И все-таки AI уже стал математиком или нет?

Я решил разобраться в этом вопросе, когда OpenAI и Anthropic стали нон-стопом сыпать новостями про новые математические рекорды и открытия.

Я убежден, что математика — царица наук. Это язык вселенной, через который можно описать практически все в нашем мире. Движение объектов и материи, свет, температуру, силу, искусство, химию и даже психологию и политику. А если бы мы могли считать вероятности всех событий в мире — мы бы могли весьма точно предсказывать будущее.

Поэтому научить AI двигать человечество вперед конкретно в математике — все равно, что создать мощнейший инструмент автоматического прогресса сразу во всех сферах жизни. И именно поэтому так интересно понять, ну когда там уже мы попадем в это светлое будущее.

Прогресс реален

Вместе с ChatGPT я собрал все анонсы крупных AI лабораторий по их достижениям в сфере математики и начал их анализировать.

Честно скажу, что моих познаний в математике не хватило, чтобы разобраться в этом всем самостоятельно. Поэтому я попросил ЧатГПТ по-человечески объяснить в чем была суть каждой задачи и что сделал собственно AI.

По результатам анализа стало ясно, что весь прогресс можно разложить на три стадии.

Стадия первая: первые шаги

Первопроходцами в 2024 году стали Гуглоиды. Их AlphaProof начал решать олимпиадные задачи. Но интересного было мало. Никаких научных открытий, все ответы известны. Разработчики просто учили ИИ самой математике.

Стадия вторая: нащупали золотую жилу

Уже через год в AI начал потихоньку удивлять. Те же Гуглоиды показали AlphaEvolve — первого агента, специально заточенного под решение математических задач. 

Тогда еще понятие агента было ново. А тут агент уже показал реальный математический прогресс: нашел более эффективный способ умножения матриц и подобрал комбинаторно более эффективный способ упаковки сфер в ограниченном пространстве.

Звучит все еще скучно, но тут открылся так называемый «инсайт». Разработчики вдруг поняли, что суперсила LLM — в переборе. Не чиселок, конечно.

В математике обожают доказательство «от обратного». То есть чтобы доказать какую-то теорему — нужно доказать, что по-другому быть просто не может. Но иногда такой подход не работает, доказать «невозможность» не получается. А без этого доказательство как бы подвисает в незаконченном виде.

И вот именно на пул таких задач разработчики натравили свои модели. Ведь машине все равно — она втупую переберет десятки тысяч вариантов и комбинаций, пока что-нибудь да не найдет.

И это сработало! «Подвешаные теоремы», которые были как бы доказаны, но лишь потому, что люди не смогли доказать их несостоятельность, начали сыпаться одна за другой, когда AI начал находить исключения из правил и контрпримеры. А там, где контрпример не находился — AI находил способ повысить точность предложенного людьми доказательства, уточняя доверительные интервалы и добавляя «знаки после запятой».

Дальше таким подходом в течение всего 2025 года было сделано множество «открытий». В гонку включились другие лаборатории, особенно вовлеклись OpenAI. 

Сами по себе открытия в основном — сферические кони в вакууме. Реального повседневного применения у них практически нет. Но LLM и их разрабы явно нащупали как работать с математическими задачами и формальными доказательствами.

Кстати в то же время активно развивается биомедицинское направление и кибербез. Модели, умеющие в «научный перебор» отлично подходят для двух этих направлений.

Таким образом, в 2025 благодаря этому подходу AI по уровню решаемых задач вышел на уровень кандидата и местами даже доктора наук по математике.

Стадия третья: рывок?

Но сделал ли в 2026 году AI скачок, о котором активно трубят лаборатории? Давайте разберем два самых мощных конкретных открытия OpenAI, которые де-факто могут претендовать на математические премии.

1. Несофические группы

Это открытие примерно как обнаружение первой геометрической фигуры, которая не укладывается в устоявшуюся систему классификации.

Софические группы — это сложные бесконечные структуры, поведение которых можно «прикидывать» через поведение конечных структур или объектов. Долгое время математики не знали, существуют ли группы, для которых такое приближение невозможно. Так вот модель нашла конкретный пример.

Что это поменяет? Конечно, в быту у нас с вами от этого открытия ни горячо, не холодно. Но для математики — это открытие может повлиять на алгебру, теорию графов и теорию квантовой информации. А эти направления сейчас на передовой современной науки.

2. Навье—Стокс

Эта штука еще круче. Уравнения Навье—Стокса используются для описания воздуха, воды, крови, дыма и других жидкостей и газов — в задачах от проектирования самолётов до прогноза погоды.

Представьте водоворот или вихрь, который становится одновременно всё уже и всё быстрее. Так вот ученые задавались вопросом: Если начать с совершенно нормальной жидкости и воздействовать на неё нормальной силой, гарантируют ли уравнения Навье—Стокса нормальное течение навсегда?

Слово «нормальное» здесь означает, что скорость и давление остаются конечными и гладкими (то есть без резких скачков) во всех точках.

Математики почти 90 лет не могли доказать ни один из двух вариантов:

1. Гладкость сохраняется всегда. Сингулярность невозможна.

2. Сингулярность возможна. Нужно предъявить хотя бы один корректный пример, где гладкое течение ломается за конечное время.

Ну и я уверен, вы уже поняли, что сделал AI 😏 Конечно, нашел тот самый конкретный пример и этим доказал, что сингулярность возможна — агенты подобрали конкретный пример такого вихря.

Чтобы найти этот пример понадобилось «всего-лишь» 130 миллиардов токенов и 2.7 миллиарда сообщений агентов, работавших 88 часов над этим.

Так и что, был ли тот самый рывок в 2026?

Выводы

Несмотря на два реально мощных достижения, думаю вы уже поняли, что на самом деле AI модели все еще лишены главного математического навыка — чуйки. 

Модели не понимают, где нужно копать глубже, а где — нет. Не умеют задавать правильных вопросов и не могут придумать какую-то принципиально новую абстракцию или концепцию, как это делали гениальные математики. Модели просто на это не обучают. Их тренируют предсказывать наиболее вероятный следующий токен. А, как известно, самые важные открытия сначала кажутся совершенно невероятными (оттого и не понятно, как этому обучать).

Но, если у тебя нет таланта — бери упорством и трудолюбием. А в этом LLM-кам нет равных. Да и получается хорошечный симбиоз с людьми.

Однако гонка продолжается. И первая лаборатория, которая добьется того, что модель научиться изобретать принципиально новые подходы, а не просто находить что-то перебором — переломит ход игры. И, возможно, ход развития человечества, без преувеличения.

Больше интересных разборов и обзоров на AI агентов и AI технологии в моем ТГ —> Велком.