Transcription
长久以来，人们认为人工智能（AI）在短期内不会跨越的一道界限。它不是语言，不是创造力，也不是数学。然而，那道界限刚刚被打破。谷歌 DeepMind 构建了一个人工智能，它独立解决了困扰人类数学家多年的开放式博士级别数学难题。它独立探索开放性问题，进行长链条的推理，放弃死胡同，并产生新的正确结果。这标志着数学通用人工智能（AGI）的到来，一种能够在一个人类创造的最困难的领域中发现新结构的智能。
好了。谷歌构建了一个名为 Althia 的人工智能研究代理，它刚刚独立解决了六个世界级的数学研究问题，这些问题是现代数学活跃领域中的开放式博士级别问题，作为“第一证明挑战”的一部分提交。DeepMind 研究人员自己将这一成就描述为比赢得国际数学奥林匹克金牌更重要。这听起来很夸张，直到你理解这些问题到底是什么。国际数学奥林匹克比赛是通过巧妙运用已知技术，在时间压力下解决极其困难的问题。第一证明挑战则不同。这些问题处于研究前沿。在某些情况下，地球上只有几十个人能完全理解问题。没有已知的解决方案路径，没有可以应用的标准化工具箱，也无法保证解决方案的存在。在这个挑战中，共有 10 个问题。Althia 完全正确地解决了其中六个问题，在解决过程中没有任何人类干预，并且在官方提交截止日期前完成。仅此一点就足以令人震惊，但数学界的反应清楚地表明，这完全是另一回事。
其中一个被称为问题七的问题已经多年未解决。据该领域的专家称，没有其他人工智能系统能接近。Althia 不仅仅是解决了它。它提出的解决方案如此简洁，以至于最初提出该问题的数学家亲自确认了推理的正确性。然后，被广泛认为是当代最伟大的数学家之一的陶哲轩，在一次采访中随口说道，人工智能已经成为了他的初级合著者。这句话本身就应该让你停下来思考。
那么，Althia 到底做了什么不同寻常的事情？它不是一个碰巧懂数学的聊天机器人。Althia 是一个建立在 DeepMind 的 Gemini 3 Deep Think 系统之上的长周期研究代理。它被设计用于解决需要长时间持续推理的问题，并且在此过程中会经历数千次失败的尝试。DeepMind 实际上运行了 Althia 的两个版本，基于略有不同的底层模型，并交叉检查了它们的输出。它们共同解决了问题 2、5、7、8、9 和 10。其余四个问题未得到解决。而这个细节比听起来重要得多。大多数人工智能系统会欣然捏造出看起来貌似合理的东西。这对于日常使用来说是可以接受的。但在数学领域，这简直是灾难。一个看似有说服力但错误的证明，可能会浪费人类专家数月的时间。DeepMind 通过设计 Althia 拥有两个不断相互冲突的内部角色来解决这个问题。一部分充当生成器，积极提出想法、策略和推测性的解决方案路径。另一部分充当验证器，其唯一职责是攻击这些想法，检查每一个逻辑步骤，并拒绝任何不完全成立的内容。在系统内部，这两者基本上在不停地争论。
而关键点在于。当 Althia 无法解决问题时，它并没有虚张声势。对于未解决的四个问题，它要么明确报告未找到解决方案，要么在时间限制到期时保持沉默。这种克制不是一种限制。在高水平研究中，这是一种特性。DeepMind 在论文中直接说明了这一点。他们愿意牺牲解决某些问题的能力，如果这是避免产生无稽之谈的代价。
现在，让我们聚焦问题七，因为这才是事情变得真正令人不安的地方。问题七处于代数拓扑和微分几何的交叉点。简而言之，它询问在对其万有覆盖空间有严格条件的条件下，某种离散群是否可以作为紧致无边界流形的基群出现。仅这句话就过滤掉了几乎所有人。然而，Althia 不仅回答了这个问题，它还以两种完全不同的方式证明了答案是“否”。
第一个证明几乎以其简单性令人震惊。利用万有覆盖空间是理性上循环的假设，Althia 计算了一个与阶为二的群元素相关的左切数。在论证的一边，这个数字必须非零。在另一边，由于群作用是自由的且没有固定点，左切数必须为零。你最终得到一个不可能的等式：0 等于正负一。矛盾解决。这个证明实际上使用的结构非常少，这一点非常惊人。它不依赖于问题的具体几何形状。事实上，它证明了比所要求更强的结论。任何包含挠元的离散群都无法在此设置下工作。推理链条简短、清晰且残酷。
第二个证明则走向了相反的方向。它完全侧重于几何。Althia 构建了一个从万有覆盖空间到与该群相关的对称空间的等变映射。然后，它比较了双方的左切数。在万有覆盖空间上，群作用是自由的。因此，左切数消失了。在对称空间上，卡尔顿不动点定理保证了不动点，迫使左切数非零。不同的工具，相同的矛盾，相同的结论。一位专家形容这是他们第一次看到人工智能自然地结合多个深层定理，而且这种结合感觉不像是拼凑或强加的。而且这并非易事。为了解决这个问题，Althia 使用了 DeepMind 去年解决 Erdős 151 问题时所用推理预算的 16 倍。这不是运气。这是持续的探索、失败、回溯和坚持。DeepMind 甚至可视化了推理成本随时间的变化，展示了系统如何反复遇到死胡同，放弃路径，并继续前进。这就是研究行为。
Althia 解决的其他问题同样严肃。其中一个来自数论和表示论，涉及非阿基米德局部域上的矩阵群。目标是证明一个通用 Whitaker 函数的存在，该函数保证某个积分在所有配对表示中永不消失。Althia 的方法很微妙。它首先选择了一个特定的 Whitaker 函数，将积分域压缩成一个紧集，从而消除了问题中的一个复杂参数。这使得问题简化为是否一个有限函数可以为零。然后，它为了矛盾而假设积分对所有表示都消失了。利用有限傅里叶分析，它表明这将迫使该表示在大于其导体允许的子群下具有不变向量，这与导体本身的定义相矛盾。矛盾结束了证明。关键的见解是最初选择那个 Whitaker 函数。一个决定简化了问题，消除了不必要的变量，并设置了矛盾。人类数学家立即认识到，这种举动通常来自多年的经验。
所有这些都被公开记录。DeepMind 在 arXiv 上发布了完整的论文，并在 GitHub 上发布了完整的交互日志，包括失败的尝试和错误的路径。没有隐藏在抛光过的最终结果背后。而这正是更深远的意义开始显现的地方。这并不是说人工智能明天就会取代数学家。这是关于一些研究人员称之为数学研究“手动时代”的终结。几个世纪以来，进步依赖于人类手工推进思想，受限于时间和注意力以及认知带宽。像 Althia 这样的系统不会感到疲倦。它不会对错误的观点产生情感依恋。它只会持续努力，直到证明出现，或者预算耗尽。
现在，这里有一个大多数人没有谈论到的联系。就在这次宣布的同时，谷歌还公布了在明尼阿波利斯南部建造一个大型新数据中心综合体的计划。该设施将完全使用可再生能源运行，并由谷歌称之为“世界上最大的电池储能系统”提供支持。这不是标准的锂离子设置。该项目结合了 1.44 吉瓦的风能、200 兆瓦的太阳能以及一个 300 兆瓦的铁空气电池系统，能够连续供电长达 100 小时。这是超过 4 天的持续电力。电池技术来自 Form Energy，通过可逆的生锈过程工作。当电池放电时，铁与氧气反应并释放能量。当电池充电时，过程会逆转。与提供四到八小时存储的典型电网电池不同，该系统专为多日事件设计。谷歌的目标是创建一个能够像传统基载能源一样运行的电力供应，可与化石燃料或核电厂相媲美，但没有排放。松岛项目将在明尼苏达州的清洁能源加速器计划下运行，该计划允许谷歌选择其可再生能源组合，而无需将成本转嫁给居民。Form Energy 预计将因其作用获得近 10 亿美元，这是超大规模公司首次承诺如此大规模的长期电池储能。Form 的首席执行官 Matteo Jaramo 曾于 2017 年离开特斯拉之前担任副总裁。他一直非常清楚为什么这很重要。短时电池可以平滑日常波动。长时储能则改变了整个电网。100 小时这个数字并非随意。它是基于对通常持续四到五天的极端天气事件的建模。没有这样的存储，你要么会大规模过度建设可再生能源，要么依赖化石燃料备份。Form 今年将在西弗吉尼亚州开设其第一家大型工厂，并计划到 2028 年将年制造能力扩大到 500 兆瓦。他们已经在明尼苏达州的一个 1.5 兆瓦的项目中安装了他们的第一个 100 小时系统，并计划在加利福尼亚州、科罗拉多州、佐治亚州、弗吉尼亚州、纽约州和缅因州开展更多项目。还有一个商业角度。Jaramo 表示，随着需求、技术和制造能力的最终协调，该公司很可能相对较快地上市。
那么，这为什么对人工智能很重要呢？因为像 Althia 这样的系统运行成本很高。仅解决问题七就消耗了 DeepMind 去年解决 Airdos 151 问题时所用推理预算的 16 倍。随着人工智能研究代理深入到长周期推理领域，能源成为一个硬性约束。谷歌不仅在构建更智能的人工智能。它还在构建支持其大规模运行而无需依赖化石燃料的基础设施。
目前就这些。在评论区留下你的看法。订阅以获取更多此类分解，下次再见。