Google Research的七名研究者9月30日在arXiv提交論文，介紹了一套叫Cogentic的多智慧體系統，專門用來尋找研究級的數學證明。論文指出，系統以Gemini為基礎模型，在線上學習、拍賣理論與機制設計三個方向上推進了5個公開問題，所有證明事後都經過領域專家獨立核驗，並已擴寫成帶專家共同作者的完整論文。
作者名單裡有同時任職耶魯大學的Yang Cai，以及同時掛名Google DeepMind的Vineet Gupta，另有Aranyak Mehta、Christopher Liaw、Di Wang等人，論文歸在cs.AI和cs.GT(賽局理論)兩個分類下。
一次生成不夠，就拆成一條流水線
論文的出發點很單純：語言模型已經能提出不錯的數學想法，但碰上需要同時嘗試好幾條猜想、花上好幾天持續推進的難題，單次生成就撐不住了。
Cogentic的做法是把尋找證明拆給不同角色：
- 協調器掌握全局狀態，決定把多少個證明器派到哪個方向上；
- 證明器並行寫出候選證明；
- 驗證器從互補的角度挑錯，帶有對抗性質；
- 文獻檢索器補充背景資料；
- 帳本只收錄核驗通過的中間結論，跨輪次保留，後面的證明可以直接引用；
- 另有一個「顧問」角色盯著整個過程的模式，隨時調整參數。
證明、核驗、再證明，循環往下走。帳本這個設計解決的是長程任務的老毛病：模型上一輪推出來的引理，下一輪常常被忘記或改了說法，現在只要通過核驗就固定下來。
五道題分別推進到哪
按論文給出的結果：
- 線上逆線性最佳化：首次得到有效率的O(d)遺憾界限，且與時間跨度T無關，每輪計算量O(d²)；
- 雙邊市場競爭複雜度：證明只要在較小的一側恰好再加2個賣家，交易收益就能追平最優配置；
- n個專家的隨時(anytime)遺憾：給出一個隨時演算法，常數項與固定時長版本一致；
- 簡單機制與最優收益：單一可加買家的收益近似比從5.2改進到3.52；
- 自動出價的無政府代價：2個出價者時拿到最優的1.5，n個出價者時為2−1/(4n+1)。
成本方面，論文寫的是多數問題呼叫Gemini在百次量級，最難的問題在千次量級，具體用的是哪一版Gemini並未寫明。
和OpenAI那幾組證明擺在一起
今年下半年AI做數學的消息密集，放在一起看差別在驗證路線。
OpenAI 8月拿Astra交出10個數學與理論電腦科學成果，配了249頁論文和Lean形式化證書；9月公布的納維-史托克斯方程證明，動用約一萬個智慧體跑了88小時，同樣附上Lean檔案。機器可檢驗的形式化證書，是OpenAI這條線反覆強調的賣點。
Cogentic的論文把重心放在另一頭：系統內部靠對抗式驗證器篩過一輪，出系統之後由懂行的人逐份閱讀，再和專家合寫成正式論文。題目規模也收得更窄，五道題都出自作者本人的研究領域，屬於領域內有人盯著、做出來能被同行判斷的問題。
這種選法讓結果更容易被認可，代價是外推性。論文自己也承認，題目是「從作者熟悉的領域裡挑的」，換到作者不熟的方向效果如何，這篇論文沒有回答。
讀的人跟不上寫的速度
論文裡有一句話，跟陶哲軒8月那篇講稿擔心的事幾乎是同一件：
"A system like this can produce candidate results faster than they can be read."
這類系統產出候選結果的速度，可以快過人讀完它們的速度。
Cogentic的五道題都有專家把關，所以能說「已核驗」。一旦這套編排開放給更多人、題目鋪得更廣，瓶頸會落在審稿人身上。論文沒有給出專家核驗每份證明花了多少時間，而這正是判斷它能擴展到多大規模的關鍵數字。
參考來源：arXiv論文2609.40324、CocoLoop、Google Research；五項結果的界限與近似比、呼叫次數量級均按論文正文口徑。