Модель OpenAI впервые автономно решила открытую задачу математики

OpenAI заявила о редком для ИИ в науке результате: её внутренняя модель рассуждения автономно нашла контрпример к открытой задаче из дискретной геометрии. Речь о задаче единичных расстояний, которую Пауль Эрдёш сформулировал в 1946 году: если на плоскости разместить n точек, сколько пар может находиться ровно на расстоянии 1 друг от друга?

Десятилетиями математики считали, что лучшие решётчатые конструкции в этой задаче, грубо говоря, почти оптимальны. Новый результат ломает именно это ожидание: модель OpenAI предложила бесконечное семейство примеров, где число единичных расстояний растёт как минимум как n^(1+δ) для некоторого фиксированного δ > 0. В исходном доказательстве ИИ δ не был указан явно, но, по OpenAI, последующее уточнение профессора Принстона Уилла Савина показывает, что можно взять δ = 0,014.

Что именно сломалось в старой картине

Задача звучит школьно, но относится к классическим проблемам комбинаторной геометрии. Простые конструкции дают линейный рост: например, точки на одной прямой дают n−1 пар, квадратная решётка — около 2n. Более сильная решётчатая конструкция Эрдёша давала рост чуть быстрее линейного, вида n^(1+C/log log n), и поэтому долго поддерживала гипотезу, что заметного полиномиального улучшения быть не должно.

Модель нашла путь из другой области математики. Вместо привычных гауссовых целых чисел аргумент использует более сложные алгебраические числовые поля, башни полей классов и теорию Голода — Шафаревича. Для читателя без математического бэкграунда важна не техника сама по себе, а тип открытия: элементарно сформулированная геометрическая задача внезапно получила решение через глубокие инструменты теории чисел.

Почему проверка людьми здесь принципиальна

OpenAI подчёркивает, что результат проверила группа внешних математиков, а Нога Алон, Томас Блум, Тимоти Гауэрс, Дэниел Литт, Уилл Савин, Арул Шанкар, Джейкоб Цимерман, Виктор Ванг и Мелани Матчетт Вуд подготовили отдельную поясняющую статью. В ней доказательство описано как переработанная, упрощённая и обобщённая людьми версия доказательства ИИ — то есть исходная идея пришла от модели, но опубликованная математическая форма прошла человеческую редактуру.

Это важная граница против маркетингового тумана. OpenAI не называет модель публично и не говорит, что людям больше не нужна экспертиза. Наоборот, смысл результата в связке: модель нашла неожиданный ход, а математики проверили, упростили и объяснили, почему он действительно меняет понимание задачи. Тимоти Гауэрс в поясняющей статье назвал работу «рубежом в математике ИИ», а Арул Шанкар отметил, что современные модели уже способны не только помогать людям, но и выдвигать оригинальные идеи и доводить их до результата.

Что это говорит о научных агентах

Для Neuro.ee главный вывод не в том, что «ИИ решил математику». Гораздо точнее: передовые модели начинают показывать качества, нужные для реального исследования, где надо удерживать длинный аргумент, переносить идеи между далёкими областями и выдавать работу, которую можно проверить независимой экспертизой.

Математика удобна как полигон, потому что доказательство либо держится, либо нет. Если такой уровень рассуждения переносится в биологию, физику, материалы или инженерные задачи, ставка становится практической: системы ИИ смогут не только искать литературу и писать черновики, но и предлагать нетривиальные исследовательские маршруты. При этом роль человека не исчезает. Кто-то должен выбирать важные вопросы, проверять доказательства, понимать ограничения и решать, какие результаты достойны доверия.