谷歌DeepMind 最新推出的AI 系统AlphaGeometry2 在解决几何问题方面取得了显着进展，超越了国际数学奥林匹克（IMO）比赛中的平均金牌得主。这一突破性成果不仅展示了AI 在数学领域的潜力，也为通用AI 的发展提供了新的方向。
谷歌DeepMind 研究实验室最新推出的AI 系统AlphaGeometry2，在解决几何问题方面表现出色，超越了国际数学奥林匹克（IMO）比赛中的平均金牌得主。该系统被认为是AlphaGeometry 的改进版本，研究人员表示，AlphaGeometry2能够解决过去25年IMO 中84% 的几何问题。
为什么DeepMind 会关注这样的高中数学竞赛呢?他们认为，寻找解决复杂几何问题的新方法，特别是欧几里得几何，可能是提升AI 能力的关键。证明数学定理或解释定理（如勾股定理）为何成立，需要逻辑推理和选择多个可能步骤的能力。如果DeepMind 的理论成立，这些问题解决能力将对未来的通用AI 模型非常重要。
今年夏天，DeepMind 展示了结合了AlphaGeometry2与数学推理AI 模型AlphaProof 的系统，该系统在2024年IMO 的六个问题中解决了四个。除了几何问题，这种方法还可以扩展到其他数学和科学领域，例如复杂的工程计算。
AlphaGeometry2的核心组成部分包括来自谷歌Gemini 系列的语言模型和一个“符号引擎”。 Gemini 模型帮助符号引擎通过数学规则推导出问题的可行解。 IMO 的几何问题通常基于需要添加“构造” 的图形，例如点、线或圆。 AlphaGeometry2的Gemini 模型能够预测哪些构造可能对解决问题有帮助。
值得注意的是，AlphaGeometry2在解决IMO 问题时，使用了DeepMind 自己生成的超过3亿个定理和证明的合成数据进行训练。研究团队选择了过去25年中IMO 的45个几何问题，并进行了扩展，最终形成了50个问题集。 AlphaGeometry2成功解决了其中的42个，超越了金牌得主的平均得分。
不过，AlphaGeometry2仍存在一些局限性，例如它无法解决具有可变数量点、非线性方程和不等式的问题。尽管如此，这项研究仍然引发了关于AI 系统应该基于符号操作还是神经网络的讨论。 AlphaGeometry2采用了一种混合方法，结合了神经网络和基于规则的符号引擎。
AlphaGeometry2的成功为通用AI 的未来发展提供了新的方向。尽管目前尚未完全自给自足，但DeepMind 团队的研究表明，未来可能会有更多自足的AI 模型问世。
论文入口:https://arxiv.org/pdf/2502.03544
划重点:
AlphaGeometry2能够解决过去25年IMO 中84% 的几何问题，超越了金牌得主的平均得分。
该系统结合了神经网络和符号引擎，采用混合方法解决复杂数学问题。
DeepMind 希望通过解决几何问题，推动更强大通用AI 的研究进展。
AlphaGeometry2 的成功不仅展示了AI 在数学领域的潜力，也为通用AI 的发展提供了新的方向。未来，随着技术的不断进步，AI 将在更多领域展现出强大的能力。