编辑｜冷猫

去年 7 月的 IMO 数学奥林匹克竞赛中，两大人工智能公司夺竞赛「金」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，而 OpenAI 因绕过官竞赛规则提前官宣，遭到广泛吐槽；谷歌 DeepMind 的 Gemini 进阶模型成为个获得奥赛组委会官认定为金的 AI 系统。

竞赛与真正的数学研究之间，仍然存在道明显的分界线。

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理能力。AI 智能体已经可以开始自己做数学，不只是解题，能够进行数学研究，而且研究的还是顶数学都要挠头的问题，这意味着什么？

近日，来自谷歌 DeepMind ，由 Gemini 3 Deep Think 驱动的新数学研究智能体 Aletheia 在届 FirstProof 挑战中，自主解决了 10 道难度研究问题中的 6 道，成为创下了该数学挑战赛的佳纪录。

曾带队实现 AI IMO 金成绩的 DeepMind 人类理向负责人 Thang Luong 表示，这成果的分量过去年 AI 在 IMO 测试中获得金的表现。

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。

奥力斯    保温护角专用胶批发    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区阜新家具封边胶价格

论文标题：Aletheia tackles FirstProof autonomously

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 是项门为评估 AI 数学研究能力而设计的实验挑战。项目由多位活跃在不同数学分支的线研究者发起，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。终提交的答案，需要由域人工审阅，判断其逻辑严密与学术可接受度。评价标准接近论文审稿，而非自动判分。

这种设计刻意提了门槛。它测试的，是 AI 在陌生问题上进行长期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 ，解决法在截止后在互联网上发布。

这项评估本身其困难，能够真正理解这些问题的屈指可数。关键的点是：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 的作者确认了这事实：阜新家具封边胶价格

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。综多数评审意见，泡沫板橡塑板专用胶这两个系统共同解决了 10 道题中的 6 道（ 2、5、7、8、9、10 题）。我们注意到，们对 8 题的评估并不致。

Aletheia 在 FirstProof 上的能总结。评估列显示了在咨询的总人数中，有多少将解决案评为正确。仅在 P8 上的评估不是致的。

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。单来看，每个智能体都至少出现过次「假阳」（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 的评估并非致通过 ——7 位中有 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 具备种「自我筛选」机制，这也是 Aletheia 的关键设计原则之。

在将 AI 扩展为数学研究助手的过程中，可靠才是要瓶颈。如果智能体给出错误的「幻觉」答案，会度浪费人类用于验证结果的时间与精力，与提研究率和自动化的目标背道而驰。

此外，解决问题的理成本也是非常重要的指标。

在图中展示了每个候选解的理成本，并将其表示为相对于 Erdős-1051 解答理成本的倍数。不难发现，Aletheia 在所有问题上，理成本都于 Erdős-1051。

尤其是 P7，其理成本比此前观察到的规模出个数量。研究者称，这面是因为 Generator 子智能体在生成候选解时消耗了大量计资源，另面是因为需要多轮交互才能通过 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。当前系统显然还法承担所有角，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。人类研究者提出向与核心思想，AI 负责强度的路径搜索与形式化验证，再由人类进行理论整与升华。这种协作模式，正在逐渐成形。

数学长期以来被视为人类理能力的地。如今，AI 正在这里取得实质突破。当机器开始稳定地完成研究证明，我们或许需要重新思考个问题：

在未来的数学论文作者名单中阜新家具封边胶价格，AI 会以什么身份出现？