【量子位 2026年2月8日讯】当大模型在编码、创作领域屡创佳绩，其在纯数学研究领域的真实实力终于迎来硬核检验！11位来自斯坦福、哈佛、哥伦比亚等高校的顶尖数学家，在arXiv发布了一篇特殊的“无结果论文”——发起名为First Proof的全球AI挑战，抛出10道源自真实研究的数学难题，邀请全球AI在2月13日前给出严谨证明，以此界定“AI+数学”的能力边界。该实验一经发布便获菲尔兹奖得主陶哲轩转发力荐，引发学界与AI圈双重热议。
弃竞赛题选真难题 打造零污染评测基准
长期以来，AI数学能力评测多依赖竞赛题库，这类题目虽便于规模化测试，却与真实数学研究存在本质差异——真实科研中，问题往往缺乏精确定义，解法无固定模板，需在反复试探与修正中推进，且现有题库普遍存在数据污染风险，难以客观反映AI的真实水平。
为破解这一困境，11位数学家从自身当前研究中筛选出20道核心引理，再按“AI可理解表述、无公开答案、作者同意发布证明、每人仅贡献1道”四大标准，最终敲定10道终极考题，覆盖代数组合学、谱图论、代数拓扑、随机分析、辛几何等多个前沿分支。这些题目均是数学家未来发表成果的关键组成部分，从未在互联网、学术会议等任何渠道公开，从根源上杜绝了AI“偷看答案”的可能。
与现有评测基准相比，First Proof的设计更贴近真实研究场景：答案并非单一数值或固定步骤，而是完整的数学证明过程，需人类专家评分验证；允许AI无限制使用网络搜索等外部资源；问题公开但答案加密存储于专门网站，仅用于社区验证且不可重复使用，确保基准的唯一性与公正性。每道题的人类证明均控制在5页以内，既适配当前AI的技术限制，也保证了评测的可操作性。
GPT、Gemini先测翻车 单次提示难破多数难题
在向全球发起挑战前，数学家团队已率先用当前顶尖模型进行了首轮测试：邀请GPT 5.2 Pro与Gemini 3 Deepthink进行“一次性作答”，即不给模型反复修正的机会，检验其独立完成证明的能力。
实验结果显示，即便这两款公开可用的最佳AI系统，也难以解答多数问题。团队明确表示，First Proof仅聚焦数学研究的最后阶段——在问题表述与研究背景已清晰给定的前提下，测试AI能否走完“从命题到正确证明”的最后一公里，暂不评估AI提出研究问题、构建新理论框架的高阶能力。
不过数学家们也推测，若允许人类与AI进行反复对话、追问与引导，有望让AI给出更优答案。值得注意的是，为避免实验数据污染未来的模型训练，团队已关闭数据共享选项，同时知晓谷歌会保留数据3天、OpenAI会保留30天，全程采取多重措施确保答案私密性。
陶哲轩力荐 人机协作成终极共识
作为全球顶尖数学家，陶哲轩对这一实验高度关注并转发推荐。他在评价中指出，这些问题虽已被人类专家攻克，但技术门槛极高，非领域专家难以验证AI输出结果的真伪，即便是配备AI工具的其他领域专家，要解决其中相当一部分也极具挑战性，“不过意外惊喜并非不可能，截止期限前的实验进展值得密切关注”。
这一观点也契合陶哲轩长期以来的判断：AI不会取代数学家，人机协作才是未来趋势。此次First Proof实验的核心价值，并非给AI下“及格或不及格”的定论，而是首次用真实、未公开的研究级问题，系统探索AI在纯数学领域的能力边界——即便AI仅完整解出一道题，也将成为AI数学研究史上的重要节点。
未来将推第二套题库 拓展高阶能力评测
据团队透露，未来数月内将设计第二套问题集，进一步收紧实验变量：先与前沿AI系统开发方达成明确协议，让模型完成测试后再统一公开问题与答案，逐步将First Proof打造为可复用、可比较的研究级数学能力基准。
后续实验还将逐步“去人工化”，放宽对证明长度、表达形式的人为限制，引入更多数学分支的问题，覆盖更广泛的研究场景。长期来看，团队的目标不仅限于评估AI的“解题能力”，还将探索更高阶的评测维度，比如AI提出新问题、构建新理论框架的能力，为“AI+数学”的深度融合提供更全面的参考。
目前，10道难题已通过arXiv论文公开（论文链接：https://arxiv.org/abs/2602.05192），答案加密存储于https://1stproof.org/，将于2月13日正式公布。这场横跨AI与数学领域的跨界挑战，究竟能否诞生突破性成果？AI能否在纯数学研究中实现关键突破？值得全球学界与技术圈共同期待。
