顶级AI撞上低级乌龙：连写几十页推导，结果发现题干错了？

新智元报道

编辑：倾倾

【新智元导读】Google DeepMind再次血洗数学圈！700个地狱级难题被丢进Gemini的熔炉，结果让数学家集体破防：这哪是证明，这分明是「逻辑拆迁」。DeepMind这一波不仅贴脸爆杀了OpenAI，还砸烂了人类所有的优越感。

几百美金的悬赏，跨越半个世纪的死局。

20世纪最伟大的「题目魔术师」保罗·埃尔德什（PaulErdős）生前留下了几百个悬赏令，金额从50刀涨到5000刀。

50年里，无数数学天才熬秃了头，也没能拿走一分钱。

结果，Google DeepMind带着名为Aletheia（真理女神）的怪兽进场了。

上线仅7天，13道难题应声而碎。

论文链接：https://arxiv.org/abs/2601.22401

但最扎心的真相是：AI并不是比你更聪明，它只是比你更懂「洗稿」。

13/700的真相：AI真的在加速科学吗？

「AI攻克百年数学难题」看起来很像爽文标题，听听就行，别被带了节奏。

数学这行只看硬指标。DeepMind这次祭出的Aletheia，底色根本不是什么「天才数学家」，而是一个冷酷的「顶级逻辑洗煤厂」

这套逻辑极其残酷，带着一股子硅谷大厂KPI导向的血腥味：

初始的流量层里，装着700个埃尔德什猜想。

随后，Gemini开启Deep Think模式，像不要钱一样大规模灌入算力，得出200个候选方案。

然后，这200个候选人经过自然语言验证器，剔除逻辑不通的部分，最后只剩下63个。

最后，经过专家级别的数学推演，得到13个真正具有数学原创意义的答案。

成功证明问题：Erdős problem#1051

700个问题里只解答出13个，转化率还不到2%。

其中，最具代表性的是对「Erdős-1051」猜想中关于无理数分布的证明。

听着很牛X，但DeepMind自己也承认，剩下的68.5%都是学术垃圾。

有些AI给出的证明过程长达几百页，读起来像是东拼西凑的论文。

在整个过程中，Aletheia像一个「自动审稿员」。Gemini负责狂暴输出，而验证器负责冷酷拒绝。

Gemini DeepThink处理数学猜想具体过程：https://www.youtube.com/watch?v=Nmv4YxpbhU8

更讽刺的是，人类数学家复核后发现，这13个所谓的「突破」，很大一部分属于数学界的「低垂果实」——太繁琐所以没人想做。

一位参与评审的组合数学专家曾私下感叹：

AI目前的强项不是创造，而是清扫。

只要算力管够，这种靠暴力逻辑搜集、整理、强行出结果的路径，AI基本无敌。

潜意识剽窃：AI数学家的「洗稿」艺术

在这次DeepMind的成果展示中，出现了一个让学术界集体炸锅的新名词：潜意识剽窃。

简单说，就是AI利用自己几乎无限的硬盘，从某个犄角旮旯翻出一篇冷门论文，然后用现代的逻辑语言把它重新包装了一遍。

最典型的翻车现场是关于Erdős-1089猜想的证明。

当时Aletheia给出了一个极其精妙的推导，精妙到连几个顶尖数学家都差点想给它颁奖。

但随后，有人在数据库的深层挖掘中发现，这个所谓的「原创灵感」，与1981年一篇东欧冷门数学期刊上的论文高度重合。

这就是AI作为一个「黑盒」最让人绝望的本能。

对AI来说，它并没有原创和抄袭的概念。它只是在概率的指引下，把权重最高的Token组合在一起。

AI记住了所有你忘了的东西。当它从千亿级参数中提取出那个冷门关联时，它自己都不知道是在致敬还是在白嫖。

GoogleDeepMind-Aletheia项目详情，在此页面可以找到更多具体输出案例：https://github.com/google-deepmind/superhuman

只要喂的数据够多，AI就能通过变换符号系统、调整推导步长，把一篇旧论文洗得像刚出炉的SCI。

菲尔兹奖得主陶哲轩一语道破：

AI并不是在做数学，它是在对人类过往的智慧进行大规模的归纳整合。

细思极恐。如果连数学这种硬核真理领域，AI都能靠「洗稿」蒙混过关，那我们写的行业报告、架构方案、市场分析，在它眼里算什么？

大师也翻车：被诅咒的Erdős-75号

接下来这个「Erdős-75号灵异事件」，暴露出AI的智商硬伤。

这道题在数学圈臭名昭著，因为它被「诅咒」了。

1995年，埃尔德什在写下这个猜想时，犯了一个低级逻辑错误，这道题题干就是错的，是个伪命题。

魔幻的一幕发生了：Aletheia接手后，不仅没发现题目有问题，反而凭借其狂暴的算力和自我博弈机制，硬生生地输出了一份长达几十页、逻辑闭环的「完美证明」。

这种「逻辑狂奔」暴露了当前AI的致命缺陷：

首先，AI缺乏审美与常识。它只会在符号框架内找最优解，却根本分不清这个框架本身是不是一张废纸。

其次，奖励函数具有盲目性。AI的目标是让验证器闭嘴。只要推导过程符合规则，结论哪怕再荒谬，它也敢一路狂飙到底。

最后发现Bug的，还得是那帮数学家。他们翻出1995年的手稿，一行行对完后得出结论：「这题出错了，AI证的是个寂寞。」

而这一点，恰恰是我们和AI竞争时的最后防线。AI能在几毫秒内跑完几千公里的逻辑马拉松，但它不知道终点线是不是画在悬崖外面。

DeepMind贴脸开大：OpenAI的「数学公关战」破产题

前阵子，OpenAI靠着o1在数学AIME考试里刷屏，宣称AI已经有了类似人类的「慢思考」能力。

但在DeepMind看来，那顶多算是一场极其成功的文献开盒。

为了打脸OpenAI，Google专门在Aletheia的输出分类里设立了一个很损的标签：「已知文献关联」。

它明摆着在讽刺OpenAI：你以为你解决了问题，其实你只是从训练集里翻出了标准答案。

而DeepMind表示，我不仅能证出来，我还能告诉你哪些是人类证过的、哪些是我洗稿洗出来的、哪些才是真正的原创。

这场「数学公关战」撕开了大厂竞争的遮羞布。

OpenAI的数学能力很大程度上依赖于「题海战术」，一旦遇到训练集之外的真命题就容易抓瞎。

而DeepMind走的是「AlphaGo路线」——自我博弈+形式化验证（Lean），宁可转化率只有2%，也要确保这13个成果是硬通货。

DeepMind官方技术文档：Aletheia用于数学的自我对弈与形式化证明

数学界的「扫地僧」陶哲轩一直关注着这场博弈。

他在自己的他在博客里含蓄地表示：相比于追求「看起来正确」的概率模型，他更看好那种能生成「可由计算机验证证明」的系统。

这等于是给DeepMind站了台。

瓶颈位移：从「解题机器」到「审美法官」

折腾了半天，这场13/700的战役到底告诉了我们什么？

是——数学发现的瓶颈，正在从「解题能力」位移到「价值判定」。

这种范式转移，预示了未来所有硬核从业者的两种求生路径：

一种是从「操作员」变成「审美法官」。

既然AI能以极低成本生成海量逻辑证明，人类的价值就不再是去复核每一个符号，而是运用直觉和审美，去判断哪个方向才有真正的科学突破。

另一种形态是逻辑审计员。

面对潜意识剽窃和大师Bug，人类需要利用对历史的精通，去甄别AI到底是真天才，还是个洗稿高手。

AI能在几毫秒内重走完人类几千年的逻辑之路，但它依然读不懂人类在深夜推演失败时，那份撕掉草稿纸的无奈。

逻辑可以代工，但灵魂和审美，AI暂时还没学会怎么洗。

参考资料：

https://x.com/quocleix/status/2018402933193539735?s=20

https://arxiv.org/abs/2601.22401