谷歌FirstProof数学挑战新纪录：超越IMO金牌难度
编辑｜冷猫
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
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 因绕过最新竞赛规则提前官宣，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最新认定为金牌的 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？
相关攻略
当我们开车在高速公路上行驶时，最怕遇到的就是车子突然失控，方向盘变得异常敏感，稍微一动就可能冲出车道。这种情况在人工智能的训练过程中也经常发生，特别是在训练那些能够进行推理和对话的大型语言模型时。来
这项由威斯康星大学麦迪逊分校研究团队完成的突破性研究，发表于2026年3月的《机器学习》期刊，论文编号为arXiv:2603 20538v1。有兴趣深入了解的读者可以通过该编号查询完整论文。这项研究
这项由高通AI研究院领导的突破性研究发表于2026年3月的预印本论文，论文编号为arXiv:2603 08462v1。有兴趣深入了解的读者可以通过该编号查询完整论文。这项研究解决了一个让所有AI研究
3月31日消息，近日，比利时布鲁塞尔自由大学（VUB）数据分析实验室发布重磅研究成果，证实商用大型语言模型已具备独立生成原创数学证明的能力。OpenAI旗下ChatGPT-5 2(Thinking)
这项由中科院计算技术研究所智能信息处理实验室和AI安全重点实验室联合开展的研究，发表于2026年3月的arXiv预印本平台（论文编号：arXiv:2603 17512v1），为解决大型语言模型的多语
热门专题
热门推荐
一位传奇制作人的“最后一舞” 今天，游戏界一位耕耘了四十载的老兵，彼得·莫利纽兹，在社交平台上揭晓了他的“收官之作”——《阿尔比恩之主》。 争议与影响力并存的设计师 彼得·莫利纽兹这个名字，在英国乃至全球游戏史上，都意味着创新与争议的交织。他无疑是业界最具话题性、同时也最具影响力的设计师之一。 故事
《识质存在》多平台画面对比：Switch 2的“巧劲”与“妥协” 抽5套《识质存在》steam激活码+北通鲲鹏70旗舰手柄 一场跨越平台的视觉较量 最近，油管上那个以“数毛”闻名的游戏测评频道ElAnalistaDeBits，发布了一则备受关注的对比视频。主角是谁？正是卡普空的新作《识质存在》。视频
当埃隆·马斯克敲下“Doge” 你猜怎么着？有时候，撬动数十亿美元市值，只需要一个简单的单词或表情包。当埃隆·马斯克在推特上敲出“Doge”或者发布那只柴犬的魔性表情时，一场围绕狗狗币的狂欢或震荡，往往就此拉开序幕。这个最初源于网络玩笑的加密货币，早已找到了它最重量级的“代言人”。马斯克的影响力，在
《识质存在》好评如潮，配音阵容引关注 卡普空的新作《识质存在》最近正式发售了。市场反响相当热烈，目前本作在Steam平台上的总体好评率高达97%，开局堪称惊艳。 游戏热度之下，配音演员们也纷纷加入庆祝行列。男主角“休”的配音演员发文庆贺时，特别提到了为游戏中可爱角色“戴安娜”配音的演员——Grace
从青涩玩家到经典反派：祖国人扮演者的形象蜕变 最近，社交媒体上流传的一段视频挺有意思。那是祖国人扮演者早年拍摄的一则Playstation广告，画面里的他一脸青涩，和如今那个深入人心的经典反派形象，简直判若两人。这种强烈的对比，恰恰印证了一个事实：祖国人这个角色，已经被大众公认为影视史上最具代表性的