Искусственный интеллект перешёл от анализа данных к генерации новых математических знаний, предлагая доказательства, которые ускользали от человеческого внимания. Это меняет сам процесс научного творчества.
Новая эра в математике: ИИ как партнер в открытиях
2025 год стал переломным моментом в истории искусственного интеллекта и математики. Эксперимент исследователя OpenAI Себастьяна Бубека с ChatGPT-5 Pro показал, что современные ИИ-модели способны не только повторять известные знания, но и генерировать новые математические доказательства. Всего за 17 минут модель доказала, что для гладких выпуклых функций выпуклость сохраняется при шаге не больше 1.5/L (где L — константа Липшица), улучшив предыдущий результат 1/L.
Хотя вскоре после этого авторы оригинальной статьи представили еще более точную границу 1.75/L, доказательство GPT-5 Pro осталось значимым достижением. Оно отличалось от человеческого подхода и было тщательно проверено Бубеком. Этот случай иллюстрирует новую парадигму «человек + ИИ», где искусственный интеллект становится полноценным участником научного процесса.
От единичного случая к конвейеру открытий
Если эксперимент Бубека был единичным успехом, то проект Model-Guided Research (https://github.com/Dicklesworthstone/model_guided_research) превращает ИИ-генерацию математических идей в систематический процесс. Изначально начавшийся с вопроса о связи матричных экспонент и групп Ли с применением в ИИ, проект перерос в нечто большее: GPT-5 Pro самостоятельно сгенерировал несколько перспективных направлений математических исследований.
Самостоятельно предложенные ИИ направления исследований:
1. Ультраметрические миры и p-адические вычисления — иерархическое внимание с использованием p-адических чисел
2. Тропическая геометрия и идемпотентная алгебра — алгебра max-plus для кусочно-линейных сетей
3. Октонионные/кватернионные потоки сигналов — неассоциативная алгебра для богатых представлений
4. Симплициальные комплексы и внимание высшего порядка — многосторонние взаимодействия за пределами парных
5. Нестандартный анализ и гипервещественное обучение — бесконечно малые возмущения и принципы переноса
Что впечатляет еще больше — ИИ не только предложил эти направления, но и оценил их по собственноручно разработанной системе критериев:
- Теоретическая новизна (0-100)
- Практическая осуществимость (0-100)
- Потенциальное влияние (0-100)
- Математическая строгость (0-100)
- Четкость реализации (0-100)
Общий балл выводился по взвешенной формуле, которую модель разработала самостоятельно. Этот метакогнитивный подход — когда ИИ и генерирует, и оценивает математические идеи — представляет собой новую веху в человеко-машинном сотрудничестве.
Почему это революционно: ключевые особенности ИИ-генерируемой математики
1. Способность работать в рамках ограничений
Как отмечают исследователи, GPT-5 проявил удивительную способность точно настраивать "хрупкие" константы без нарушения условий задачи. В оптимизации такие константы обычно крайне чувствительны — малейшее изменение ломает все доказательство. То, что ИИ смог улучшить константу со второй попытки, оставаясь в рамках исходных предположений, свидетельствует о целенаправленном рассуждении, а не случайном переборе.
2. Генерация идей в масштабе
Человеческий мозг ограничен в способности генерировать и проверять математические гипотезы. ИИ может производить достоверные идеи в масштабе — предлагать множество возможных направлений исследований, которые затем проверяются и уточняются. Это значительно ускоряет математический прогресс.
3. Проверка и формальная верификация
Развитие инструментов формальной верификации, таких как APOLLO (формальный математический автопилот, объединяющий ИИ с компилятором Lean), позволяет быстро проверять доказательства, сгенерированные ИИ. Система находит места, где доказательство ломается, исправляет ошибки и перепроверяет, пока не будет получено полное верифицированное доказательство.
Реальные применения: от теории к практике
Проект Model-Guided Research не ограничивается теоретическими изысканиями. Каждое из предложенных ИИ направлений было реализовано в виде рабочего кода.
Будущее математических исследований: модель предлагает, человек проверяет
Аналитики предсказывают, что следующая волна математического прогресса будет «предложенная моделью, проверенная человеком» (model-propossed, human-verified). ИИ-системы будут генерировать достоверные идеи в масштабе, а системы доказательств будут отлавливать их ошибки за часы, а не месяцы.
Уже сейчас мы видим впечатляющие успехи ИИ в математических соревнованиях:
- OpenAI сообщила о достижении 99.5% успеха в расчетах на AIME 2025 с использованием Python инструмента
- На Международной математической олимпиаде модели от Google и OpenAI показали результаты уровня золотых медалей, решив 5 из 6 задач - APOLLO поднял miniF2F до 75% для 7B моделей и увеличил общие модели с однозначных до 40%+ с помощью компилятор-управляемого восстановления доказательств.
Вызовы и ограничения
Несмотря на впечатляющие успехи, ИИ в математике сталкивается с вызовами. Как показало тестирование GPT на задачах ЕГЭ по математике, модели все еще испытывают трудности с анализом графиков и изображений. В "детских" ошибках (например, в анализе координат на графике) ИИ может галлюцинировать фантомные точки.
Кроме того, как отмечают пользователи, GPT-5, будучи технически более совершенным, иногда уступает в "естественности" и контекстуальности общения по сравнению с предыдущими версиями. Это может создавать сложности в процессе совместной творческой работы над сложными математическими проблемами.
Заключение: математика как совместное творчество человека и ИИ
Эксперимент Себастьяна Бубека и проект Model-Guided Research знаменуют начало новой эры в математике. ИИ перестал быть просто инструментом для вычислений и стал генератором новых идей и доказательств.
Как отмечают участники проекта Model-Guided Research, матричная экспонента exp(A) = Σ(A^k/k!) служит мостом между локальным (бесконечно малые генераторы в алгебрах Ли) и глобальным (конечные преобразования в группах Ли). Современные ИИ-системы становятся подобным мостом — они соединяют абстрактную математическую теорию с практическими применениями в искусственном интеллекте, создавая синергию, которая ускоряет развитие обеих областей.
Это не означает замену математиков-людей, но фундаментально меняет характер их работы. Вместо рутинного перебора возможных подходов математики будущего будут курировать поток идей, генерируемых ИИ, отбирая наиболее перспективные и дорабатывая их.
Будущее математических исследований — не в противопоставлении "естественного" и "искусственного" интеллекта, а в их симбиозе и взаимном усилении. И первые плоды этого сотрудничества мы уже начинаем пожинать сегодня.
Рекомендую к прочтению:
Делитесь своим мнением, ставьте лайк, подписывайтесь на канал Герои Истории – разнообразный историко-информационный канал на Дзен. Вы найдёте, что у нас почитать.