Google AI 共同数学家：DeepMind 的代理式数学工作台

2026 年 5 月，Google DeepMind 的研究人员发布了一篇题为“AI co-mathematician: Accelerating mathematicians with agentic AI”的arXiv 预印本，介绍了一款代理式 AI工作台，能够编排完整的数学工作周期，包括构思、文献检索、计算、证明尝试与理论构建。

AI 共同数学家目前小范围提供给部分研究人员试用。本身既不是求解器也不是聊天机器人，而是一个有状态的工作空间，用来编排非线性、混乱的数学工作流。它管理并行研究线索、跟踪不确定性，并保留失败尝试以备后用。输出采用 LaTeX，这也是数学与物理研究中的标准文档格式。

它构建于Gemini 3.1 之上。目前，它在内部使用Gemini Deep Think 进行证明尝试，并与 Python 执行环境集成以进行计算探索。它尚未将DeepMind 的专业数学引擎（AlphaProof、AlphaEvolve、Aletheia）作为内部组件纳入，但已为未来整合做好设计。

为何 AI 共同数学家重要？

数学家使用大语言模型（LLM）来协助多项任务：

• 文献综述
• 非正式证明草图
• LaTeX 模板性写作
• 探索性代码

他们也使用如形式化证明助手等 AI 工具来机械化验证证明。

尽管各工具在整体工作流的某一部分各有所长，但数学家必须临时性地将结果拼接起来。迄今为止，还没有基础设施型工具来编排数学家所采用的这种非线性过程。

AI 共同数学家如何工作

其工作流模型松散借鉴了 AI 编码工具，如 Claude Code 或 Codex。然而，这种工作流无法直接照搬。软件有规格说明和测试套件，而数学研究是非线性的。研究目标在一开始可能含糊甚至未定义，过程中得到的发现还可能彻底重塑问题本身。

共同数学家的工作流由一个多代理系统驱动，流程如下：

1. 初步探索。研究者无需给出“完美的一次性提示”，而是与系统进行互动式对话，逐步细化高层目标并形式化研究问题。这样在动手之前就将研究意图说清楚。
2. 文献综述。共同数学家开展文献回顾，识别关键论文并提取相关证明与数学技术。
3. 计算框架。共同数学家创建一个计算用的 Python 库，配套示例用例与相关测试。
4. 搜索执行。在计算框架建立后，导入该自定义库，并在云端集群上扩展搜索规模。它向研究者提供高层进度报告，而不会用底层日志将其淹没。
5. 最终输出。最终输出是一份编译完成的 LaTeX 文档。该报告不仅说明结果，还解释发现过程，并通过页边注释将论断与具体参考文献或代码输出相连。只有在所有审阅代理批准后，报告才会被标记为定稿。未通过审阅的报告仍会呈现给研究者，并标注为“未解决”，这正是有瑕疵的证明抵达 Lackenby 的方式。

AI 共同数学家的工作流架构

AI 共同数学家的架构是一个多代理系统，包含顶层的项目协调代理以及专门化子代理。

工作流协调

在开展任何实质工作之前，项目协调者会与研究者开启对话，通过澄清性问题来细化目标。比如，研究者若询问计算几何中的开放问题“沙发问题”的上界，系统可能会问是否聚焦某一变体、另一变体，或两者兼顾。明确并达成一致的目标会在派发代理前界定问题范围。

一旦目标确定，项目协调者便将工作委派给各代理与子代理；除非存在依赖关系，否则它们并行工作。某个代理负责文献综述，另一个构建计算框架，还有一个执行搜索。但存在依赖：只有在计算框架产出的自定义库可用后，搜索才能执行。

避免幻觉

标准代理常会寻找无效捷径、臆造引理或过早宣告成功。AI 共同数学家通过多种机制来避免这些缺陷，其中包括审阅代理。

例如，在计算探索中若搜索空间爆炸，编码子代理在所有测试通过且审阅代理接受其结果之前，不能将代码标记为完成，从而使工作流停滞。此次失败的探索会被记录并发送给项目协调者，后者会在聊天中提醒研究者，研究者随后可以建议另一种途径。

这类死路不仅被记录，还被当作信息对待。它们会进行版本追踪，并作为研究记录的一部分予以保留。在数学中，失败的路径往往揭示约束或指向另一条道路。

在整个过程中，协调者默认会过滤底层噪声，但研究者可按需深入任何工作流并进行修改。

首批案例与协作模式

几起早期案例反映了不同的协作模式：一份被系统标记为错误的证明激发了人类洞见；一条页边注释重构了问题；以及一次快速的死路检测节省了本可被误耗的一周时间。

修补一份被系统判为错误的证明

牛津大学数学系教授 Marc Lackenby 将系统用于《Kourovka 笔记本》（群论开放研究问题集）中的一道题。AI 做出证明尝试，审阅代理发现了证明中的缺陷，并将其报告给 Lackenby。他知道如何修补这个漏洞。

这种交接正是关键：人类抓住了机器遗漏的点，而机器完成了围绕它的大量重活。

顺着页边注释获得新洞见

另一位数学教授 Gergely Bérczi 研究涉及斯特林系数猜想的问题。为便于初步审阅，他向 AI 共同数学家提供了主题、背景、已知方法以及 AlphaEvolve 实验所建议的一个潜在方向。

AI 共同数学家针对其中两条猜想给出了证明（目前正接受人类数学审阅），并附有详细的计算性证据来支撑论断。Bérczi 表示，系统通过成稿中的一条页边注释帮助了他，这条注释提醒了一个关键洞见，他随后在聊天界面里进一步跟进。

在代价是一周之前发现死路

最后，Semon Rezchikov 提出了一个关于哈密顿微分同胚的技术问题。他与项目协调者反复讨论，直到就任务的精确定义达成一致。AI 生成的写作中包含一个关键引理及其证明（后经验证），基本解决了该问题。

期间也探索过一种方法，但走进了死路。AI 更快地抵达了这条死路，使他免于在无果之路上白白耗上一周。系统将原本可能浪费的一周压缩成了数小时。

FrontierMath 基准测试结果

AI 共同数学家是一个工作流工具，而非严格意义上的数学问题求解工具。尽管如此，作者展示高分基准仍很重要，原因包括：

• 表明其底层数学引擎足够强大，能在前沿数学中成为有用的协作者。
• 证明基准为衡量编排层的增益提供了可控环境。
• 在尚无标准化度量的情况下，提供协作效能的代理指标。

结果：AI 共同数学家在研究级基准 FrontierMath 第 4 级中取得 48% 的成绩。这是目前报告的最高分，包括 Google 自家的 Gemini 3.1 Pro 在相同测试、相同级别中的 19%。Epoch AI 发现大约三分之一的 FrontierMath 题目（涵盖第 1–4 级）存在错误，且正进行人工复核。

在 Google 的一项内部基准中（由 100 道未泄露的、具备代码可校验答案的研究级数学题组成，来源于专业数学家），AI 共同数学家得分为 87%，而 Gemini 3.1 Pro 为 57%，Gemini 3.1 Deep Think 为 70%。

AI 共同数学家的已知局限

论文对结构性局限保持透明：

• 主要质量控制来自审阅代理与证明代理。对抗式审阅循环可能出现“取悦审阅者”的偏差，即代理趋向于收敛到能满足审阅代理的论证，而非真正正确的论证。这是一个真实存在的结构性脆弱点。
• 精致的 LaTeX 输出可能造成伪严谨感。文档排版精美，看起来就像完成品，而不论底层数学是否正确。
• 系统只有在研究者是真正的领域专家时才表现良好。存在风险：非专家可能把一个模糊的问题交给系统并盲目信任其输出。
• AI 证明仍需人类核验。例如，Bérczi 的证明在发表时仍处于人类审阅中。

结语

AI 共同数学家体现了一个转变：不再是让 AI 独立解决问题，而是与 AI 一起投入迭代且“凌乱”的数学研究过程。真正的瓶颈在于能映射数学家实际工作方式的工作流基础设施。

如果您想亲自构建类似的代理式系统，DataCamp 的开发者副高级 AI 工程师与数据科学家副高级 AI 工程师学习路径是不错的起点。