超越IMO金牌？谷歌创超难FirstProof数学挑战新纪录

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？