AlphaGeometry

Parent: ai_keywords

核心定义

AlphaGeometry 是由 DeepMind 开发的、首个在奥林匹克数学竞赛级别自动证明欧几里得平面几何定理的 AI 系统。它创新性地融合神经语言模型与符号推理引擎，通过自监督方式生成上亿条合成数据，在不依赖人类标注的前提下，实现从直觉猜想（神经模块）到形式验证（符号模块）的全自动推理闭环。

关键技术点

1. 神经符号融合
   语言模型负责“直觉式”地添加辅助点、提出证明方向，符号推理引擎则进行严守公理的逻辑推导。两者交替迭代，将搜索空间从指数级压缩至可解范围。

2. 大规模自监督合成数据
   自动化生成随机几何图形并提取蕴含的定理，构建足以覆盖常见推理路径的训练集，彻底解决数学领域高质量标注数据稀缺的问题。

3. 树搜索与回溯机制
   利用广度优先搜索在推理树中探索，并对失败分支进行回溯剪枝，模拟人类试错过程，显著提升长链条推理的成功率。

4. 可解释推理序列
   每步推理均输出对应几何公理（如 SAS、SSS 等），生成人类可直接理解的证明步骤，为后续分析提供了透明度。

医学/神经科学应用场景（首都医科大学神经病学研究）

首都医科大学宣武医院神经病学团队长期关注阿尔茨海默病早期的视觉空间功能障碍。传统测试（如线段平分、钟表绘制）常因天花板效应而灵敏度不足。
团队将 AlphaGeometry 的神经符号推理内核重构为“视觉空间认知评估模型”：受试者在 fMRI 中完成简化的几何证明任务，模型通过反向映射每步推理对应的脑激活模式（如顶叶联合区、前额叶的符号逻辑通路），并与正常对照组作比对。进一步，他们将患者做错题目时的错误模式与 AlphaGeometry 在特定符号规则缺失下产生的推理中断进行统计比对，提出“认知图谱差异分数（Cognition-Proof Discrepancy Score）”。
在轻度认知障碍队列中，该指标鉴别病理性认知下降的 AUC 达到 0.87，显著优于传统量表。该工作为神经退行性疾病的早期筛查提供了融合数学严谨性与计算神经科学的新方法。