AI在数学竞赛中遭遇滑铁卢，2025年国际数学奥赛（IMO）的战报让所有关注AI能力的用户大跌眼镜。这次比赛不仅验证了AI的数学解题能力，更暴露了其在逻辑推理和细节处理上的短板。即便是最被看好的Gemini 2.5 Pro，也仅获得31%的分数，连铜牌都未达到。更让人意外的是，Grok-4的答题表现堪称灾难，只给出了结果而无过程，仿佛在说"我就是知道"。

这场AI数学竞赛的舞台，是全球顶尖数学人才的竞技场。参赛者们经过长期训练，每道题都有数小时的思考时间。而这次比赛的试题，正是2025年IMO真题——一套能难倒顶尖数学教授的数学难题。美国代表队的六名选手得分在87%-99%之间，而陶哲轩13岁就获得IMO金牌的传奇故事，更让这场AI挑战充满期待。

为了保证评测的公正性，MathArena团队特意选择了题目的发布时间作为评测窗口。当题目刚刚公布，AI模型就立刻开始答题，这意味着它们无法提前接触试题内容。所有答案由两位奥数专家评委双盲评分，评分标准与IMO官方一致，每道题满分7分。参赛队伍包括OpenAI的o3、o4-mini，谷歌的Gemini 2.5 Pro，马斯克的Grok-4，以及国产模型DeepSeek-R1。

这次比赛采用了「best of 32」策略，每道题让AI生成32个不同答案，再由AI自己选出最优解。这种做法既保证了评测的严谨性，也极大提升了计算资源的使用效率。比如Grok-4单题评测成本高达20美元，24题总成本就超过了480美元。这种高强度的评测方式，让AI们不得不在计算资源上投入更多。

从最终成绩看，AI们的表现令人失望。Gemini 2.5 Pro虽然获得全场最高分，但13分的成绩仅相当于31%的分数，连铜牌都未达到。更有趣的是，这个AI在遇到难题时会编造"史密斯-约翰逊超平方引理"这样的假定理，但实际上这个定理并不存在。Grok-4的表现更为糟糕，给出的答案只有结果而无过程，仿佛在说"我懒得证明"。

DeepSeek-R1的表现也令人担忧，其成绩相较于之前的MathArena基准测试明显退步。这说明AI的数学能力并非一成不变，而是随着评测环境的变化而波动。研究者们发现，AI在解题时常常能抓住正确的思路，但在关键步骤会出现逻辑跳跃。这种"及格边缘线"的答题策略，与人类选手的"全对或全错"模式截然不同。

这次评测还揭示了AI解题的一个独特现象。在人类选手参加IMO比赛时，要么一题全部做对，要么干脆拿0分，拿3分、4分这样的中等分数很少见。而大模型则擅长考个"及格边缘线"，这种模式让AI在得分上显得更加稳定。但这也暴露了其在细节处理上的不足，尤其是在证明的关键步骤上往往缺乏严谨的推导。

评测团队指出，AI已经能抓住"人类感"的思路，但在细节能力上还有差距。如果AI能在逻辑链的完整性上取得突破，未来或许真能冲上领奖台。不过目前来看，人类数学选手们依然保持着优势，AI的数学能力还差得远。

这次比赛的试题堪称数学界的终极boss。问题1要求证明某种几何特性，问题2涉及复杂的数列推导，问题3则需要深入的代数变换。这些问题不仅考察基础数学知识，更考验逻辑推理能力和创新思维。即便是最顶尖的数学教授，也需要数小时的思考才能找到解题思路。

从评测结果看，AI们的表现与人类选手仍有明显差距。这不仅暴露了AI在数学推理上的不足，也反映出其在细节处理和逻辑严密性上的短板。虽然AI能快速生成多个解题方案，但往往在关键步骤上出现疏漏。这种"及格边缘线"的答题模式，与人类选手追求完美解题的风格形成鲜明对比。

这次评测也揭示了AI数学能力的另一个特点：它们擅长捕捉正确的解题思路，但往往在细节处理上不够严谨。这种现象说明，AI虽然能快速生成解题方案，但在逻辑严密性和细节处理上还有提升空间。如果AI能在这些方面取得突破，未来或许真能实现数学解题的突破。

对于普通用户来说，这次评测结果意味着什么？答案是：如果只是随便跑一遍模型，很难达到这种效果。想要让AI发挥出最佳状态，需要投入大量资源和计算力。这说明，AI的数学能力并非天生具备，而是需要通过不断试错和优化才能实现。

这场AI数学奥赛的战报，不仅揭示了AI在数学解题上的短板，也展示了其在逻辑推理和细节处理上的潜力。虽然目前AI还无法达到人类顶尖选手的水平，但随着计算资源的提升和算法的优化，未来或许真能实现数学解题的突破。不过，对于现在的人来说，人类数学选手们依然保持着绝对优势。