Pertama, mari kita perjelas apa itu 10 soal ini.
Ini bukan soal kompetisi matematika atau teka-teki klasik. Ini adalah soal matematika level riset yang belum dipublikasikan dari tantangan FirstProof—pesertanya meliputi matematikawan profesional dan doktor matematika. Persyaratannya: jawaban harus benar, dan harus disertai bukti matematis yang ketat yang dapat bertahan dalam peninjauan sejawat.
Aletheia, AI matematika terbaru DeepMind, memecahkan 6 di antaranya.
Lima dinilai oleh pakar eksternal sebagai "siap terbit dengan sedikit revisi." Apa artinya? Artinya kualitas solusi ini telah mencapai standar makalah akademis nyata.
Bagaimana Aletheia Bekerja
Model dasar Aletheia adalah Gemini 3 Deep Think, yang meningkatkan kinerja melalui perpanjangan komputasi waktu uji. Tapi ini bukan sekadar menjalankan model besar tunggal; ini adalah kerangka multi-agen:
- Generator: Menghasilkan ide solusi awal
- Verifier: Memverifikasi langkah-langkah bukti untuk celah logis
- Reviser: Memodifikasi bukti berdasarkan umpan balik verifikasi
- Mengintegrasikan Google Search untuk mengakses literatur matematika terbaru
Gagasan di balik arsitektur ini adalah bahwa verifikasi bukti lebih mudah daripada menghasilkan bukti. Dalam bukti matematika, setiap langkah penalaran benar atau salah—ini adalah penilaian yang relatif objektif, jauh lebih mudah daripada menghasilkan konten. Jadi, memiliki Verifier sebagai penjaga gerbang dapat, sampai batas tertentu, mengurangi terjadinya solusi yang "tampaknya benar tetapi sebenarnya cacat."
Satu hal lain yang dilakukan Aletheia juga patut dicatat: ketika menemukan soal yang benar-benar tidak dapat dipecahkan, ia secara eksplisit mengeluarkan "tidak ada solusi ditemukan" atau waktu habis, daripada memaksakan jawaban yang salah. Desain "tahu apa yang tidak diketahui" ini jauh lebih penting dalam skenario matematika daripada halusinasi paksa.
Perbandingan dengan OpenAI
Dalam tantangan FirstProof, OpenAI juga mengikutsertakan model internal.
Laporan awal mengatakan model OpenAI juga memecahkan 6 soal. Setelah ditinjau ulang, Soal 2 ditemukan memiliki cacat logis, sehingga jumlahnya turun menjadi 5.
Aletheia dalam kondisi yang sama: 6 terpecahkan, dengan 5 dinilai layak terbit oleh tinjauan pakar eksternal.
| Sistem | Jumlah Terpecahkan | Hasil Tinjauan Pakar |
|---|---|---|
| Aletheia (DeepMind) | 6 | 5 "layak terbit" |
| Model Internal OpenAI | 5 (1 diturunkan setelah ditinjau) | Tidak diungkap secara rinci |
Perbedaannya kecil, tetapi arahnya jelas: AI matematika sedang memasuki rentang di mana ia dapat berdialog dengan peneliti papan atas.
91,9% di IMO-ProofBench
Selain FirstProof, Aletheia mencapai tingkat akurasi 91,9% di IMO-ProofBench, tolok ukur pembuktian berdasarkan soal Olimpiade Matematika Internasional.
Sebagai referensi: tingkat kelulusan mahasiswa jurusan matematika biasa pada soal IMO umumnya di bawah 20%; mahasiswa PhD matematika papan atas bisa mencapai 40-60%; hanya peraih medali perak IMO ke atas yang secara konsisten dapat melampaui 70%.
91,9% sudah melampaui sebagian besar peserta manusia yang dapat mengikuti IMO.
Sejujurnya, tim peneliti sendiri juga tidak berlebihan. Ada satu kalimat dalam makalah yang layak dikutip langsung:
"Bahkan dengan mekanisme Verifier, tingkat kesalahan Aletheia masih lebih tinggi daripada pakar manusia."
Ini adalah kejujuran yang tidak biasa: skor tolok ukur kami bagus, tetapi kami masih jauh dari "menggantikan matematikawan."
Ke Mana Garis Ini Bergerak
Beberapa tahun lalu, kinerja model bahasa besar dalam matematika adalah: menjawab soal mudah dengan benar, menjawab soal sulit dengan salah, dan gagal dalam pembuktian.
Sekarang situasinya adalah: mereka dapat memecahkan 60% soal level riset, dan sebagian besar bukti tersebut berkualitas layak terbit.
Ini bukan "lebih baik dari manusia," melainkan "mulai memasuki rentang berdiskusi tentang masalah dengan pakar manusia." Reaksi komunitas matematika lebih bernuansa daripada komunitas AI—beberapa melihatnya sebagai alat, yang lain mulai berpikir serius tentang apa artinya ini.
Hal yang menarik tentang matematika adalah standar kebenarannya objektif. Anda membuktikannya atau tidak. Kualitas kode masih bisa diperdebatkan, tetapi celah logis dalam bukti matematika dapat dideteksi oleh mesin.
Jadi matematika, kemungkinan besar, adalah salah satu bidang pertama di mana pertanyaan "apakah AI benar-benar memahami atau hanya korelasi statistik?" dapat dijawab dengan jelas. 6/10 Aletheia kali ini adalah sebuah tonggak dalam perjalanan menjawab pertanyaan itu. Bukan akhir.
Sumber: DeepMind's Aletheia Solves 6 Out of 10 Unpublished Research-Level Math Problems (InfoQ, CocoLoop, 19 April 2026)