北京科研团队实现通用人工智能逻辑推理新突破

当全球AI竞赛还在大语言模型和图像生成上卷生卷死时，中国团队悄然在另一个基础性领域——几何逻辑推理，埋下了一颗重磅冲击波。近日，由北京通用人工智能研究院领衔，联合北大多个学院组成的跨学科团队，成功开发了一款名为“通矩模型”（TongGeometry）的自主AI系统。相关成果已经登上了国际顶刊《自然-机器智能》。业内共识是：这是全球首个真正意义上既能“自己出题”又能“自己解题”的通用AI，标志着我们在自动化逻辑推理这个硬核赛道上，实现了从追赶到并跑甚至领跑的关键跨越。

简单来说，过去AI做几何题，一直卡在两个瓶颈上。

第一个是“组合爆炸”。 几何证明不像算术，它需要添加辅助线、辅助圆，每多加一个元素，可能的组合方式就呈指数级增长。搜索空间大到离谱，传统方法很容易在里面绕晕。

第二个是“数据饥渴”。 高质量的几何题库就那么点，题型有限，覆盖不全。靠这点数据去训练一个大模型，很难指望它泛化出多强的推理能力，更别提举一反三了。

为了解决这些问题，团队设计了一套高鲁棒性的逻辑推理搜索框架。这个框架不简单，它把复杂的几何世界做了一次彻底的“结构化拆解”。其核心思路是：让AI在每个推理节点上，都能像人类数学家一样，进行有层次、有策略的探索。这样一来，大量低效甚至无效的盲目试错就被有效地规避了。

这里面最让我眼前一亮的，是团队原创的“规范化表示”技术。你可以把它理解为赋予模型一种“看穿表象”的能力。在几何世界里，同一个命题，图形旋转90度、镜像翻转一下或者比例缩放一点，看起来就是千变万化的。但通矩模型能自动识别并归并所有对称等价或拓扑同构的构型。好比不管一个三角形怎么在坐标系里转，系统都能稳稳地抓住那个不变的核心几何关系。正是通过对这种几何对称性与不变量的深度建模，系统把原始的搜索空间压缩了几个数量级。这才是效率提升的关键支点。

有意思的是，它在激发解题直觉时，还引入了一套基于数学美学的价值评估机制。这听起来有点玄乎，但原理很实在：系统内置了个“价值模型”，依托强化学习框架，实时评估每条推理路径的价值。它关注的不仅仅是结论对不对，更在意推导链条是不是精炼、结构是不是优美、步骤是不是经济。

论文第一作者张驰在解读时打了个比方，说当模型察觉到某个命题的证明难度远超其构造本身时，它就会触发类似人类数学家“灵光一现”的信号。这种由价值函数驱动的主动探索，让系统不仅能复现已有的解法，还能从海量可能中甄别出符合人类数学审美的新题。用张驰的话说，这真正实现了从“被动解题”到“主动创题”的范式跃迁——而在这方面，全球范围看，这确实是首例。