ИИ от OpenAI опроверг математическую гипотезу, мучившую ученых 80 лет

Когда машина делает то, что люди не смогли за восемь десятилетий
Есть новости, которые читаешь и думаешь: "ну, очередной маркетинговый залп". А потом открываешь реакцию лауреата Филдсовской премии - самой престижной награды в математике - и понимаешь, что на этот раз все иначе. В мае 2026 года OpenAI объявила, что ее внутренняя модель опровергла гипотезу Эрдеша о единичных расстояниях - задачу из дискретной геометрии, которая оставалась открытой с 1946 года.
Тим Гауэрс, получивший Филдсовскую медаль, написал прямо: решение этой задачи - "веха в математике ИИ". Это не дежурный комплимент. Гауэрс не раздает такие оценки направо и налево.
Что за задача и почему она важна
Пол Эрдеш - один из самых плодовитых математиков в истории, автор более 1500 научных работ. Его особый дар состоял в умении формулировать задачи, которые звучат просто, но уходят корнями в самую глубь математики.
Гипотеза о единичных расстояниях - из этой серии. Представьте набор точек на плоскости. Между каждой парой точек можно измерить расстояние. Вопрос: при данном количестве точек, сколько пар могут находиться ровно на расстоянии 1 единица друг от друга? Для малого числа точек это можно посчитать вручную - оптимальные конфигурации известны вплоть до 21 точки. Дальше - туман.
Почти 80 лет математики считали, что наилучшие конфигурации выглядят примерно как квадратные решетки. Модель OpenAI это опровергла: она обнаружила принципиально новое семейство конструкций, которое дает лучший результат. Иными словами, интуиция нескольких поколений ученых оказалась ошибочной.
Осторожно: OpenAI уже ошибалась раньше
Прежде чем переходить к восторгам, нужно вспомнить контекст. Семь месяцев назад бывший вице-президент OpenAI Кевин Вейл торжественно объявил в X, что GPT-5 решил 10 нерешенных задач Эрдеша и продвинулся еще в 11. Это была катастрофа: выяснилось, что модель просто нашла уже существующие решения в литературе, не создав ничего нового. Янн ЛеКун и Демис Хассабис не преминули поиздеваться, Вейл удалил пост.
Тот же Томас Блум, ведущий сайт Erdos Problems и назвавший тот пост "грубым искажением реальности", на этот раз поддержал результат. Среди других рецензентов - профессора Нога Алон и Мелани Вуд. Это не пиар-поддержка, а содержательная верификация.
Даниэль Литт из Университета Торонто сформулировал точнее всего: это "первый пример результата, автономно полученного ИИ, который интересен сам по себе, а не только как индикатор прогресса".
Как именно это было сделано
Важная деталь, которую легко упустить: речь идет не о специализированной математической системе, заточенной под эту конкретную задачу. OpenAI использовала новую модель общего назначения для рассуждений. Это меняет масштаб вывода - если система справляется с такой задачей "попутно", значит, уровень связного логического мышления вырос качественно.
Модель применила существующие идеи из нескольких подобластей математики и собрала из них полное доказательство. Принципиально новых техник она не изобрела - но это не умаляет результата. Найти правильную комбинацию инструментов там, где люди за 80 лет не нашли, само по себе нетривиально.
После публикации человеческие математики доработали и расширили полученное доказательство. Это показательная модель взаимодействия: ИИ прокладывает маршрут, люди достраивают дорогу.
Что это означает на практике
Я наблюдаю за прогрессом ИИ в математике уже несколько лет, и траектория впечатляет своей крутизной. Три года назад большие языковые модели с трудом справлялись с арифметикой. Год назад они начали уверенно проходить олимпиады по математике школьного уровня. Сейчас - опровержение 80-летней открытой гипотезы.
При этом до недавнего времени ИИ мог лишь помогать в "стесненных условиях": генерировать идеи, которые потом требовали значительной человеческой интерпретации, прежде чем превратиться в публикуемый результат. Нынешний случай - качественный шаг вперед: полное автономное доказательство, требующее лишь "чистки" со стороны людей, а не переосмысления.
OpenAI прямо говорит о последствиях за пределами математики: биология, физика, инженерия, медицина. Если модель умеет удерживать длинные цепочки рассуждений и соединять идеи из разных областей, это применимо к любой сложной научной проблеме.
Человек против машины: пока ничья, но счет меняется
Честный взгляд на ситуацию таков: у ИИ есть два очевидных преимущества перед человеком-математиком. Первое - энциклопедическое знание всей опубликованной литературы, которое ни один человек физически не способен охватить. Второе - готовность перебирать тысячи неперспективных стратегий доказательства без усталости и разочарования.
Человек пока выигрывает в другом: в глубине погружения в одну конкретную проблему и в умении задавать по-настоящему интересные вопросы. Математика - это не только решение задач, но и выбор правильных задач для решения.
Но этот баланс сил нестабилен. Темп улучшения слишком высок, чтобы уверенно прогнозировать роль людей в математике через десять лет. Блум сформулировал это поэтично: "ИИ помогает нам полнее исследовать собор математики, который мы строили веками. Какие еще невидимые чудеса ждут за кулисами?"
Я бы добавил более прагматичный вопрос: сколько других "неразрешимых" задач в науке на самом деле разрешимы - просто никто еще не перебрал нужную комбинацию существующих идей? Судя по тому, что мы видим, ответ может оказаться неожиданным.
Источники
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.