编辑｜冷猫
去年黑龙江寒地生物科技有限公司 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」效果的闹剧搞得沸沸扬扬 。。 。。。。。
其时 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，，，，，，遭到普遍吐槽；； ；；；；谷歌 DeepMind 的 Gemini 进阶模子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，，，，，，仍然保存一道显着的分界线 。。 。。。。。
在此之后，，，，，，AI 智能体飞速生长，，，，，，解决数学问题的能力不再仅依赖模子的推理能力 。。 。。。。。AI 智能体已经可以最先自己做数学，，，，，，不但是解题，，，，，，更能够举行数学研究，，，，，，并且研究的照旧顶尖数学家都要挠头的问题，，，，，，这意味着什么？？？？？？
克日，，，，，，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 金牌效果的 DeepMind 超人类推理偏向认真人 Thang Luong 体现，，，，，，这一效果的分量凌驾去年 AI 在 IMO 测试中获得金牌的体现 。。 。。。。。
相关论文《Aletheia tackles FirstProof autonomously》已宣布在 arXiv，，，，，，并且团队在 Github 上果真相识决 FirstProof 问题的提醒词与输出效果 。。 。。。。。
论文问题：Aletheia tackles FirstProof autonomously论文链接：https://arxiv.org/pdf/2602.21201提醒词与输出效果：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 。。 。。。。。项目由多位活跃在差别数学分支的一线研究者提倡，，，，，，问题所有来自真实科研历程中的命题，，，，，，被提出作为评估目今人工智能能力的测试 。。 。。。。。
这些问题在挑战启动前从未果真证实，，，，，，组织方提前将标准证实加密生涯，，，，，，以只管扫除训练数据泄露的可能 。。 。。。。。最终提交的谜底，，，，，，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 。。 。。。。。评价标准靠近论文审稿，，，，，，而非自动判分 。。 。。。。。
这种设计刻意提高了门槛 。。 。。。。。它测试的，，，，，，是 AI 在生疏问题上举行恒久推理与结构结构的能力 。。 。。。。。�； ；；；；痪浠八担�，，，，，FirstProof 体贴的，，，，，，是系统是否具备加入数学研究的潜力 。。 。。。。。
这些问题于 2026 年 2 月 5 日宣布，，，，，，并设定了阻止时间为太平洋时间 2026 年 2 月 13 日晚上 11:59 ，，，，，，解决要领在阻止后在互联网上宣布 。。 。。。。。
这项评估自己极其难题，，，，，，能够真正明确这些问题的专家屈指可数 。。 。。。。。要害的一点是：Aletheia 的所有解答均在没有任何人工干预的情形下天生，，，，，，并且在 FirstProof 挑战划定的时间规模内提交 。。 。。。。。
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子上有所差别），，，，，，它们都由 Gemini DeepThink 提供支持 。。 。。。。。综合大都专家评审意见，，，，，，这两个系统配合解决了 10 道题中的 6 道（第 2、5、7、8、9、10 题） 。。 。。。。。我们注重到，，，，，，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，，，，，，有几多专家将解决计划评为准确 。。 。。。。。仅在 P8 上的评估不是一致的 。。 。。。。。
Aletheia 的「解题剖析」
两个智能体在同样的 FirstProof 十个问题的执行效果如下所示：
在 FirstProof 的 10 道问题中，，，，，，Aletheia 为其中 6 道题（P2、P5、P7、P8、P9、P10）天生了候选解答 。。 。。。。。在「best-of-2」的评估设置下，，，，，，凭证大都专家的评审意见，，，，，，这 6 道题都被认定为在该诠释框架下已准确解决 。。 。。。。。
Aletheia A 与 Aletheia B 针对相同的六道问题都天生了候选解答 。。 。。。。。单独来看，，，，，，每个智能体都至少泛起过一次「假阳性」（false positive），，，，，，但在 best-of-2 的评估机制下，，，，，，它们配合为六道问题都提供了可信的解答 。。 。。。。。这一效果相比 2025 年 12 月用于解决 Erd?s 问题的 Aletheia 版本，，，，，，在准确率上有显着提升 。。 。。。。。
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 。。 。。。。。关于另外 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效果 。。 。。。。。
研究团队以为，，，，，，Aletheia 具备一种「自我筛选」机制，，，，，，这也是 Aletheia 的要害设计原则之一 。。 。。。。。
在将 AI 扩展为数学研究助手的历程中，，，，，，可靠性才是主要瓶颈 。。 。。。。。若是智能体给蜕化误的「幻觉」谜底，，，，，，会极端铺张人类专家用于验证效果的时间与精神，，，，，，与提高研究效率和自动化的目的南辕北辙 。。 。。。。。
别的，，，，，，解决问题的推理本钱也是很是主要的指标 。。 。。。。。
在图中展示了每个候选解的推理本钱，，，，，，并将其体现为相关于 Erd?s-1051 解答推理本钱的倍数 。。 。。。。。不难发明，，，，，，Aletheia 在所有问题上，，，，，，推理本钱都高于 Erd?s-1051 。。 。。。。。
尤其是 P7，，，，，，其推理本钱比此前视察到的规模横跨一个数目级 。。 。。。。。研究者称，，，，，，这一方面是由于 Generator 子智能体在天生候选解时消耗了大宗盘算资源，，，，，，另一方面是由于需要更多轮交互才华通过 Verifier 子智能体的验证 。。 。。。。。
总结
数学研究包括多个环节：提出问题、建设框架、寻找要害结构、完成证实 。。 。。。。。目今系统显然还无法周全肩负所有角色，，，，，，但它已经最先在证实与验证环节施展作用 。。 。。。。。
未来的研究场景或许会爆发转变 。。 。。。。。人类研究者提出偏向与焦点头脑，，，，，，AI 认真高强度的路径搜索与形式化验证，，，，，，再由人类举行理论整合与升华 。。 。。。。。这种协作模式，，，，，，正在逐渐成形 。。 。。。。。
数学恒久以来被视为人类理性能力的高地 。。 。。。。。现在，，，，，，AI 正在这里取得实质性突破 。。 。。。。。当机械最先稳固地完成研究级证实，，，，，，我们或许需要重新思索一个问题：
在未来的数学论文作者名单中，，，，，，黑龙江寒地生物科技有限公司AI 会以什么身份泛起？？？？？？