2024年7月，在英国古色古香的城市巴斯（Bath），全球最顶尖的数学天才们齐聚一堂，参加第65届国际数学奥林匹克竞赛（IMO）。同一时刻，德米斯·哈萨比斯领导的谷歌DeepMind实验室里，一位看不见的参赛者也拿到了试卷。它的名字叫「AlphaProof」和「AlphaGeometry 2」。

哈萨比斯一直强调：「数学是描述自然的语言。」它像围棋和国际象棋一样规则明确，但复杂性接近无穷，答案只有一个，属于真理的领域。ChatGPT之类的大语言模型（LLM）写诗、写代码都很在行，唯独在数学面前显得力不从心，原因就在这里。

语言模型是用概率预测「看起来合理的」下一个词，而数学要求的不是99.9%的概率，而是100%的逻辑证明。哈萨比斯确信，弥合这个鸿沟是通向AGI的决定性关卡。AlphaProof的工作方式是这样的：先把数学问题翻译成形式语言（一种叫Lean的数学证明工具），然后AI探索数百万条证明路径，寻找逻辑上无懈可击的解法。就像AlphaGo在棋盘上计算落子一样，AlphaProof在计算证明的每一步。

当天DeepMind公布的结果令人震撼。AI系统在6道题中完美解出4道，拿下28分。这个分数达到了银牌线。

其中一道几何题，仅用19秒就完成了证明。几年前还连小学水平的应用题都答不好的AI，如今已经站到了人类最顶尖0.1%天才的身旁。这一成就的核心，正是哈萨比斯长期坚持的「神经-符号（Neuro-symbolic）」路线。

DeepMind团队将大语言模型（Gemini）产生直觉性想法的能力，与严格验证逻辑规则的符号主义（Symbolic）系统结合在了一起。就像一位直觉出众的数学家提出假设，再由一位严谨的审稿人逐行验证那个假设。AlphaProof把问题翻译成形式证明语言「Lean」，自行学习和训练。

这可以看作哈萨比斯少年时代下棋经历的数字版本：通过上万盘对局磨练直觉，通过复盘打磨逻辑。2024年的银牌不只是一个成绩，它证明了AI已经超越了模仿人类数据的阶段，能够通过自主的逻辑推理抵达「真理」。

哈萨比斯收到这份报告时，直觉地意识到：AI作为科学发现工具正在走向成熟。AlphaEvolve：AI设计算法的时代。如果说数学解题是寻找既有答案的过程，那么算法设计就是铺设通往答案的「全新道路」，属于创造的领域。2025年5月，DeepMind向世界公开了「AlphaEvolve」，再次带来巨大冲击。

哈萨比斯把目光投向了计算机科学的根本性低效。人类过去50年使用的排序（Sorting）、哈希（Hashing）等基础算法，大多是1960至70年代由天才程序员设计的。此后我们把精力花在制造更快的计算机上，却几乎没想过改进这些基础算法本身。

哈萨比斯问了一个问题：「如果AI不带人类的偏见，从零开始重新写代码，会怎样？」前兆出现在2023年发布的「AlphaDev」。

AlphaDev通过强化学习，改进了C++标准库中沿用数十年的排序算法。但AlphaEvolve走得更远。这个系统把Gemini模型的代码生成能力与进化计算（Evolutionary Computation）结合起来，自己编写代码（变异）、评估性能（选择）、再编写更好的代码（进化），无限循环。

AlphaEvolve的威力在谷歌的心脏地带，数据中心，得到了验证。全球数百万台服务器运转的谷歌数据中心，其任务调度是极其复杂的问题。AlphaEvolve找到了比人类工程师设计的方案高效得多的调度算法，由此回收了谷歌整体计算资源的0.7%。

0.7%这个数字看起来不大，但考虑到谷歌的规模，这意味着节省了数千亿韩元的成本和大量碳排放。更有意思的是AlphaEvolve生成的算法形态。

人类程序员绝不会写出的、直觉上难以理解的指令排列时常出现。就像AlphaGo的「第37手」一样，AI开始用不受人类思维方式束缚的、针对计算机硬件优化的自己的「方言」来编写代码。对哈萨比斯来说，AlphaEvolve是「解开智能，解决一切」这一使命的有力证据。

AI不再只是辅助人类的助手，而是成为了进化计算机科学本身的研究伙伴。他评价道：「我们不仅在开启数字生物学的时代，也在开启数字计算机科学的时代。」材料科学的革命：发现超过220万种新材料晶体结构。2023年底，科学期刊『Nature』上的一篇论文让全球材料科学界震动。

DeepMind的「GNoME」项目发现了220万种新的晶体结构。要理解这意味着什么，得回顾一下人类历史。我们一直用所使用的材料来划分时代。

石器时代、青铜时代、铁器时代，以及现在的硅时代。新材料的发现每一次都带来了文明的量子跃迁。但发现的过程极其缓慢、痛苦，充满试错。就像爱迪生为找到灯丝材料烧了几千种物质一样，现代科学家也只能在实验室里混合、烧制各种元素，等待偶然的发现。人类在过去数千年里通过实验确认的稳定无机化合物晶体结构，总共只有约4.8万种。

哈萨比斯想加速这个缓慢的时钟。他把预测蛋白质结构时AlphaFold的成功公式套用到了材料科学上。「如果用图网络（Graph Networks）来学习原子的结合规则，是不是就能提前预测出稳定的结构？」

GNoME用深度学习探索元素周期表的组合。它一口气输出了比人类两万年所发现的多45倍的、220万种新物质候选。其中38万种被确认为以现有技术即可合成的「稳定」结构。

这相当于材料科学800年的研究量。哈萨比斯在发布这一成果时，用一贯平静的嗓音说道：

「我们正在从根本上扩展知识的探索范围。」正如他所说，GNoME给科学家们递上了一张藏宝图。科学家们不再需要盲目摸索，只需在GNoME画好的地图上选定目的地，出发探险即可。

超导体与清洁能源材料探索。GNoME发现的藏宝图中，隐藏着人类迫切渴望的答案。哈萨比斯最关注的领域是解决气候危机的清洁能源技术。能大幅提升电动汽车核心部件电池效率的锂离子导体，能将太阳能板效率推到极致的新型光学材料，以及被称为「梦幻物质」的室温超导体候选材料，都包含在数据库中。

DeepMind与美国劳伦斯伯克利国家实验室（LBNL）合作，启动了名为「A-Lab」的自主实验室。AI设计配方，机械臂执行合成，这幅未来感十足的画面证明了GNoME的预测绝非纸上谈兵。A-Lab在17天内合成了41种新材料。

如果由人类研究者来做，需要数年时间。哈萨比斯再次强调了「根本性丰裕（Radical Abundance）」的理念。他相信，通过发现能让能源更便宜、更清洁，让芯片性能突破极限的物质，可以化解因资源稀缺而产生的人类冲突。

「我们发现的这38万种物质中，某一种可能成为下一代电池的标准，也可能成为包覆核聚变发电内壁的材料。」截至2025年，全球材料科学家们正基于GNoME公开的数据展开实验。哈萨比斯期望GNoME能像AlphaFold成为生物学家的工具一样，成为材料科学家的必备工具。

比起自己造的AI获得诺贝尔奖，他更以使用这个AI的科学家做出改变世界的发现为荣。那个在棋盘上计算落子的少年，如今正在解读原子的排列，拓展着人类物理世界的边界。

象征AI与数学融合的图像

人工智能专家 金京镇律师

AI法律政策专家 · 前国会议员 · 著作等身

如果这本书曾在您身边短暂停留，请支持我们，让下一个故事得以面世。

（自愿赞助账户：韩国农协银行 302-1096-0948-81 户名：金京镇）