中國研究人員以TongGeometry取得突破，AI系統表現優於DeepMind

中國研究人員揭示 TongGeometry：AI 數學推理的範式轉變

在全球人工智慧領域的一項重要進展中，中國的一個聯合研究團隊宣佈創建了 TongGeometry，一個據稱超越 Google DeepMind 旗下 AlphaGeometry 的人工智慧系統。該成果發表在權威期刊 Nature Machine Intelligence，標誌著在追求具有人類級邏輯推理與自主創造能力的人工通用智慧（Artificial General Intelligence，AGI）道路上的一個關鍵時刻。

該系統由北京人工通用智慧研究院（BIGAI）領導的協作團隊開發，並與北京大學多個知名院系合作，包括心理與認知科學學院與人工智慧研究所。不同於以往主要聚焦於解決既有問題的系統，TongGeometry 引入了雙重能力：它既是解題者也是創作者，從根本上改變了機器處理複雜數學挑戰的方式。

超越 AlphaGeometry 基準

多年來，國際數學奧林匹克（International Mathematical Olympiad，IMO）題目一直被視為檢驗機器智能的「黃金標準」。在 2024 年初，DeepMind 推出的 AlphaGeometry 曾以其在幾何題目上的卓越表現引起轟動。然而，TongGeometry 的問世挑戰了這一主導地位，並解決了先前模型固有的低效率問題。

核心差異在於計算效率與架構理念。研究者將 AlphaGeometry 描述為一個「被動解題者」，高度依賴大量合成數據集與龐大的計算集群來達成其結果。與此強烈對比的是，TongGeometry 採取了「小數據、大任務」（small data, big task）範式。

根據研究團隊的說法，TongGeometry 在不到 38 分鐘的時間內成功解決了自 2000 年至今所有國際數學奧林匹克（IMO）幾何題目。最值得注意的是，這一成就僅使用了一塊消費級 GPU，凸顯其在計算成本上相對於 DeepMind 同類系統的極大降低。

技術架構：從「模擬解題」到「自主創造」

TongGeometry 的技術飛躍歸功於其創新的「規範化表示技術」。傳統 AI 解題器常面臨「路徑爆炸」問題，即可能的邏輯步驟數量呈指數級增長，導致系統不堪負荷。TongGeometry 採用其獨特的表示方法，將搜索空間壓縮了數個量級，從而在不依賴暴力計算的情況下實現快速且精確的推理。

Comparison of Leading Mathematical AI Systems

Feature	TongGeometry	AlphaGeometry
Primary Role	Master Teacher (Solver & Creator)	Passive Solver (Solver)
Hardware Requirement	Single Consumer-Grade GPU	Massive Computing Clusters
Data Dependency	Small Data (Internal Logic Evolution)	Large-Scale Synthetic Datasets
Methodology	Normalized Representation & Aesthetic Modeling	Symbolic Deduction & Language Models
Search Space	Compressed (High Efficiency)	Expansive (High Resource Load)

BIGAI 的研究員、該論文的第一作者張弛（Zhang Chi）解釋了系統超越單純解題能力的原因。「我們在研究中識別出一種深刻的二元性：當一個幾何命題的證明難度遠高於其構造複雜性時，它具有作為奧林匹克級題目的『美學價值』，」張氏表示。

藉由對這種二元性的建模，TongGeometry 能夠識別並生成與人類數學家美學標準相符的高質量題目。這一能力代表了從「模擬解題」（AI 單純模仿學到的模式）向「自主創造」的轉變，即系統能理解其所處理邏輯的內在優雅。

在現實世界驗證「大師級教師」能力

聲稱 TongGeometry 可作為「大師級教師」並非僅停留在理論。系統的創造能力已在高層次學術競賽中受到檢驗。三道由 TongGeometry 自主生成的幾何題目被正式選入 2024 年中國數學奧林匹克（北京賽區）。

這種納入人類競賽體系的做法驗證了系統輸出的品質。它表明 AI 正逐步超越計算器或搜尋引擎的角色，進入一個能夠提供挑戰人類專家的原創智識內容的階段。

北京大學心理與認知科學學院助理教授朱以新（Zhu Yixin）強調系統模擬人類直覺的重要性。「TongGeometry 的意義不僅在於解題速度的提升，更在於其實現了『小數據、大任務』範式，」朱教授指出。「這條不依賴大量標註數據、而是透過內部邏輯演化的路徑，是 AGI 發展的關鍵。」

對 AGI 未來的影響

TongGeometry 的發表符合業界對 2026 年人工智慧產業的更廣泛預測。正如被稱為『AGI 之父』的 Dr. Ben Goertzel 等業界資深人士所指出，該領域目前正見證向具備真正認知架構的系統競賽——包括長期記憶、目標導向的自主性，以及對資料進行可靠推理的能力。

TongGeometry 的成功暗示，通往 AGI 的道路或許不應僅止於以更多數據與算力擴展大型語言模型（Large Language Models，LLMs），而應著重於發展模擬人類推理過程的專用邏輯核心。能以「內部邏輯」而非僅靠模式匹配運作，對從個性化智慧教育到自動化科學發現等應用皆至關重要。

對 AI 產業的主要影響：

研究民主化： 能在消費級硬體上運行頂尖推理模型，降低獨立研究者的門檻。
教育變革： 能自動生成符合課程需求的題目之 AI 系統，可能徹底改變個性化學習。
科學發現： 由此類邏輯核心驅動的「科學大型語言模型」可協助證明定理與發現新的物理規律。

結論

TongGeometry 的揭幕強烈提醒我們，AI 創新的地理分布正在多元化。透過優先考量算法效率與模擬人類美學直覺，而非單純追求巨量運算力，中國研究團隊在邁向人工通用智慧（Artificial General Intelligence）之路上開闢了獨特路徑。隨著團隊持續迭代「Tong」系列模型，業界將密切觀察這種「以邏輯為先」的方法如何影響下一代 AI 的發展。