利用 Gemini Deep Think 加速数学和科学发现
**利用 Gemini Deep Think 加速数学和科学发现**
—— Google DeepMind
**作者：Thang Luong 和 Vahab Mirrokni**
在众多数学家和科学家的指导下，Gemini Deep Think 正在解决数学、物理和计算机科学的专业研究问题。
2025年夏季，Gemini Deep Think 的一个高级版本在国际数学奥林匹克（IMO）中达到了金牌标准，随后更新版本同样在国际大学编程竞赛中获得了类似的成绩。这些成果证明该模型能够推理出一些最具挑战性的数学和编程问题。此后，Gemini Deep Think 模式开始应用于科学、工程和企业工作流程，以应对更复杂的开放性挑战。
最近一周，我们的团队发布了两篇论文，详细介绍了利用 Gemini Deep Think 模式解决专业研究问题的跨学科努力。这些成果来自数学家、物理学家和计算机科学家的深度合作。
## 纯数学的前沿
与 IMO 问题不同，研究水平的数学需要大量文献中的高阶技术。虽然基础模型拥有庞大的知识库，但数据的稀缺常常导致在高级主题上理解的表面化和幻觉。
为了解决这个问题，我们构建了一个数学研究代理（内部代号为 Aletheia），由 Gemini Deep Think 模式驱动。它具备自然语言验证器，能够识别候选解决方案中的缺陷，并启用生成和修订解决方案的迭代过程。至关重要的是，该代理能够承认未能解决问题，这是提高研究效率的关键特性。
此外，研究代理利用 Google 搜索和网络浏览来导航复杂的研究，防止在合成已发表文献时出现虚假引用和计算不准确的情况。
自 2025 年 7 月以来，Gemini Deep Think 迅速发展，在 IMO-ProofBench Advanced 测试中得分高达 90%。我们证明了随着推理时间计算的增加，扩展定律依然有效，超越了奥林匹克级别进入博士级别的练习。此外，Aletheia 证明在较低的推理时间计算下可以实现更高的推理质量。
对于研究级别的数学，Aletheia 已经实现了若干进展，产生了不同程度的自主研究成果：
* 可靠的自主研究：一篇由 AI 自动生成的研究论文，计算算术几何中的某些结构常数。
* 人工智能指导的协作：一篇展示人类与 AI 协作的研究论文，证明了交互粒子系统的界限。
* 对 700 个开放问题的大规模半自主评估，包括对四个列在 Erdős 猜想数据库中的开放问题的自动解决。
该代理还为进一步的两篇论文贡献了中间命题。经过与数学界的深入讨论，我们建议通过重要性和 AI 贡献程度来对 AI 辅助数学研究进行分类，推动对 AI 生成结果的负责任记录、评估和交流的更广泛讨论。目前，尚无 Level 3 (“重大学进展”) 和 Level 4 (“里程碑突破”) 的成果。
## 扩展到物理学与计算机科学
Gemini Deep Think 模式在计算机科学和物理学中也展示了潜力。基于类似的代理推理概念，第二篇论文识别了协作的有效“食谱”，特别是“顾问”模型，人类在其中通过迭代的“气氛验证”周期引导 AI，验证直觉并修正证明。这些方法与模型在弥合不同科学领域的深层结构联系能力相结合，正在改变理论研究的开展方式。
我们在与 18 项研究问题的专家协作中，Gemini Deep Think 有效解决了算法、机器学习和组合优化、信息理论和经济学等领域的长期瓶颈。
## 人类与 AI 协作的未来
基于 Google 之前的突破，这项工作展示了通用基础模型通过代理推理工作流可以作为强大的科学伙伴。为迎接未来的科学进步，Gemini 正在改变科学工作流程，通过处理知识获取和严格验证，帮助科学家们专注于概念深度和创造性方向。
感谢众多专家和团队的支持，使这一项目成为可能。
---
原文链接：[点击查看](https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/)
—— Google DeepMind
**作者：Thang Luong 和 Vahab Mirrokni**
在众多数学家和科学家的指导下，Gemini Deep Think 正在解决数学、物理和计算机科学的专业研究问题。
2025年夏季，Gemini Deep Think 的一个高级版本在国际数学奥林匹克（IMO）中达到了金牌标准，随后更新版本同样在国际大学编程竞赛中获得了类似的成绩。这些成果证明该模型能够推理出一些最具挑战性的数学和编程问题。此后，Gemini Deep Think 模式开始应用于科学、工程和企业工作流程，以应对更复杂的开放性挑战。
最近一周，我们的团队发布了两篇论文，详细介绍了利用 Gemini Deep Think 模式解决专业研究问题的跨学科努力。这些成果来自数学家、物理学家和计算机科学家的深度合作。
## 纯数学的前沿
与 IMO 问题不同，研究水平的数学需要大量文献中的高阶技术。虽然基础模型拥有庞大的知识库，但数据的稀缺常常导致在高级主题上理解的表面化和幻觉。
为了解决这个问题，我们构建了一个数学研究代理（内部代号为 Aletheia），由 Gemini Deep Think 模式驱动。它具备自然语言验证器，能够识别候选解决方案中的缺陷，并启用生成和修订解决方案的迭代过程。至关重要的是，该代理能够承认未能解决问题，这是提高研究效率的关键特性。
此外，研究代理利用 Google 搜索和网络浏览来导航复杂的研究，防止在合成已发表文献时出现虚假引用和计算不准确的情况。
自 2025 年 7 月以来，Gemini Deep Think 迅速发展，在 IMO-ProofBench Advanced 测试中得分高达 90%。我们证明了随着推理时间计算的增加，扩展定律依然有效，超越了奥林匹克级别进入博士级别的练习。此外，Aletheia 证明在较低的推理时间计算下可以实现更高的推理质量。
对于研究级别的数学，Aletheia 已经实现了若干进展，产生了不同程度的自主研究成果：
* 可靠的自主研究：一篇由 AI 自动生成的研究论文，计算算术几何中的某些结构常数。
* 人工智能指导的协作：一篇展示人类与 AI 协作的研究论文，证明了交互粒子系统的界限。
* 对 700 个开放问题的大规模半自主评估，包括对四个列在 Erdős 猜想数据库中的开放问题的自动解决。
该代理还为进一步的两篇论文贡献了中间命题。经过与数学界的深入讨论，我们建议通过重要性和 AI 贡献程度来对 AI 辅助数学研究进行分类，推动对 AI 生成结果的负责任记录、评估和交流的更广泛讨论。目前，尚无 Level 3 (“重大学进展”) 和 Level 4 (“里程碑突破”) 的成果。
## 扩展到物理学与计算机科学
Gemini Deep Think 模式在计算机科学和物理学中也展示了潜力。基于类似的代理推理概念，第二篇论文识别了协作的有效“食谱”，特别是“顾问”模型，人类在其中通过迭代的“气氛验证”周期引导 AI，验证直觉并修正证明。这些方法与模型在弥合不同科学领域的深层结构联系能力相结合，正在改变理论研究的开展方式。
我们在与 18 项研究问题的专家协作中，Gemini Deep Think 有效解决了算法、机器学习和组合优化、信息理论和经济学等领域的长期瓶颈。
## 人类与 AI 协作的未来
基于 Google 之前的突破，这项工作展示了通用基础模型通过代理推理工作流可以作为强大的科学伙伴。为迎接未来的科学进步，Gemini 正在改变科学工作流程，通过处理知识获取和严格验证，帮助科学家们专注于概念深度和创造性方向。
感谢众多专家和团队的支持，使这一项目成为可能。
---
原文链接：[点击查看](https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/)
评论
暂无评论。