在人工智能逻辑推理领域，一项来自中国科研团队的创新成果引发全球关注。该团队成功研发出全球首个具备自主命题与解题能力的通用人工智能系统——“通矩模型”（TongGeometry），相关研究论文以“基于引导树搜索的奥数几何问题提出与解答系统”为题，发表于国际顶级期刊《自然·机器智能》。这一突破标志着我国在自动化推理领域实现关键技术自主可控，并在性能与功能维度上全面超越国际同类系统。
奥林匹克数学竞赛向来被视为检验AI逻辑推理能力的“终极考场”。此前，DeepMind推出的AlphaGeometry虽在解题领域表现亮眼，但其本质仍属于“被动解题者”——依赖海量合成数据训练，且需要庞大算力集群支持。相比之下，TongGeometry展现出更高阶的智能特征：它不仅能以满分水准解决近25年所有奥数几何难题，更具备自主设计兼具美学价值与创新性题目的能力，实现了从“模仿解题”到“主动创造”的范式跃迁。
研究团队通过构建独特的“对偶性模型”破解了命题与解题的深层关联。北京通用人工智能研究院张驰博士指出：“当几何命题的证明难度远超其构建复杂度时，便天然具备奥赛题目的审美价值。系统通过量化这种对偶关系，能从海量空间组合中精准筛选出符合人类数学家审美标准的高质量题目。”这一创新机制使TongGeometry成为首个能自主生成竞赛级几何题的AI系统，其命题质量已通过专业学术评审验证。
在技术性能层面，TongGeometry展现出显著优势。该系统采用“规范化表示”技术将搜索空间压缩数个数量级，有效规避传统方法中的路径爆炸问题。实验数据显示，仅需单张消费级显卡（如RTX 4090），系统即可在38分钟内完成所有测试题解答，推理效率与准确率均达世界顶尖水平。这种“小算力、高精度”的特性，为通用人工智能的落地应用开辟了新路径。
北京大学心理与认知科学学院朱毅鑫教授强调，系统的核心价值不在于解题速度，而在于其模拟人类数学直觉的认知机制。通过构建“小数据、大任务”的学习范式，TongGeometry摆脱了对海量标注数据的依赖，实现了内部逻辑的自我演化。这种接近人类思维模式的推理方式，为通用人工智能的发展提供了关键技术支撑。
目前，TongGeometry的原创能力已获得权威认可。系统自主设计的3道几何题被正式纳入2024年全国中学生数学联赛（北京赛区）及美国精英奥赛试题库，这是AI原创题目首次进入高规格人类数学竞赛。这一突破不仅验证了系统的实用性，更预示着人机协同创新的新可能。
该成果由跨学科团队联合攻关完成，集结了北京通用人工智能研究院、北京大学心理与认知科学学院、智能学院、人工智能研究院及武汉人工智能研究院的顶尖科研力量。研究团队表示，将持续优化“通系列”模型，推动中国人工智能技术在复杂逻辑推理与科学发现领域保持领先优势。
