Agenty matematyczne oparte na Gemini od Google wyprodukowały dowody pięciu dotychczas nierozwiązanych problemów matematycznych, wykorzystując zespoły agentów AI, których praca jest oceniana przez bezwzględne automatyczne weryfikatory.

Najlepiej udokumentowaną implementacją tego podejścia jest framework, który DeepMind nazywa AlphaProof Nexus. Działa on w oparciu o Gemini 3.1 Pro, uruchamiając wiele niezależnych podagentów-dowodzicieli w wieloobrotowych pętlach rozumowania. Agenci nie generują jednej odpowiedzi i na tym kończą; rozumują, poprawiają i ponawiają próby przez kilka rund, aż dowód przejdzie automatyczne weryfikacje albo nie. Taka konstrukcja oznacza, że o akceptacji decyduje weryfikacja sprawdzalna maszynowo, a nie pewność modelu co do własnego wyniku.

Liczby stojące za wynikami

AlphaProof Nexus rozwiązał 9 z 353 dotychczas nierozwiązanych problemów Erdősa — otwartych pytań postawionych przez Paula Erdősa, płodnego węgierskiego matematyka XX wieku, znanego z wiązania nagród pieniężnych ze swoimi problemami — z czego dwa meściły matematyków od 56 lat. Ten sam framework udowodnił 44 z 492 hipotez ujętych w Online Encyclopedia of Integer Sequences, znanej jako OEIS, długoletnim katalogu, w którym matematycy gromadzą wzorce liczb całkowitych. Wyniki osiągnięto przy koszcie obliczeniowym zaledwie kilkuset dolarów za problem.

Szczegółowy artykuł na arXiv opisujący tę pracę został opublikowany około połowy 2026 roku. Eksperci z danej dziedziny przejrzeli wyniki potwierdzili zarówno dowody, jak i wierne formalizację pierwotnych hipotez. Formalizacja oznacza przetłumaczenie zapisanego przez człowieka problemu matematycznego na precyzyjny, sprawdzalny maszynowo język, a niedokładne tłumaczenie może oznaczać udowodnienie zupełnie niewłaściwego twierdzenia. To eksperckie zatwierdzenie ma znaczenie: odpowiada na powtarzające się pytanie, czy matematyka generowana przez AI jest naprawdę poprawna, czy jedynie przekonująca.

Aletheia i wynik olimpijski

Osobny system, Aletheia, zbudowany na Gemini Deep Think, działa jako półautonomiczny asystent badawczy. Od momentu wdrożenia w grudniu 2025 roku Aletheia oceniła około 700 otwartych problemów Erdősa i zidentyfikowała lub stworzyła rozwiązania dla 13 z nich, zdobywając uznanie recenzentów-ekspertów. Cztery z tych 13 rozwiązań były nowatorskimi, autonomicznymi rozwiązaniami.

Gemini Deep Think ma również dorobek konkursowy. Na Międzynarodowej Olimpiadzie Matematycznej w 2025 roku — dorocznym konkursie powszechnie uważanym za najtrudniejsze zawody matematyczne dla uczniów przeduniwersyteckich — zdobył 35 na 42 punkty, osiągając poziom złotego medalu, i rozwiązał 5 z 6 problemów w standardowych limitach czasowych, które obowiązują ludzkich uczestników.

Dlaczego podejście agentowe przyciąga uwagę

Pushmeet Kohli i inni badacze DeepMind podkreślali, że podejście agentowe może wyjść poza czystą matematykę. Wskazali dziedziny takie jak kombinatoryka i optyka kwantowa jako potencjalne cele, a badania wskazują także na zastosowania w geometrii algebraicznej. Wspólnym mianownikiem jest to, że są to obszary, w których zgłaszany wynik można sprawdzić według obiektywnych kryteriów — dokładnie w takich warunkach konfiguracja agent-plus-weryfikator wykazała mierzalne rezultaty.

Co to oznacza dla matematyki i AI

Wyniki wskazują, że połączenie rozumowania agentowego z automatyczną weryfikacją może mieć zastosowania daleko wykraczające poza badane problemy, choć badania zaznaczają, że obecne systemy AI nadal wymagają nadzoru człowieka przy ocenie nowości, co oznacza, że ludzie muszą potwierdzić, czy wynik jest naprawdę nowy. Ten wymóg udziału człowieka w pętli wyznacza, na co warto zwracać uwagę dalej: jak framework sprawdzi się w dziedzinach wskazanych przez DeepMind oraz czy eksperccy recenzenci będą nadal poświadczać jego wyniki, ukształtuje, jaką część tego impulsu uda się przenieść do szerszej praktyki badawczej.