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
海信E7S Pro RGB-Mini LED电视发布：4K 180Hz玲珑真彩背光屏，政企双补价6999元起 3月10日，海信正式推出了E7S Pro RGB-Mini LED电视。这款新品最引人注目的亮点，无疑是它那极具竞争力的“政企双补价”——起售价定在了6999元。 核心画质：玲珑真彩背光屏与
用docker来安装openclaw 前言 最近OpenClaw的热度确实居高不下，但它本质上仍是一个处于高速成长期的系统，远未到“成熟稳定”的阶段。这不奇怪，看看开源代码库，一天一个Release算是常态，频繁且快速的迭代正是它活力的体现。 随之而来的，自然是各种意料之外的Bug、与第三方插件的兼
加密货币世界正在产生比以往任何时候都都多的数据。面对数百条区块链、数千种代币以及源源不断涌现的新型去中心化应用，驾驭这一复杂格局对于投资者、开发者和分析师而言都极具挑战性。可靠、实时的区块链数据对于做出明智的决策和驱动下一代加密产品至关重要。 这正是 Chainbase (C) 试图解决的难题。这个
15岁学生花8684元网购苹果iPhone 16，激活日期竟显示1978年 最近一起网购纠纷，听起来有点魔幻。一位15岁的初二学生，攒钱买了台新款iPhone，激活后一看购买日期，居然是1978年。这到底是怎么回事？背后又藏着一个怎样的消费陷阱？ 事情发生在江苏苏州。初二学生小金（化名）向媒体反映了
听劝：微软将停止向 Teams 用户自动发送“会议录制过期提醒”邮件 3月11日，微软公布了一项“听劝”的政策调整：将取消默认通过邮件自动发送 Teams 会议录制过期提醒。这意味着，自6月1日起，当会议录制内容即将被永久删除时，多数用户的收件箱将能保持清净，不会再收到系统发来的提醒邮件。 这一调整