DeepMind持续改进人工智能的数学能力，数学推理模型AlphaGeometry2在解决国际数学奥林匹亚（IMO）几何题目上的表现，已正式超越金牌选手的平均水准。研究团队测试了2000至2024年间所有IMO几何题，AlphaGeometry2以84%的解题成功率大幅超越前代系统AlphaGeometry1的54%，并且研究团队挑出难度更高的IMO Shortlist几何题子集IMO-AG-30，AlphaGeometry2成功解出全部题目，展现人工智能在数学推理领域的突破性能力。
这项研究来自DeepMind的数学与人工智能团队，核心技术结合了语言模型与符号推理系统，通过强化学习与增强搜索算法，让人工智能能够更有效率地善用辅助线、拆解问题并创建完整的几何证明。
新版本扩展了AlphaGeometry的几何领域语言，使其更能够处理复杂的几何问题，包括轨迹定理（Locus Theorem）、线性方程式与非构建性命题（Non-Constructive Problem Statement），能够形式化处理，也就是可以读懂IMO几何题的比例从66%提升至88%。同时，运算引擎的性能也大幅提升，通过C++重新实例符号处理机制，并优化规则集，使推理过程更为精确与高效。
在测试结果中，AlphaGeometry2对IMO几何题的解题能力，已达专业数学竞赛选手的水准，甚至在部分问题的解法上展现超越人类的创造力。DeepMind研究团队表示，这项技术突破不仅是数学解题系统的进展，也使人工智能在形式化推理、自动证明与教育应用打开新的可能性。
传统的数学自动推理技术主要依赖代数运算与计算机代数系统（CAS），例如Wu's Method或Gröbner Bases，通过将几何问题转换为代数联立方程式来求解，而AlphaGeometry2采用了更贴近人类解题方式的合成几何推理方法，并通过语言模型驱动推导过程，使其能够从自然语言描述的题目中构建完整的证明。
目前的研究仍有部分限制，AlphaGeometry2无法处理变量点数（Variable Number of Points）、不等式与非线性方程式的几何问题，这些类型的题目在IMO中虽然不常见，但仍然是自动几何推理领域尚未解决的挑战。此外，部分涉及投影几何（Projective Geometry）与几何反转（Inversion）的问题，仍然超出系统现有能力范围，研究团队认为，未来通过更高效的问题拆解策略与强化学习机制，能够进一步缩小这些差距。
