网易首页 > 网易号 > 正文 申请入驻

超越IMO金牌?谷歌创超难FirstProof数学挑战新纪录

0
分享至

编辑|冷猫


去年 7 月的 IMO 数学奥林匹克竞赛中,两大人工智能公司抢夺竞赛「金牌」成绩的闹剧搞得沸沸扬扬。

当时 OpenAI 和 谷歌 同时声称取得竞赛金牌,而 OpenAI 因绕过官方竞赛规则提前官宣,遭到广泛吐槽;谷歌 DeepMind 的 Gemini 进阶模型成为首个获得奥赛组委会官方认定为金牌的 AI 系统。

竞赛与真正的数学研究之间,仍然存在一道明显的分界线。

在此之后,AI 智能体飞速发展,解决数学问题的能力不再仅依靠模型的推理能力。AI 智能体已经可以开始自己做数学,不只是解题,更能够进行数学研究,而且研究的还是顶尖数学家都要挠头的问题,这意味着什么?

近日,来自谷歌 DeepMind ,由 Gemini 3 Deep Think 驱动的最新数学研究智能体 Aletheia 在首届 FirstProof 挑战中,自主解决了 10 道高难度研究问题中的 6 道,成为创下了该数学挑战赛的最佳纪录。

曾带队实现 AI IMO 金牌成绩的 DeepMind 超人类推理方向负责人 Thang Luong 表示,这一成果的分量超过去年 AI 在 IMO 测试中获得金牌的表现。

相关论文《Aletheia tackles FirstProof autonomously》已发布在 arXiv,并且团队在 Github 上公开了解决 FirstProof 问题的提示词与输出结果。

  • 论文标题:Aletheia tackles FirstProof autonomously
  • 论文链接:https://arxiv.org/pdf/2602.21201
  • 提示词与输出结果:https://github.com/google-deepmind/superhuman/tree/main/aletheia

FirstProof:把 AI 放进真实的数学研究现场

FirstProof 是一项专门为评估 AI 数学研究能力而设计的实验性挑战。项目由多位活跃在不同数学分支的一线研究者发起,题目全部来自真实科研过程中的命题,被提出作为评估当前人工智能能力的测试。

这些问题在挑战启动前从未公开证明,组织方提前将标准证明加密保存,以尽量排除训练数据泄露的可能。最终提交的答案,需要由领域专家人工审阅,判断其逻辑严密性与学术可接受度。评价标准接近论文审稿,而非自动判分。

这种设计刻意提高了门槛。它测试的,是 AI 在陌生问题上进行长期推理与结构构造的能力。换句话说,FirstProof 关心的,是系统是否具备参与数学研究的潜力。

这些问题于 2026 年 2 月 5 日发布,并设定了截止时间为太平洋时间 2026 年 2 月 13 日晚上 11:59 ,解决方法在截止后在互联网上发布。

这项评估本身极其困难,能够真正理解这些问题的专家屈指可数。关键的一点是:Aletheia 的所有解答均在没有任何人工干预的情况下生成,并且在 FirstProof 挑战规定的时间范围内提交。

研究团队执行整体流程

FirstProof 的第一作者确认了这一事实:

研究团队运行了两个版本的 Aletheia(两者仅在底层基础模型上有所不同),它们都由 Gemini DeepThink 提供支持。综合多数专家评审意见,这两个系统共同解决了 10 道题中的 6 道(第 2、5、7、8、9、10 题)。我们注意到,专家们对第 8 题的评估并不完全一致。

Aletheia 在 FirstProof 上的性能总结。专家评估列显示了在咨询的总专家人数中,有多少专家将解决方案评为正确。仅在 P8 上的评估不是一致的。

Aletheia 的「解题分析」

两个智能体在同样的 FirstProof 十个问题的执行结果如下所示:

在 FirstProof 的 10 道问题中,Aletheia 为其中 6 道题(P2、P5、P7、P8、P9、P10)生成了候选解答。在「best-of-2」的评估设置下,根据多数专家的评审意见,这 6 道题都被认定为在该解释框架下已正确解决。

Aletheia A 与 Aletheia B 针对相同的六道题目都生成了候选解答。单独来看,每个智能体都至少出现过一次「假阳性」(false positive),但在 best-of-2 的评估机制下,它们共同为六道题目都提供了可信的解答。这一结果相比 2025 年 12 月用于解决 Erdős 问题的 Aletheia 版本,在准确率上有明显提升。

不过,P8 的评估并非一致通过 ——7 位专家中有 5 位给出了「Correct」的评价。对于另外 4 道题(P1、P3、P4、P6),两个智能体都没有给出解答:要么明确输出「No solution found」(未找到解答),要么在时间限制内没有返回任何结果。

研究团队认为,Aletheia 具备一种「自我筛选」机制,这也是 Aletheia 的关键设计原则之一。

在将 AI 扩展为数学研究助手的过程中,可靠性才是首要瓶颈。如果智能体给出错误的「幻觉」答案,会极度浪费人类专家用于验证结果的时间与精力,与提高研究效率和自动化的目标背道而驰。

此外,解决问题的推理成本也是非常重要的指标。

在图中展示了每个候选解的推理成本,并将其表示为相对于 Erdős-1051 解答推理成本的倍数。不难发现,Aletheia 在所有问题上,推理成本都高于 Erdős-1051。

尤其是 P7,其推理成本比此前观察到的规模高出一个数量级。研究者称,这一方面是因为 Generator 子智能体在生成候选解时消耗了大量计算资源,另一方面是因为需要更多轮交互才能通过 Verifier 子智能体的验证。

总结


数学研究包含多个环节:提出问题、建立框架、寻找关键结构、完成证明。当前系统显然还无法全面承担所有角色,但它已经开始在证明与验证环节发挥作用。

未来的研究场景或许会发生变化。人类研究者提出方向与核心思想,AI 负责高强度的路径搜索与形式化验证,再由人类进行理论整合与升华。这种协作模式,正在逐渐成形。

数学长期以来被视为人类理性能力的高地。如今,AI 正在这里取得实质性突破。当机器开始稳定地完成研究级证明,我们或许需要重新思考一个问题:

在未来的数学论文作者名单中,AI 会以什么身份出现?

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
澳洲地产大亨之子重病赴华求治,老中医开口一句令男子彻底傻眼

澳洲地产大亨之子重病赴华求治,老中医开口一句令男子彻底傻眼

红豆讲堂
2025-10-14 09:30:03
法国网民破防了:我们在自己的课本里错过了本国的英雄,却在中国课堂上听到了他们的名字,这才意识到自己生活在一个多么糟糕的国家

法国网民破防了:我们在自己的课本里错过了本国的英雄,却在中国课堂上听到了他们的名字,这才意识到自己生活在一个多么糟糕的国家

人生录
2026-11-10 00:05:10
涉副区长等多人,佛山顺德公布10月人事任免信息

涉副区长等多人,佛山顺德公布10月人事任免信息

南方都市报
2026-11-19 18:11:22
悲催!网络流传亲子聊天记录,女孩给父亲发送“借你十年寿换个新手机”,网友怒斥:棍棒底下出孝子

悲催!网络流传亲子聊天记录,女孩给父亲发送“借你十年寿换个新手机”,网友怒斥:棍棒底下出孝子

火山詩话
2026-11-08 06:53:50
贝加尔湖的存在,完全打破了人类对湖泊的常规印象。首先最逆天的是它的深度,最大水深1637米,能淹没两座哈利法塔

贝加尔湖的存在,完全打破了人类对湖泊的常规印象。首先最逆天的是它的深度,最大水深1637米,能淹没两座哈利法塔

扶苏聊历史
2026-11-16 17:44:56
香港知名男星父亲突然中风住院,医药费数十万,曾住加护病房

香港知名男星父亲突然中风住院,医药费数十万,曾住加护病房

青杉依旧啊啊
2026-11-19 04:10:39
TVB准一姐甜认吴卓羲正在追求自己!预告台庆颁奖礼将会再见到家长

TVB准一姐甜认吴卓羲正在追求自己!预告台庆颁奖礼将会再见到家长

TVB资讯台
2026-11-19 02:35:58
龙珠,众多明星谁最适合真人版贝吉塔?这发型太难驾驭了

龙珠,众多明星谁最适合真人版贝吉塔?这发型太难驾驭了

动漫心世界
2026-11-11 15:18:22
央媒发文,官宣曹德旺新身份,移民美国转走资产跑路传闻早有真相

央媒发文,官宣曹德旺新身份,移民美国转走资产跑路传闻早有真相

拾玖Talk
2026-11-19 19:11:01
台积电创办人张忠谋:如果限制中国大陆,中国大陆真的没办法反制

台积电创办人张忠谋:如果限制中国大陆,中国大陆真的没办法反制

爱史纪
2026-11-08 03:00:43
马化腾:腾讯正在面临生死存亡

马化腾:腾讯正在面临生死存亡

科技头版Pro
2026-11-18 14:21:08
蒋介石最大的决策失误:错杀瞿秋白,让国民党失去了最后的人心

蒋介石最大的决策失误:错杀瞿秋白,让国民党失去了最后的人心

宅家伍菇凉
2025-11-19 09:30:03
中俄美元首首次面对面会晤 现场记者有多拼?

中俄美元首首次面对面会晤 现场记者有多拼?

看看新闻Knews
2026-11-19 20:06:11
1年的活3天干完,Claude大幅压缩AMD芯片适配周期,英伟达CUDA护城河遭遇挑战

1年的活3天干完,Claude大幅压缩AMD芯片适配周期,英伟达CUDA护城河遭遇挑战

DeepTech深科技
2026-11-17 21:56:14
俄阵亡士兵母亲公开控诉,无头遗体、抚恤金难寻,誓死护住幼子

俄阵亡士兵母亲公开控诉,无头遗体、抚恤金难寻,誓死护住幼子

老马拉车莫少装
2026-08-25 18:51:45
红旗新车官宣:11月27日,正式上市

红旗新车官宣:11月27日,正式上市

科技堡垒
2026-11-19 08:00:44
17分逆转!约基奇24+8+9,赛后塔图姆转身走向通道,约基奇一把抱住怀特

17分逆转!约基奇24+8+9,赛后塔图姆转身走向通道,约基奇一把抱住怀特

担酒
2026-11-19 13:19:37
橄榄油怎么榨出来的?橄榄油并非来自橄榄,如今中国也能造

橄榄油怎么榨出来的?橄榄油并非来自橄榄,如今中国也能造

抽象派大师
2026-11-19 02:13:02
中俄美元首将举行三方会晤,有分析称这场元首会晤的影响可能涉及台湾、乌克兰等,国台办:台湾问题纯属中国内政,与乌克兰问题有本质差别

中俄美元首将举行三方会晤,有分析称这场元首会晤的影响可能涉及台湾、乌克兰等,国台办:台湾问题纯属中国内政,与乌克兰问题有本质差别

政知新媒体
2026-11-18 12:27:20
有没有人留意到?燃油车加 200 块钱的油,差不多能跑 400 公里,而纯电车花 200 元电费,或许能跑 2000 公里

有没有人留意到?燃油车加 200 块钱的油,差不多能跑 400 公里,而纯电车花 200 元电费,或许能跑 2000 公里

扶苏聊历史
2026-09-28 18:26:28
2026-11-19 20:36:49
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14515文章数 142761关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

教育
时尚
旅游
家居
军事航空

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

秋天衣服别总穿纯色,试试这几件条纹单品,简单时尚又减龄

旅游要闻

青岛冬日赏鸥地图|沿着海岸线,赴一场海鸥之约

家居要闻

2026建博会(广州) 公装联探展交流活动

军事要闻

美军在中东再成三航母之势

无障碍浏览 进入关怀版