共计 1674 个字符，预计需要花费 5 分钟才能阅读完成。
OpenAI 在构建能够通过复杂数学问题进行推理的 AI 模型竞赛中取得了新的里程碑。上周六，该公司宣布，其一款模型在国际数学奥林匹克竞赛（IMO）中取得了金牌级别的表现，该竞赛被广泛认为是全球最负盛名且难度最高的数学竞赛。
关键的是，获胜的模型并非专门为解决 IMO 问题而设计，这与早期的系统如 DeepMind 的 AlphaGo 不同——后者在 2016 年击败了世界顶尖围棋选手，并在一个非常狭窄的任务特定领域内通过大量数据集进行训练。相反，获胜者是一个通用推理模型，旨在通过自然语言有条不紊地思考问题。
“这是一个 LLM 在做数学，而不是一个特定的正式数学系统，”OpenAI 在其 X 帖子中写道。“这是我们向通用智能迈进的主要推动力之一。”
目前关于所用模型的身份知之甚少。OpenAI 的研究员 Alexander Wei 在 X 帖子中称其为“实验性推理 LLM”，该帖子包括一张草莓环绕金牌的插图，暗示其建立在公司 o1 系列推理模型之上，该系列模型于 9 月首次亮相。
“明确一点：我们即将发布 GPT-5，但我们在 IMO 中使用的模型是一个独立的实验模型，”OpenAI 在 X 上补充道。“它使用了新的研究技术，这些技术将在未来的模型中体现——但我们计划在数月内不会发布具有这种能力的模型。”
IMO 始于 1959 年，每年吸引来自 100 多个国家的约 50 名参赛者；只有不到 9% 的人获得金牌。据 Wei 称，OpenAI 的实验模型解决了六道问题中的五道，并获得了 42 分中的 35 分（约 83%），赢得了金牌。模型的证明由 OpenAI 招募的三位前 IMO 金牌得主内部评估并一致同意。
每个证明包含数百行文本，代表了模型在推理过程中采取的各个步骤。根据竞赛禁止使用计算器或其他外部工具的规定，OpenAI 的模型无法访问互联网；它纯粹是通过逐步推理解决每个问题。
“模型思考了很长时间，”参与该研究项目的另一位 OpenAI 研究员 Noam Brown 在 X 帖子中写道。“o1 思考了几秒钟。深度研究思考了几分钟。这个模型思考了几个小时。重要的是，它的思考也更高效。”
据 OpenAI 称，分析师此前估计，到 2025 年，AI 系统在 IMO 中获得金牌的概率仅为 18%。
Google DeepMind 也在周一宣布，“Gemini 深度思考的高级版本”——Gemini 2.5 Pro 的推理模式，于 5 月首次亮相——在 2025 年 IMO 中也取得了金牌级别的表现，获得了与 OpenAI 报告的相同分数。Google DeepMind 的 AI 研究员 Thang Luong 在周一质疑 OpenAI 的结果，声称如果根据 IMO 的内部评分指南而非内部评审团进行评判，其结果将略低于金牌门槛。
尽管 AI 具备令人印象深刻的能力，但它长期以来一直在简单的算术和基本数学应用题上挣扎——这些任务人们可能认为对于高级算法来说应该相对简单。但与更狭窄的逻辑谜题不同，数学需要一定程度的抽象推理和概念转换，这超出了大多数 AI 系统的能力范围。
然而，这种情况正在以极快的速度改变。一年多前，AI 模型仍在使用小学水平的数学基准如 GSM8K 进行评估。像 o1 和 DeepSeek 的 R1 这样的推理模型迅速脱颖而出，首先在高中水平的基准如 AIME 中表现出色，然后发展到大学水平及更高。
高水平数学能力已成为推理模型的黄金标准，因为即使是少量的幻觉或走捷径也会迅速且明显地破坏模型的输出。在生成其他类型的响应时，例如帮助撰写文章，更容易蒙混过关，因为它们通常对各种解释持开放态度。
OpenAI 的 IMO 金牌表明，可扩展的通用推理方法可以在长期以来被认为超出当前 AI 系统能力的任务中超越特定领域的模型。事实证明，不需要构建像 AlphaGo 那样专注于数学的模型；只要训练它们解析语言并仔细推理其思维过程，如果给予足够的时间，它们将能够构建出与世界级人类数学家相媲美的 AI 系统。
据 Brown 称，整个 AI 行业的创新速度表明，其数学和推理能力只会从这里开始增长。“我完全预计这一趋势将继续，”他在 X 上写道。“重要的是，我认为我们即将看到 AI 在科学发现中做出实质性贡献。”
想了解更多关于 AI 的故事？订阅创新，我们的每周通讯。
