Google Research 的七名研究者 9 月 30 日在 arXiv 提交论文，介绍了一套叫 Cogentic 的多智能体系统，专门用来找研究级的数学证明。论文称，系统以 Gemini 为底座模型，在在线学习、拍卖理论和机制设计三个方向上推进了 5 个开放问题，所有证明事后都经过领域专家独立核验，并已扩写成带专家合著者的完整论文。
作者名单里有同时任职耶鲁大学的 Yang Cai，以及同时挂名 Google DeepMind 的 Vineet Gupta，另有 Aranyak Mehta、Christopher Liaw、Di Wang 等人，论文归在 cs.AI 和 cs.GT（博弈论）两个分类下。
一次生成不够，就拆成一条流水线
论文的出发点很朴素：语言模型已经能冒出不错的数学想法，但碰上需要同时试好几条猜想、几天里持续推进的难题，单次生成就撑不住了。
Cogentic 的做法是把找证明拆给不同角色：
- 编排器掌握全局状态，决定把多少个证明者派到哪条方向上；
- 证明者并行写候选证明；
- 验证者从互补的角度挑错，带对抗性质；
- 文献检索者补背景资料；
- 账本只收录核验通过的中间结论，跨轮次保留，后面的证明可以直接引用；
- 另有一个”顾问”角色盯着整个过程的模式，随时调整参数。
证明、核验、再证明，循环往下走。账本这个设计解决的是长程任务的老毛病：模型上一轮推出来的引理，下一轮常常忘了或者改了说法，现在只要过了核验就落盘固定。
五道题分别推进到哪
按论文给出的结果：
- 在线逆线性优化：首次得到高效的 O(d) 遗憾界，且与时间跨度 T 无关，每轮计算量 O(d²)；
- 双边市场竞争复杂度：证明只要在较小的一侧恰好再加 2 个卖家，交易收益就能追平最优配置；
- n 个专家的随时（anytime）遗憾：给出一个随时算法，常数项与固定时长版本一致；
- 简单机制与最优收益：单一可加买家的收益近似比从 5.2 改进到 3.52；
- 自动出价的无政府代价：2 个出价者时拿到最优的 1.5，n 个出价者时为 2−1/(4n+1)。
成本方面，论文写的是多数问题调用 Gemini 在百次量级，最难的问题在千次量级，具体用的是哪一版 Gemini 没有写明。
和 OpenAI 那几组证明摆在一起
今年下半年 AI 做数学的消息密集，放在一起看差别在验证路线。
OpenAI 8 月拿 Astra 交出 10 个数学与理论计算机结果，配了 249 页论文和 Lean 形式化证书；9 月公布的纳维–斯托克斯证明，动用约一万个智能体跑了 88 小时，同样附 Lean 文件。机器可检的形式化证书，是 OpenAI 这条线反复强调的卖点。
Cogentic 的论文把重心放在另一头：系统内部靠对抗式验证者筛一遍，出系统之后由懂行的人逐份读，再和专家合写成正式论文。题目规模也收得更窄，五道题都出自作者本人的研究领域，属于领域内有人盯着、做出来能被同行判断的问题。
这种选法让结果更容易被认可，代价是外推性。论文自己承认，题目是”从作者熟悉的领域里挑的”，换到作者不熟的方向效果如何，这篇论文没有回答。
读的人跟不上写的速度
论文里有一句话，跟陶哲轩 8 月那篇讲稿担心的事几乎是同一件：
“A system like this can produce candidate results faster than they can be read.” 这类系统产出候选结果的速度，可以快过人读完它们的速度。
Cogentic 的五道题都有专家把关，所以能说”已核验”。一旦这套编排开放给更多人、题目铺得更广，瓶颈会落在审稿人身上。论文没有给出专家核验每份证明花了多少时间，而这正是判断它能扩到多大规模的那个数。
参考来源：arXiv 论文 2609.40324、CocoLoop、Google Research；五项结果的界与近似比、调用次数量级均按论文正文口径。