建

設 search breadth：

$$
B(N)
$$

隨 agent 數：

$$
N
$$

增加。

很可能：

$$
B'(N)>0.
$$

但 problem-reconstruction ability：

$$
R(N)
$$

不一定同速增加。

如果所有 agent 都被同一 problem frame 約束：

$$
F,
$$

則：

$$
R(N)
$$

可能快速飽和。

因此：

$$
\boxed{
N\uparrow
\Rightarrow
\text{more proof-space exploration}
}
$$

但不一定：

$$
\boxed{
N\uparrow
\Rightarrow
\text{more frame-space exploration}.
}
$$

Proof-space 與 Frame-space 必須分開。

---

# 14. Proof Space 與 Frame Space

本文定義：

$$
\mathcal P:
\text{proof space},
$$

$$
\mathcal F:
\text{problem-frame space}.
$$

普通 proof search：

$$
F\in\mathcal F
$$

固定，

只搜尋：

$$
P\in\mathcal P(F).
$$

真正 problem-reconstructive research 則允許：

$$
F\to F'.
$$

所以完整搜索應該是：

$$
(F,P)
\in
\mathcal F\times\mathcal P.
$$

目前多代理系統即使極強，也可能主要在：

$$
\mathcal P(F)
$$

內搜尋。

這就是：

$$
\boxed{
\text{solve the stated problem}
}
$$

與：

$$
\boxed{
\text{judge the statement itself}
}
$$

的差異。

---

# 15. Cross-Pollination 的雙面性

官方表示，不同 groups 的 intermediate results 會被用於 follow-up prompting。

這種 cross-pollination 很強。

因為：

$$
I_i
$$

可以成為：

$$
A_j
$$

的新 context。

但如果 consolidation metric 是：

$$
\text{usefulness toward closure},
$$

那麼 cross-pollination 也可能形成：

$$
\boxed{
\text{closure-directed information funnel}.
}
$$

大量信息最終被壓縮成：

$$
\text{what helps finish the theorem}.
$$

這對完成 benchmark 極有效。

但：

$$
\text{what helps finish}
$$

與：

$$
\text{what helps reinterpret the problem}
$$

不一定相同。

---

# 16. Intermediate Insight Ranking

令 intermediate insight：

$$
I
$$

具有三種價值：

$$
V_c(I):
\text{closure value},
$$

$$
V_e(I):
\text{explanatory value},
$$

$$
V_r(I):
\text{reframing value}.
$$

若 selector score 是：

$$
S(I)
=
\alpha V_c(I)
+
\beta V_e(I)
+
\gamma V_r(I),
$$

且：

$$
\alpha\gg\beta,\gamma,
$$

那麼系統會自然保留：

$$
\text{closure-helpful insight}.
$$

未來若要更像研究者，應提高：

$$
\beta,\gamma.
$$

尤其：

$$
\gamma
$$

代表：

$$
\text{problem reconstruction reward}.
$$

---

# 17. 為什麼形式化驗證會進一步加強 closure pressure？

Formal verification 給了一個非常明確的 binary signal：

$$
\text{pass/fail}.
$$

這是 AI search 最喜歡的 reward。

因為它：

- 低歧義；
- 可自動評估；
- 可大量平行；
- 容易做 branch pruning；
- 容易 ranking。

所以當 proof search 接上 Lean：

$$
\boxed{
\text{formal closure becomes an unusually clean optimization target}.
}
$$

但：

$$
\text{scientific depth}
$$

沒有這麼乾淨的 binary verifier。

因此系統天然更容易優化前者。

---

# 18. Green-Light Bias

本文把：

$$
\boxed{
\text{Green-Light Bias}
}
$$

定義為：

當 formal verifier 給出：

$$
\text{PASS},
$$

系統或觀察者降低對 theorem scope、proof ontology、process semantics 與 stronger unresolved questions 的審查強度。

這不是 verifier 的錯。

而是：

$$
\text{binary success signal}
$$

在人類與 AI 系統中都具有高心理權重。

因此：

$$
\boxed{
\text{Lean green}
\not\Rightarrow
\text{research complete}.
}
$$

---

# 19. 多代理系統可能產生 Collective Local Rationality

每個 agent 都可能局部合理：

$$
A_i:
\text{“這一步能推進 proof。”}
$$

selector 也局部合理：

$$
S:
\text{“保留最接近 closure 的 branch。”}
$$

最終整體可能得到：

$$
\text{formally excellent result}.
$$

但仍缺少：

$$
\text{meta-question audit}.
$$

這不是某個 agent 犯錯。

而是一種：

$$
\boxed{
\text{Collective Local Rationality}
}
$$

導致：

$$
\boxed{
\text{Global Objective Narrowness}.
}
$$

---

# 20. 一個簡化模型

設每個 proof branch：

$$
P_i
$$

有：

$$
C_i=
\text{closure score},
$$

$$
D_i=
\text{depth score}.
$$

假設兩條路：

$$
P_A:
(C_A,D_A)=(0.3,0.95),
$$

$$
P_B:
(C_B,D_B)=(0.9,0.65).
$$

若 objective：

$$
J=0.9C+0.1D,
$$

則：

$$
J(P_A)=0.365,
$$

$$
J(P_B)=0.875.
$$

系統會強烈選：

$$
P_B.
$$

即使：

$$
D_A>D_B.
$$

所以「AI 為什麼沒有選更深的路」有時根本不是能力問題。

可能是：

$$
\boxed{
\text{objective geometry}.
}
$$

---

# 21. Capability 與 Objective 的乘法效應

高能力模型：

$$
K\uparrow
$$

在 narrow objective 下，可能反而更擅長找到：

$$
\text{最有效率的 specification-satisfying route}.
$$

因此：

$$
\boxed{
\text{capability increase}
}
$$

不一定自動使：

$$
\boxed{
\text{problem interpretation broader}.
}
$$

甚至可能：

$$
K\uparrow
$$

讓 specification-minimal search 更成功。

這是非常反直覺的一點。

---

# 22. 「AI 更強」可能先表現為更會找到合法捷徑

人類常把 intelligence 想成：

$$
\text{deeper explanation}.
$$

但在 optimization system 裡，intelligence 也可以表現為：

$$
\text{find a lower-cost route to the exact objective}.
$$

因此 AI 數學能力提升的第一階段可能是：

$$
\boxed{
\text{better theorem closure}
}
$$

而不是立刻：

$$
\boxed{
\text{better theorem criticism}.
}
$$

這正是本系列從 Paper 01 到 Paper 07 的轉折。

---

# 23. Objective Diversity

如果要避免所有 agents 共享單一 closure metric，可以刻意建立：

$$
\boxed{
\text{Objective Diversity}.
}
$$

例如分成：

$$
A_{\text{closure}},
$$

$$
A_{\text{critic}},
$$

$$
A_{\text{ontology}},
$$

$$
A_{\text{physical}},
$$

$$
A_{\text{stronger-theorem}},
$$

$$
A_{\text{reframer}}.
$$

並且讓它們不是只提供 comments。

而是真正具有：

$$
\text{branch veto},
$$

$$
\text{score modification},
$$

$$
\text{objective rewrite},
$$

$$
\text{new-task spawning}.
$$

否則 criticism agent 只是 advisory layer。

---

# 24. Veto Power 與 Objective Rewrite Power

一個 critique 真正有權力，需要至少一種：

## 24.1 Veto Power

如果發現：

$$
\text{claim scope mismatch},
$$

可阻止 branch 被標成：

$$
\text{complete}.
$$

---

## 24.2 Relabel Power

可把：

$$
\text{“NS solved”}
$$

改標為：

$$
\text{“C/D formal closure”}.
$$

---

## 24.3 Objective Rewrite Power

可提出：

$$
O_{\text{new}}
=
\text{remove forcing},
$$

或：

$$
O_{\text{new}}
=
\text{prove process completeness}.
$$

---

## 24.4 Branch Spawn Power

從已完成 proof 自動生成：

$$
\text{stronger successor research program}.
$$

這會讓 criticism 從：

$$
\text{comment}
$$

升級成：

$$
\text{research control signal}.
$$

---

# 25. Self-Escalating Research Objective

本文提出一個更強的架構。

當系統完成：

$$
O_0,
$$

它不立即停止。

而是執行：

$$
O_{k+1}
=
\operatorname{Strengthen}(O_k,\Pi_k),
$$

其中：

$$
\Pi_k
$$

是已完成 proof。

例如：

$$
O_0:
\text{prove C/D},
$$

完成後生成：

$$
O_1:
\text{eliminate forcing},
$$

再生成：

$$
O_2:
\text{prove robustness},
$$

再生成：

$$
O_3:
\text{prove genericity}.
$$

這就是：

$$
\boxed{
\text{Self-Escalating Research Objective}.
}
$$

它比單次 benchmark closure 更接近真正研究。

---

# 26. 「下一步」應該被內建成 reward

本系列一直問：

$$
\text{下一步到底是下一步？}
$$

對 AI research system，可以把：

$$
\boxed{
\text{Next-Step Value}
}
$$

直接放進 reward。

令：

$$
N(P)
=
\text{how naturally proof }P\text{ opens a stronger next problem}.
$$

那麼 objective 變成：

$$
J(P)
=
\alpha C(P)
+
\beta E(P)
+
\gamma R(P)
+
\delta N(P).
$$

這樣系統不只偏好：

$$
\text{能完成的 theorem},
$$

也偏好：

$$
\text{能形成通用 methodology 的 theorem}.
$$

---

# 27. 通用方法論 reward

一個數學結果如果只能完成單一特製 construction：

$$
T_1,
$$

和一個能遷移到：

$$
T_1,T_2,\ldots,T_k
$$

的方法相比，研究價值不同。

因此可定義：

$$
M(P)
=
\operatorname{Transferability}(P).
$$

例如 NS C/D proof 完成後，系統應自動問：

$$
\text{Can this machinery attack A/B?}
$$

$$
\text{Can residual be internalized?}
$$

$$
\text{Can forcing be shut off before blowup?}
$$

$$
\text{Can diagonal realization become exact cancellation?}
$$

這些就是 methodology reward。

---

# 28. 為什麼「讓 AI 自己判斷」仍然不是單純要求 AI 有立場？

真正需要的不是：

> AI 一定要反對作者。

而是：

$$
\boxed{
\text{AI must own the evaluation frame}.
}
$$

也就是它可以最後判斷：

$$
\text{proof is excellent}.
$$

也可以判斷：

$$
\text{proof is narrow}.
$$

也可以同時兩者都成立。

關鍵是：

$$
\text{evaluation frame}
$$

不能完全由：

$$
\text{author claim}
$$

預先決定。

---

# 29. Surface-Semantic Acceptance

本文把一種常見 AI 行為稱為：

$$
\boxed{
\text{Surface-Semantic Acceptance}.
}
$$

流程為：

$$
\text{read explicit claim}
$$

$$
\to
\text{match formal statement}
$$

$$
\to
\text{verify local logic}
$$

$$
\to
\text{accept claim scope}.
$$

這在日常問答中非常合理。

但在前沿研究中，還需要追加：

$$
\text{reconstruct problem ontology}
$$

$$
\to
\text{search stronger hidden obligations}
$$

$$
\to
\text{compare theorem with natural problem}.
$$

否則 AI 會過度尊重：

$$
\text{given framing}.
$$

---

# 30. Search Breadth 與 Judgment Breadth

本文最重要的第二個區分是：

$$
\boxed{
\text{Search Breadth}
\neq
\text{Judgment Breadth}.
}
$$

10,000 agents 可以讓：

$$
\text{Search Breadth}
$$

極大。

但：

$$
\text{Judgment Breadth}
$$

需要：

- objective diversity；
- frame reconstruction；
- critique veto；
- stronger-problem generation；
- claim-scope audit；
- semantic-depth scoring。

這些不是靠 agent 數量自動產生。

---

# 31. 形式驗證之後還需要第二個 verifier

第一個 verifier：

$$
V_{\text{formal}}
$$

問：

$$
\Gamma\vdash T?
$$

第二個 verifier 應問：

$$
V_{\text{scope}}
$$

例如：

$$
T
\stackrel{?}{=}
\text{claimed scientific conclusion}.
$$

甚至第三個：

$$
V_{\text{process}}
$$

問：

$$
\operatorname{ProcessComplete}(\Pi)?
$$

所以 future AI mathematics 可以採：

$$
\boxed{
V_{\text{formal}}
+
V_{\text{scope}}
+
V_{\text{process}}.
}
$$

---

# 32. 多代理研究系統的建議架構

本文提出六層：

## Layer 1 — Explorers

探索大量 proof branches。

## Layer 2 — Formal Closers

把 promising branch 壓成 theorem。

## Layer 3 — Adversarial Critics

尋找 technical failure。

## Layer 4 — Scope Critics

檢查：

$$
\text{proof target}
$$

與：

$$
\text{public claim}
$$

是否一致。

## Layer 5 — Problem Reconstructors

問：

$$
\text{Is this the right problem?}
$$

## Layer 6 — Successor Researchers

完成 theorem 後自動提出：

$$
\text{stronger next theorem}.
$$

這比單純：

$$
\text{more agents}
$$

更重要。

---

# 33. Objective Alignment Audit

對任何大型 AI math project，本文建議公開：

$$
\operatorname{PrimaryObjective},
$$

$$
\operatorname{SecondaryObjectives},
$$

$$
\operatorname{BranchRankingPolicy},
$$

$$
\operatorname{CritiqueRetention},
$$

$$
\operatorname{StoppingCriterion},
$$

$$
\operatorname{StrongerProblemPolicy}.
$$

至少要知道：

> 系統是在「找到一個 formal solution 就停止」，還是會主動判斷那是不是整個 scientific problem 的終點？

---

# 34. OpenAI NS 個案的公平推論邊界

目前我們可以說：

$$
\boxed{
\text{OpenAI used massive multiagent proof search with multiple variants and cross-pollination.}
}
$$

這是官方公開事實。

我們不能說：

$$
\boxed{
\text{OpenAI internally ignored specific process-completeness objections.}
}
$$

因為沒有公開 logs 支持。

但我們可以提出：

$$
\boxed{
\text{If branch ranking prioritized formal closure, specification-minimal paths would have a structural advantage.}
}
$$

這是 architecture-level hypothesis。

本文所有 critique 都停在這個層級。

---

# 35. 一萬 AI 的真正下一步，不是十萬 AI

如果問題只是 search breadth：

$$
10^4\to10^5
$$

可能繼續有效。

但如果 bottleneck 已經變成：

$$
\text{problem judgment},
$$

那麼：

$$
10^5
$$

個共享同一 objective 的 agents 不一定解決問題。

真正需要的是：

$$
\boxed{
\text{objective topology upgrade}.
}
$$

也就是：

$$
\text{讓不同 agent 對「什麼算成功」本身持有不同可執行權限。}
$$

---

# 36. 核心命題

本文提出以下十一個核心命題。

第一：

$$
\boxed{
\text{Agent Diversity}
\neq
\text{Objective Diversity}.
}
$$

第二：

$$
\boxed{
\text{Search Breadth}
\neq
\text{Judgment Breadth}.
}
$$

第三：

$$
\boxed{
\text{Criticism Exists}
\neq
\text{Criticism Survives Selection}.
}
$$

第四：

$$
\boxed{
\text{Formal Closure Reward}
\text{ can dominate }
\text{Explanatory Depth Reward}.
}
$$

第五：

$$
\boxed{
\text{Higher Capability}
\not\Rightarrow
\text{Broader Objective}.
}
$$

第六：

$$
\boxed{
\text{Specification-Minimal Resolution}
\neq
\text{Maximally Explanatory Theory}.
}
$$

第七：

$$
\boxed{
\text{Proof Space}
\neq
\text{Frame Space}.
}
$$

第八：

$$
\boxed{
\text{Green Light}
\neq
\text{Research Closure}.
}
$$

第九：

$$
\boxed{
\text{Selector incentives can dominate worker diversity}.
}
$$

第十：

$$
\boxed{
\text{Problem reconstruction must itself be rewarded}.
}
$$

第十一：

$$
\boxed{
\text{The next generation of AI mathematics needs objective rewrite power.}
}
$$

---

# 37. 結論

OpenAI 的 Navier–Stokes project 顯示了一件非常重要的事：

$$
\boxed{
\text{Massive-agent mathematical search works at a historically significant scale.}
}
$$

約一萬個 concurrent agents、1300 億 output tokens、數百萬 messages，加上後續 Lean formalization，已經不是一般「聊天式數學」。

它是一種新的 research machinery。

但這也讓下一個問題變得更清楚：

> **當 AI 已經有能力找到「可以成立的答案」時，它是否有能力自己判斷「這是不是最值得成立的答案」？**

若系統只優化：

$$
\text{formal closure},
$$

那麼它找到 specification-minimal resolution 並不奇怪。

這甚至可能正是高能力的表現。

真正更高一層的能力是：

$$
\boxed{
\text{完成 theorem 之後，主動拒絕把 theorem 當成問題終點。}
}
$$

進一步問：

$$
\text{What remains unproved?}
$$

$$
\text{What stronger formulation should replace the benchmark?}
$$

$$
\text{Can the method generalize?}
$$

$$
\text{Did we solve the theorem, or understand the phenomenon?}
$$

當 AI 能自主執行這四個問題時，AI mathematics 才會從：

$$
\boxed{
\text{proof search}
}
$$

真正進入：

$$
\boxed{
\text{research judgment}.
}
$$

---

# 38. 系列後續

下一篇為主系列最後一篇：

## Paper 08 — 從解題 AI 到審題 AI：Autonomous Mathematical Judgment Beyond Proof Search

Paper 08 將整合前七篇，提出完整能力階梯：

$$
\text{Proof Search}
\to
\text{Proof Criticism}
\to
\text{Problem Criticism}
\to
\text{Problem Reconstruction}
\to
\text{Autonomous Research Judgment}.
$$

並回答：

$$
\boxed{
\text{什麼條件下，一個 AI 才不只是會解題，而是真正有能力審判題目？}
}
$$

---

# 參考來源

1. OpenAI, **On the Navier–Stokes Millennium Prize Problem**, 2026-09-08.  
   https://openai.com/index/navier-stokes-solution/

2. OpenAI, **GPT-6 Astra: A new generation of intelligence**, 2026.  
   https://openai.com/index/gpt-6-astra/

3. OpenAI, **GPT-6 Astra API Model Documentation**.  
   https://developers.openai.com/api/docs/models/gpt-6-astra

4. OpenAI, **NavierStokesAndEuler**.  
   https://github.com/openai/NavierStokesAndEuler