原文リンク(2026-04-19)
GoogleはAletheia、Gemini 3 Deep Thinkを用い、FirstProofチャレンジで未発表の数学問題10問中6問を解いたAIを発表した。AletheiaはIMO-ProofBenchで約91.9%を記録し、人的介入なしの研究レベル証明の自動発見において重要な転換点を示した。
データ汚染―モデルが訓練データを意図せず記憶してしまう―に苦しむことが多い従来のベンチマークと異なり、FirstProofチャレンジは未発表の研究レベルの数学補題10問で構成されている。これらの問題は進行中の数学研究から提供され、これまでオンラインに公開されたことがなかったため、AIが事前にそれらを見ていた可能性は事実上ないと考えられている。さらに参加者には解答提出のためにわずか1週間しか与えられなかった。
人間によるヒントや対話ループなしで生の問題プロンプトのみを与えられ、Aletheiaが完全自律的に証明候補を生成した。専門家による人的評価により、提案された10件の解答のうち6件が「軽微な修正を加えれば出版可能」と判断された。特に問題8に対する解答は7名中5名の専門家によって正しいと判定され、残る専門家も詳細が不足していたことを惜しんだ。クリティカルに、残り4問についてAletheiaはもっともらしいが誤った解答をハルシネーションするのではなく、「解は見つからなかった」と明示的に出力するかタイムアウトした。DeepMindの研究者らがコメントした。
この自己フィルタリング機能はAletheiaの重要な設計原則の1つです；私たちは研究数学におけるAI支援を大規模化する際の主要ボトルネックは信頼性であると考えています。私たちは多くの現役研究者は生の問題解決能力と引き換えに精度向上を選ぶだろう…と疑っています。
OpenAI社も未公開の内部推論モデルで本チャレンジに取り組んだ。当初は10問中6問（問題2、4、5、6、9、10）を解決したと報告したが、問題2の解答に論理的欠陥が見つかり、最終的に5問へと下方修正された。DeepMind社の厳格なゼロショット完全自動化とは異なり、OpenAI社は複数回の試行結果から最良の出力を人間が評価・選択する限定的な人的監督に依存したことを認めている。
内部では、AletheiaはGemini 3 Deep Thinkアーキテクチャを活用しており、拡張版「テストタイム計算量」（推論時）に依存している。このシステムは論理的ステップを提案するGenerator、欠陥を評価するVerifier、反復し誤りを修正するReviserを含むマルチエージェントフレームワークを用いている。Google Searchなどの外部ツールを統合することで、エージェントは既存文献を読み解くことで概念検証できるため、典型的にLLMを悩ませている根拠のない引用を回避しやすくなっている。
（出典: Google DeepMindブログ）
Luhui Dev氏による詳細分析で探求されているように、Aletheiaは厳格かつ実行可能な研究ループに類似しており、数学研究のCI/CDパイプラインのようなものである：提案、検証、失敗、修正、マージ。LLMは創造的な候補生成器として働き、第2のエージェントは修正を促進するために査読者として働く。
しかし研究者らは論文Towards Autonomous Mathematics Researchでここ数か月内に大きな進展があったものの、完全自律化はまだ達成されていないと述べた：
検証メカニズムを備えていても、Aletheiaは依然として人間の専門家より誤りを犯しやすいです。さらに曖昧さが存在する場合、モデルはもっとも答えやすい解釈へと問題を誤読する傾向があります。これは機械学習における「仕様ゲーム化」や「報酬ハッキング」としてよく知られる傾向と一致しています。
この取り組みを主導する数学者たちはすでに第2イテレーションに着手している。2026年3月から6月にかけて第2弾の問題群が作成、検証、採点され、今回は完全な正式ベンチマークとして設計される予定である。
AletheiaはGemini Deep Thinkのアドバンスド・バージョンにより駆動されている。