获陶哲轩转发，arXiv 上的一篇新论文正在引起巨大关注！

挤进前排后发现，原来这是一项由 11 位全球顶尖数学家发起的 AI 实验——

让 AI 在规定期限内，解决他们各自在真实研究过程中产生的 10 道 " 研究级 " 难题，以此探索 "AI+ 数学 " 的能力边界。

而且走的还是高斯时代的路子——人类先证明出来，但先不公布答案和过程，等到了合适时间再公开，避免 AI 偷偷看答案。

以前这是一项为保护数学家证明自己优先解决某道问题的做法，而在 AI 时代却有了新玩法。

在陶哲轩看来，这项实验非常有意思：

当前 " 一次性 "AI 提示似乎难以解决这些问题，但它们已被人类领域专家攻克。可以预见，配备 AI 工具的其他领域专家也能解决其中相当一部分。这些问题的技术门槛相当高，非领域专家难以验证 AI 生成的任何输出结果。

因此在我看来，要让非专家解决其中任何一个问题都极具挑战性——当然，意外惊喜也并非不可能。在截止期限前，这项实验能否产生任何显著成果，将十分值得关注。

好好好，既然老陶如此安利了，咱这就开扒完整实验过程（doge）。

解完 10 道数学题，然后…藏起证明过程

概括而言，通过提出一套名为 First Proof 的实验方案，这群数学家想做一件事——

检验当前 AI 系统，是否具备独立解决研究级数学问题的能力。

在这之前，虽然很多商用 AI 成了数学家手中的实用工具（如用于文献检索、代码编写、手稿校验等），但对于 AI 是否具备他们想验证的能力，学界始终缺乏相关清晰结论。

这背后一个很重要的原因，就是评测手段的缺失。

放眼市面上的数学 AI 基准，目前绝大多数都聚焦于竞赛题，此类题目虽然便于规模化测试，却与真实的数学研究存在本质差异（甚至可能存在数据污染问题）。

而数学家面对的真实情况往往是——

问题并非精确定义完成，解法也不存在明确模板，需要在大量试探、修正和结构性判断中逐步推进。

基于这样的背景，这群来自斯坦福、哥伦比亚、哈佛等高校及科研机构的数学家们齐聚一堂，设计了 10 道研究级数学问题，覆盖代数组合学、谱图论、代数拓扑、随机分析、辛几何等多个数学分支。

这里补充一下，一开始其实是 20 道题，不过按 4 个标准筛选后最终只留下了 10 道—— AI 能理解问题表述、无隐藏公开答案、作者同意按要求发布证明、每位团队成员仅贡献 1 道题。

完整 10 道题目指路论文以下位置：

论文表示，First Proof 区别于现有基准的地方在于：

问题来自数学家当前研究中发现的真实疑问，答案为证明过程，需人类专家评分；

问题全公开但答案无任何公开记录，供社区验证但不可重复使用，同时彻底消除数据污染；

允许 AI 无限制使用网络搜索等外部资源，贴近真实研究场景。

划重点，这 10 道题均来自作者自身的研究过程，是未来发表成果中的小型核心引理，未在互联网、会议等任何公共渠道发布，从根源避免数据污染。

每道题的人类证明不超过 5 页（适配当前 AI 的技术限制），且加密发表于下面的这个网站。

最终答案将于2026 年 2 月 13 日公开，在此之前全球用户均可以用这 10 道题来测试他们想要考验的 AI。

GPT 和 Gemini 先来挑战一波

而在广发全球英雄帖之后，这群数学家也先自己测试了一波：

邀请 GPT 5.2 Pro 和 Gemini 3 Deepthink，对 10 道题进行一次性作答测试。

他们明确表示，First Proof 仅聚焦数学研究最后、也是最明确的阶段——

在问题表述和研究背景已经清晰给定的前提下，检验 AI 是否能够完成严谨的数学证明，而不评估 AI 提出研究问题、构建新理论框架或发明新定义的能力。

换言之，这是一场单纯的能力边界测试。在假设所有前期研究工作已经完成的情况下，看看 AI 能否独立走完 " 从命题到正确证明 " 的最后一公里。

而实验结果显示：

在当前公开可用的最佳 AI 系统，仅有一次作答机会的情况下，它们难以解答我们提出的多数问题。

不过作者也预计，如果允许人类与 AI 反复对话、追问、引导，就很有可能让 AI 给出更好的答案。

再划重点，为了最大程度减少这一实验可能造成的数据污染问题，他们还有这样的举措：

我们关闭了用于训练和改进模型的数据共享选项，但我们知晓谷歌仍会保留数据 3 天，而 OpenAI 会保留 30 天。

（即便如此）在整个过程中，我们始终尽力确保所提问题的答案保持私密。

未来，这群数学家也计划在数月内设计第二套问题集，并在实验设计上进一步收紧变量——

在与相关模型方达成明确协议的前提下，先让前沿 AI 系统完成测试，再统一公开问题与答案，从而将 First Proof 逐步发展为一个可复用、可比较的研究级数学能力基准。

在此基础上，实验设置也将逐步 " 去人工化 "。例如，放宽当前对证明长度、表达形式等人为限制，引入来自不同数学分支的问题，使测试不再局限于某一类技术路径，而是覆盖更广泛的研究场景。

更进一步，作者也明确表示，长期目标并不只是评估 AI 在 " 解题 " 阶段的表现，而是逐步探索更高阶能力的评测方式，比如这次先忽略的提出新问题、构建新理论框架的能力。

不得不说，以上种种也符合陶哲轩一直以来对 AI 的判断——

未来的趋势不是 AI 代替数学家，而是讲求人机协作。

而 First Proof 的价值，也不在于给 AI 下一个 " 及格或不及格 " 的结论，而在于第一次用真实、未公开、研究级的问题，来试图界定 AI 当前所能触及的边界。

换言之，即使只完整解出一道题，也足以成为 AI 数学研究史上一个值得记录的节点。

就是这时间会不会有点太短了？（截止到 2 月 13 日）

论文：

https://arxiv.org/abs/2602.05192

答案加密地址：

https://1stproof.org/

参考链接：

https://mathstodon.xyz/@tao/116022211452443707

—  欢迎 AI 产品从业者共建  —

「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。

一键关注 点亮星标

科技前沿进展每日见