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
为纪念谷超豪先生百年诞辰，5月10日将在上海科技馆举办专题科普讲座。李大潜院士将回顾谷超豪从数学少年成长为学科开拓者的历程，展现其科学精神传承。沈维孝院士则以多项式求根为例，引领听众领略数学的深邃与精巧。这是一次与顶尖学者对话、感受数学魅力的难得机会。
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)
热门专题
热门推荐
领克首款GT概念跑车亮相北京车展，由中欧团队联合打造。新车采用经典GT比例与低趴宽体设计，配备液态金属蓝涂装与2+2座舱，设有高性能模式按键可激活空气动力学套件。车辆采用后驱布局与AI智能运动控制系统，百公里加速约2秒，设计融合瑞典极简美学并参考全球用户反馈。
英伟达推出12GB显存版RTX5070移动GPU，与8GB版同步上市。两者均基于Blackwell架构，核心规格相同，仅显存容量不同。此举旨在缓解GDDR7芯片供应压力，为OEM提供灵活配置，加速笔记本产品布局，更大显存可更好满足游戏与AI应用需求。
微星将于5月15日推出两款26 5英寸雾面WOLED显示器MAG276QRY28和276QRDY54，售价分别为2499元和6299元。均采用第四代WOLED面板，具备QHD分辨率、VESADisplayHDRTrueBlack500认证、1500尼特峰值亮度及99 5%DCI-P3色域覆盖。276QRY28刷新率为280Hz，高阶款276QRDY54支持4
中芯国际2026年第一季度营收176 17亿元，同比增长8 1%；净利润13 61亿元，同比增长0 4%。公司预计第二季度收入环比增长14%至16%，毛利率指引上调至20%至22%。这反映出公司在行业复苏中展现出财务韧性，并通过运营优化增强了短期增长势头。
手机修图、相机降噪、视频去雾……这些我们日常使用的图像处理功能，其背后都离不开人工智能（AI）技术的驱动。通常，AI模型的训练逻辑是：向模型展示大量“低质图像”与“优质图像”的配对数据，让它学习如何将前者转化为后者。然而，天津大学计算机视觉团队近期发表的一项研究（arXiv:2604 08172）揭