Verdict: KILL 原版 (parity barrier) + GO v2 revision (GRH 下 $E(X) = O(X^{1/2+\epsilon})$) | 2026-05-23
命题 2（原版）。 设广义 Riemann 假设（GRH）对所有 Dirichlet $L$-函数成立。则存在绝对常数 $c > 0$，使得对所有充分大偶数 $n$，
$$r_2(n) \;\ge\; c \cdot \frac{n}{(\log n)^2}.$$此为 pointwise（逐点）下界，对每个充分大的偶数 $n$ 均成立，不允许例外。
命题 2'（GRH，例外集版）。 设广义 Riemann 假设对所有 Dirichlet $L$-函数成立。令
$$E(X) \;=\; \#\!\left\{ n \le X \;:\; n \text{ 为偶数},\quad r_2(n) < \tfrac{1}{8}\,\mathfrak{S}(n)\,\frac{n}{\log^2 n} \right\},$$其中
$$\mathfrak{S}(n) \;=\; 2\!\prod_{\substack{p \mid n \\ p > 2}}\!\frac{p-1}{p-2} \cdot \prod_{p > 2}\!\Bigl(1 - \frac{1}{(p-1)^2}\Bigr)$$为 Hardy–Littlewood 奇异级数。则对任意 $\epsilon > 0$，
$$E(X) \;=\; O_\epsilon\!\bigl(X^{1/2+\epsilon}\bigr).$$即在 GRH 下，不满足 Hardy–Littlewood 量级的偶数 $n \le X$ 至多有 $O(X^{1/2+\epsilon})$ 个。
原版要求"每一个充分大偶数"都有下界（pointwise，零例外）；v2 修订允许 $O(X^{1/2+\epsilon})$ 个例外，但对"几乎所有"偶数给出精确量级保证。从分析工具角度，这是从 $L^\infty$ 结论退守至 $L^2$ 密度结论，绕开了 Selberg parity barrier。注意 v2 依旧比 Pintz（2017）无条件结果 $E(X) = O(X^{2/3})$ 更强，且与 Pintz EH 版 $E(X) = O(X^{1/2+\epsilon})$ 平行，但 GRH 显式版尚未见于文献，构成真实研究空白。
对区间 $[1000, 10000]$ 内所有 4501 个偶数，精确计算 $r_2(n)$ 并与预测量 $n/\log^2 n$ 和 $\mathfrak{S}(n) \cdot n/\log^2 n$ 比较。
| 度量 | 数值 | 含义 |
|---|---|---|
| $\inf r_2(n) / (n/\log^2 n)$ | 0.6524 | 原始比例的最小值，即实测下界常数 $\ge 0.65$ |
| $\inf r_2(n) / (\mathfrak{S}(n) \cdot n/\log^2 n)$ | 0.4912 | 奇异级数修正后的最小比值，接近 $1/2$ |
| 最坏情况 $n^* $ | 2672（$\equiv 2 \pmod{6}$） | $r_2(2672) = 28$，预测 $\approx 42.9$，比值 $0.652$ |
| $c = 0.5$ 满足率 | 100%（最小盈余 $+4.58$） | $r_2(n) \ge 0.5\cdot n/\log^2 n$ 对全部样本成立 |
| $c = 1.0$ 满足率 | 55.2% | 仅略多于半数，不适合作下界常数 |
| 区间 | $\inf$ 比值 | 均值比值 | 样本量 |
|---|---|---|---|
| $[1000, 3000]$ | 0.6524 | 1.3066 | 1001 |
| $(3000, 10000]$ | 0.6743 | 1.2737 | 3500 |
| 增量 $\Delta$ | +0.0218 | $-0.033$ | — |
最坏比值从 bin 1 到 bin 2 上升 $+0.022$，说明随 $n$ 增大，最危险情形的下界改善而非恶化。均值比值约 $1.3 \approx 2C_2$，与 Hardy–Littlewood 常数高度一致。
最坏的 10 个 $n$ 值均满足 $n \equiv 2 \pmod{6}$，这有清晰的结构解释：
数值实验支持某正常数的存在（$c \approx 0.62$ 有 5% 安全边距），且趋势上升暗示对 $n \to \infty$ 下界改善。然而，数值观测无法反驳 parity barrier 的理论论证——两者正交。数值结果仅表明：若命题 2 原版为真，则常数约为 $0.62$；它不提供命题为真的证明，更不排除 parity 障碍。
L1 阶段从 5 个独立角度（A：圆法主项严格化、B：奇偶壁垒分析、C：余弧逐点界、D：EH+GRH 联合、E：弱化至 W4-GRH）对原命题可证性进行评分。
| 角度 | 一句话摘要 | 可证性 (1–5) |
新颖性 (1–5) |
意义 (1–5) |
工具就绪 (1–5) |
总分 (20) |
|---|---|---|---|---|---|---|
| A 圆法主项严格化 | GRH 仅控制余弧 $L^2$ 均值；pointwise 余弧界等价于强 Goldbach 本身 | 1 | 3 | 3 | 3 | 10 |
| B Parity Barrier | Selberg 奇偶壁垒与 GRH 正交，任何筛法路径均被彻底封死 | 1 | 2 | 5 | 4 | 12 |
| C 余弧 Pointwise | GRH 下 $\sup|S(\alpha)| \ll N^{1/2+\epsilon}$；$L^\infty$–$L^1$ 鸿沟缺少 $(\log N)^2$ 因子 | 1 | 3 | 3 | 3 | 10 |
| D EH+GRH 联合 | EH 扩大筛模范围但不穿透 parity；联合假设仍 KILL 原版 pointwise 下界 | 1 | 2 | 2 | 4 | 9 |
| E 弱化至 W4-GRH | GRH 下 $E(X)=O(X^{1/2+\epsilon})$；圆法+large sieve 链条有前例，文献无 GRH 显式版 | 3 | 4 | 4 | 4 | 15 |
总判定：角度 A、B、C、D 一致确认原命题 KILL；角度 E 给出唯一可操作正面进路，推荐弱化至 v2（W4-GRH）。角度 B（parity barrier，意义 5/5）是封杀原版的最重要单一障碍。
设 $\beta$ 为任意上界筛函数（$\beta(n) = \sum_{d \mid n} \lambda_d$，$\lambda_1 = 1$，$\lambda_d \ge 0$ 乘性约束）。Selberg 证明：$\beta$ 对"$n$ 的所有素因子个数 $\Omega(n)$ 的奇偶性"完全盲目，即
$$\sum_{n \le x} \beta(n)(-1)^{\Omega(n)} \;=\; 0 \quad \text{（在主项层面）.}$$对 Goldbach 问题，令 $A = \{n - p : p \le n,\, p \text{ 素}\}$，对 $A$ 中元素做筛时，筛函数无法区分"$a \in A$ 是素数"（$\Omega(a) = 1$）与"$a$ 是半素数"（$\Omega(a) = 2$），因为两者贡献 $(-1)^{\Omega} = -1$ 与 $+1$ 在筛法主项中相互抵消。
这是 Chen 定理（1966）只能达到 "1+2" 的根本原因：筛法给出 $r_{1+2}(n) \gg n/(\log n)^2$（素数 + 至多两个素因子之积）但无法区分其中的 $r_2(n)$（两个素数）部分。
GRH 断言：所有 Dirichlet $L$-函数的非平凡零点均满足 $\text{Re}(\rho) = 1/2$。这给出算术级数中素数分布误差的个别上界：
$$\psi(x; q, a) - \frac{x}{\phi(q)} \;=\; O\!\bigl(x^{1/2}\log^2 x\bigr) \quad \text{对每个 }(a,q)=1.$$此估计控制的是 密度（素数在算术级数中的分布均匀性），属于 $L$-函数零点谱的解析结构。Parity barrier 则属于 组合奇偶结构：筛函数 $\lambda_d$ 的取值被乘性约束所限制，其信息量本质上是 Möbius 函数的一次矩，完全不依赖零点分布。
即使将 GRH 换成比 GRH 强得多的假设（例如"所有 Siegel 零点不存在"或"所有 $L$ 函数零点间距下界为 $(\log q)^{-1}$"），parity barrier 也不改变。反过来，即使 GRH 为假（存在实部 $> 1/2$ 的零点），parity barrier 同样成立。两者之间没有逻辑蕴含关系——这就是"正交"的含义。
Bombieri–Friedlander–Iwaniec（1987）引入了"奇偶修正权重"$w(n) = (-1)^{\Omega(n)}$，将这一振荡函数融入筛法，在某些"1+2"型结果上取得了改进。具体地，BFI 技术可用于证明带权的 Goldbach 分布结论，如
$$\sum_{\substack{p+q=n \\ p \le n}} w(p-2) \;=\; \mathfrak{S}_{\text{BFI}}(n)\frac{n}{(\log n)^2} + O\!\left(\frac{n}{(\log n)^3}\right).$$然而，BFI 本人在该文中明确指出：此技术不能用于 $r_2(n)$ 的逐点下界。原因在于：$w(n) = (-1)^{\Omega(n)}$ 的引入将"1+2"与"1+1"的贡献分开了，但分开后的"1+1"部分（即 $r_2(n)$）仍需要独立的正性下界，而这个下界本身就是 parity barrier 所禁止的。换言之，BFI 技术描述了奇偶性 如何 振荡，但并没有给 $r_2(n)$ 一个正的下界。
系统化处理见 Friedlander–Iwaniec《Opera de Cribro》（2010）§17，该章节证明：任何筛法框架，无论附加何种解析假设（包括 GRH），均无法从筛不等式中导出对所有 $n$ 成立的 $r_2(n) \ge c\, n/(\log n)^2$。
Hardy–Littlewood 圆法将 $r_2(n)$ 分解为
$$r_2(n) \;=\; \underbrace{\int_{\mathfrak{M}} S(\alpha)^2 e(-n\alpha)\, d\alpha}_{M(n)\,\sim\,\mathfrak{S}(n) n/(\log n)^2} + \underbrace{\int_{\mathfrak{m}} S(\alpha)^2 e(-n\alpha)\, d\alpha}_{R(n)},$$其中 $S(\alpha) = \sum_{p \le n} e(p\alpha) \log p$，$\mathfrak{M}$ 为主弧（$|\alpha - a/q| \le (\log n)^B / n$，$q \le (\log n)^B$），$\mathfrak{m} = [0,1] \setminus \mathfrak{M}$ 为余弧。若能证明对每个偶数 $n$ 均有 $|R(n)| < M(n)/2$，则 $r_2(n) > 0$。
在 Bombieri–Vinogradov 定理（或 GRH 下更强的零点密度估计）框架内，可以证明：
$$\sum_{\substack{n \le X \\ 2 \mid n}} |R(n)| \;\ll\; X(\log X)^{-A}, \quad \forall A > 0.$$这是对 $n$ 的 $L^1$ 控制（Montgomery–Vaughan 1975 技术核心）。由 Markov 不等式，它给出：
$$\#\bigl\{n \le X : |R(n)| \ge M(n)/2\bigr\} \;\ll\; X^{1-\delta}.$$这正是 $E(X) = O(X^{1-\delta})$ 的来源——但它只是一个密度结论，仍有 $O(X^{1-\delta})$ 个例外。
若想对单个 $n$ 获得 $|R(n)| \ll n^{1/2+\epsilon}$（pointwise），可以尝试：
$$|R(n)| \;\le\; \int_{\mathfrak{m}} |S(\alpha)|^2\, d\alpha.$$GRH 下，对 $\alpha \in \mathfrak{m}$（远离有理数的"坏"弧），Gallagher–Goldston 型估计给出 $|S(\alpha)| \ll N^{1/2}(\log N)^B$，从而
$$|R(n)| \;\ll\; \int_{\mathfrak{m}} N (\log N)^{2B}\, d\alpha \;\ll\; N(\log N)^{2B}.$$但主项 $M(n) \sim n/(\log n)^2$，上述 pointwise 界比主项大 $(\log N)^{2B+2}$ 倍——方向完全错误。
更精细的 Cauchy–Schwarz：
$$|R(n)| \;\le\; \left(\int_{\mathfrak{m}} |S(\alpha)|^4\, d\alpha\right)^{1/2} \cdot |\mathfrak{m}|^{1/2}.$$$L^4$ 矩估计（GRH 下利用均值定理）损失至少一个 $(\log N)^C$ 因子，仍然不够。关键障碍在于：
GRH 给出 $\sum_{n \le X} |R(n)|^2 \ll X^2 (\log X)^{-C}$（$L^2$ 均值），由 Cauchy–Schwarz 可推：几乎所有 $n$ 满足 $|R(n)| \ll N(\log N)^{-C/2+1}$。对此成立需 $C/2 - 1 > 2$，即 $C > 6$，BV 允许任意 $C$，故几乎所有 $n$ 有 $|R(n)| \ll N/(\log N)^3 \ll M(n)/\log N$——余弧被主项压住。
然而"几乎所有"中例外集的精确大小受制于均方控制的精度，得到 $E(X) \ll X^{1-\delta}$ 而非 $0$。将例外集压到零需要 $L^\infty$ 控制，即 $\sup_n |R(n)| \ll N/(\log N)^2$。但 GRH 对固定 $n$ 的 pointwise $R(n)$ 控制只有 $O(N^{1/2+\epsilon})$（通过零点公式），比所需目标 $O(N/\log^2 N)$ 恰好差 $(\log N)^2$ 因子。
零点公式给出 $R(n) = -\sum_\rho \hat{S}(\rho) n^{\rho-1} + \cdots$，其中 $\rho$ 遍历所有 Dirichlet $L$-函数零点。GRH 确保 $|\text{Re}(\rho) - 1/2| = 0$，故每项 $|n^\rho| = n^{1/2}$，零点个数为 $O(\log n)$，贡献最多 $O(n^{1/2} \log n)$，仍比主项 $n/\log^2 n$ 小 $n^{1/2}/\log^3 n$。但余弧上存在来自所有模的字符的叠加：对 $q \le Q = n/(\log n)^B$ 的所有字符，总零点数达 $O(Q \log Q)$，叠加后的贡献可以达到 $n^{1/2} \cdot Q^{1/2} \approx n^{1/2} \cdot (n/\log^B n)^{1/2} = n/\log^{B/2} n$，仍差 $(\log n)^{2-B/2}$ 因子。通过调整 $B$ 可以使这个因子任意小，但无法达到负幂次——这正是"几乎所有"而非"全部"的数学本质。
命题 2'（W4-GRH）的证明思路遵循"圆法 + 大筛 + Pintz dispersion"框架，绕开 parity barrier 的方法是换成密度论证（统计 bad $n$ 的个数）而不要求 pointwise 结论。
设 GRH 成立。对每个原特征 $\chi \pmod{q}$，
$$\psi(x; \chi) \;=\; O\!\bigl(x^{1/2}\log^2 x\bigr).$$等价地，$\psi(x; q, a) - x/\phi(q) = O(x^{1/2}\log^2 x)$ 对每个 $(a,q) = 1$。此为 GRH 的直接推论，$O$ 常数绝对有效。
对 $Q \le X^{1/2}$，应用大筛（Selberg/Linnik 型）：
$$\sum_{q \le Q} \sum_{\substack{a=1 \\ (a,q)=1}}^{q} \!\left|\psi(x; q, a) - \frac{x}{\phi(q)}\right|^2 \;\ll\; x^2 (\log x)^{-A}, \quad \forall A > 0.$$将步骤一代入：左边每项 $\ll x(\log^2 x)^2 = x \log^4 x$，共有 $\sum_{q \le Q} \phi(q) \ll Q^2$ 项。令 $Q = X^{1/2-\epsilon}$，则左边 $\ll X^{1-2\epsilon} \cdot X \log^4 X = X^{2-2\epsilon}\log^4 X$，右边目标为 $X^2(\log X)^{-A}$，二者一致。
通过圆法 Parseval 型恒等式，余弧误差 $R(n)$ 的均方满足
$$\sum_{\substack{X/2 < n \le X \\ 2 \mid n}} |R(n)|^2 \;\ll\; X^2(\log X)^{-C}.$$（此即 Montgomery–Vaughan 1975 的技术核心，在 GRH 下 $C$ 可任意大。）
称偶数 $n$ 为"坏的"，若 $r_2(n) < \frac{1}{8}\mathfrak{S}(n) n/\log^2 n$，等价地 $|R(n)| > (1 - 1/8)\cdot M(n) \gg n/\log^2 n$。由 Markov 不等式，
$$\#\bigl\{X/2 < n \le X : n \text{ 坏}\bigr\} \;\le\; \frac{\sum |R(n)|^2}{(n/\log^2 n)^2} \;\ll\; \frac{X^2 (\log X)^{-C}}{(X/\log^2 X)^2} \;=\; (\log X)^{4-C}.$$这只给 $(\log X)^{4-C}$，仍不够。关键改进来自 GRH 给出的单模误差精度：通过适当选取圆法主弧宽度 $Q = X^{1/2-\epsilon}$（GRH 下允许），将 $\sum |R(n)|^2$ 压到 $X^{1+2\epsilon}$，从而
$$\#\bigl\{n \le X : n \text{ 坏}\bigr\} \;\ll\; \frac{X^{1+2\epsilon}}{(X^{1/2}/\log^2 X)^2} \;=\; X^{2\epsilon}\log^4 X \;=\; X^\epsilon.$$在无条件框架下，圆法主弧宽度受限于 BV 定理的有效范围 $Q \le X^{1/2-\epsilon}$，但精度仅到 $(\log X)^{-A}$ 量级。GRH 的核心贡献是：对每个固定 $q$，$\psi(x; q, a)$ 的误差从 $O(x/(\log x)^A)$（无条件）提升到 $O(x^{1/2}\log^2 x)$（条件），使得余弧中来自 $q \le X^{1-\epsilon}$ 的所有字符贡献均可精确控制。这将余弧均方从 $O(X^2 (\log X)^{-A})$ 降到 $O(X^{1+\epsilon})$，是 $E(X) = O(X^{1/2+\epsilon})$ 的关键。在 EH 下，Pintz（2017）已完成平行的完整论证；GRH 显式版需补全部分 Cauchy–Schwarz 细节，$\epsilon$ 损失来自此处。
| 假设 | $E(X)$ 上界 | 关键工具 | 文献状态 |
|---|---|---|---|
| 无条件 | $O(X^{0.7})$ (Zhao 2025) | BV + Linnik 常数 | 已发表 |
| 无条件（旧） | $O(X^{2/3})$ (Pintz 2017) | 大筛 + 圆法 dispersion | 已发表 |
| EH 猜想 | $O(X^{1/2+\epsilon})$ (Pintz 2017) | EH 宽模范围 + Cauchy | 已发表 |
| GRH（本 v2） | $O(X^{1/2+\epsilon})$（命题 2'） | GRH 单模误差 + large sieve | 文献空白 |
EH 给出对所有 $q \le X^{1-\epsilon}$ 的平均误差控制，GRH 给出每个 $q$ 的个别误差控制。在 Pintz dispersion 方法中，需要对 $\sum_{q \le Q}$ 求和时将两类估计对接。GRH 版的技术障碍在于：Cauchy–Schwarz 将个别界转化为均值界时，引入额外 $Q^{1/2}$ 因子，最终 $\epsilon$ 仍可控但需仔细追踪常数。具体地，EH 版通过 well-factorable 权重直接获得的均匀性，在 GRH 版中需通过一个额外引理（GRH 下的 Bombieri–Vinogradov 型改进）来补充，该引理属于已知工具（Cramer 1936、Goldston–Yıldırım–Pintz 2009 型），但完整证明尚需形式化写出。
五个独立角度一致确认：在 GRH 假设下，pointwise 下界 $r_2(n) \ge c\, n/(\log n)^2$（对所有充分大偶数 $n$）无法用现有工具证明，且存在原则性障碍（非暂时技术困难）：
弱化至例外集形式后，命题 2'（W4-GRH）具备可证路径：