摘要 Google DeepMind 宣布 Gemini Deep Think 模式正在数学、物理和计算机科学领域推动研究进展，作为专家研究人员的高级协作工具。该系统通过扩展推理和迭代验证，展现了解决专业级研究问题的能力。其数学研究智能体 Aletheia 已自主解决了此前未解的开放性问题，并在多个学科的 18 个研究课题中取得了重要成果。
来源 原文链接: Accelerating Mathematical and Scientific Discovery with Gemini Deep Think 发布日期: 2026年2月11日 | 作者: Thang Luong, Vahab Mirrokni 英文原文: English Original
Google DeepMind 宣布，Gemini Deep Think 模式正在数学、物理和计算机科学领域推动研究进展，充当专家研究人员的高级协作者。该系统通过扩展推理和迭代验证，展示了解决专业级研究问题的能力。
Gemini Deep Think 的高级版本在 2025 年夏季的国际数学奥林匹克竞赛 (IMO) 中达到了金牌水平，随后在国际大学生程序设计竞赛中取得了类似成绩。随着推理时计算量的增加，该模型在 IMO-ProofBench Advanced 测试中的得分最高可达 90%。
DeepMind 开发了一个名为 Aletheia 的专门研究智能体，由 Deep Think 提供支持，具备以下能力：
该智能体证明，与未优化的方法相比，"可以在更低的推理时计算量下实现更高的推理质量"。
Aletheia 推动了多项研究进展：
自主研究：
人机协作：
研究人员提出了一个按重要性分类贡献的分类体系：
团队指出，他们"目前不声称取得任何 Level 3 或 Level 4 的成果"。
第二篇研究论文详细介绍了一种"顾问"模型，人类通过迭代的"直觉证明" (Vibe-Proving) 循环引导 AI 验证直觉并完善证明。关键技术包括：
在多个领域的 18 个研究问题上进行了协作：
最大割和 Steiner 树问题： 通过将连续数学工具（Kirszbraun 定理、测度论、Stone-Weierstrass 定理）应用于离散优化问题，解决了长期存在的算法瓶颈
在线子模优化： 通过构造一个特定的三元素反例，推翻了一个关于数据流处理的长期假设，解决了一个十年之久的猜想
机器学习优化： 提供了数学证明，解释了一种自动惩罚调优技术成功的原因 -- 研究人员此前通过经验发现了该技术，但缺乏理论依据
AI 经济理论： 利用高级拓扑学和序理论，将 token 拍卖的揭示原理从有理数扩展到连续实数
宇宙弦物理学： 使用 Gegenbauer 多项式计算包含奇点的引力辐射积分，将无穷级数转化为有限的闭式解
大约一半的 18 个问题以顶级会议为目标，其中包括一篇已被 ICLR '26 接收的论文。其余大部分发现预计将作为期刊论文提交。
该研究展示了科学家工作方式的根本性转变：
这项工作建立在 Google 此前在 AI 辅助数学方面的突破之上，代表了与数学家、物理学家和计算机科学家的广泛合作。团队承认，研究成果涵盖"多样化的领域 -- 从信息论和复杂性理论到密码学和机制设计"。
提示词和模型输出已在 GitHub 上公开，供社区复现和审查。
关键引述： "在数学家和科学家的指导下，Gemini Deep Think 正在解决数学、物理和计算机科学领域的专业研究问题。"