ИИ от OpenAI опроверг задачу Эрдеша, нерешенную 80 лет

Когда машина делает то, чего не смог ни один человек

Есть задачи, которые математики держат в голове десятилетиями - не потому что ленятся, а потому что они по-настоящему твердые. Гипотеза о единичных расстояниях Пола Эрдеша относилась именно к таким: простая формулировка, понятная школьнику, и полное отсутствие прогресса с 1946 года. И вот в мае 2026-го внутренняя модель рассуждений OpenAI ее опровергла. Математик с мировым именем Тим Гауэрс, лауреат медали Филдса, назвал результат "вехой в математике ИИ". Я бы добавил: это веха вообще.

Что за задача и почему она была такой упрямой

Суть гипотезы Эрдеша обманчиво проста. Возьмите набор точек на плоскости. Сколько пар из них могут находиться ровно на расстоянии одной единицы друг от друга? Эрдеш в 1946 году предположил, что слегка скошенная квадратная решетка уже близка к оптимуму - то есть никакое другое расположение точек принципиально не даст больше "единичных пар". За опровержение он лично предлагал $500 - по меркам математических призов скромно, но сам факт назначения награды говорил о серьезности.

Задачу называют "вероятно, самой известной и простейшей в формулировке проблемой комбинаторной геометрии". При этом верхняя граница, доказанная еще в 1984 году Спенсером, Семереди и Троттером, так и не была улучшена за 40+ лет. Математик Томас Блум буквально за месяц до прорыва включил эту задачу в свой личный топ-10 нерешенных проблем Эрдеша - именно потому что хотел показать: не все задачи Эрдеша тривиальны, как некоторые начали думать после того, как ИИ щелкнул несколько более простых.

Что именно сделала модель

OpenAI опубликовала результат вместе с сопроводительной статьей, которую написали девять внешних математиков - они верифицировали, сократили и прокомментировали доказательство. Это важная деталь: не просто "ИИ что-то выдал", а полноценная научная проверка.

Модель нашла новое расположение точек, которое дает заметно больше единичных пар, чем классическая квадратная решетка. Уилл Сауин из Принстона оценивает прирост примерно в один процент дополнительных пар на каждое удвоение числа точек. Звучит скромно? Но именно это Эрдеш считал невозможным в принципе.

Самое поразительное - откуда взялись инструменты. Не из геометрии. Модель применила методы алгебраической теории чисел: комплексные числовые системы, внутренние симметрии которых создают особенно плотные точечные паттерны. Эти инструменты давно стандартны в теории чисел, но применить их к базовой задаче планиметрии - это никому в голову не приходило. Точнее, не складывалось в голове одновременно.

Почему люди это пропустили

Блум в своей части сопроводительной статьи честно разобрал, почему человек не нашел этот путь. Нужно было одновременно: потратить серьезное время именно на эту задачу, поставить против мнения самого Эрдеша и реально попробовать опровергнуть его, захотеть перевести задачу в язык числовых полей, и при этом хорошо знать довольно специализированную теорию полей классов. "ИИ соответствовал всем этим критериям", - пишет Блум. Машина сочетает "сверхчеловеческое терпение с владением огромным арсеналом технических методов".

Сауин добавляет техническую тонкость: очевидный путь обобщения - взять одну расширенную числовую систему и брать из нее все большие куски - просто возвращает к старой границе Эрдеша. Ключевой трюк модели был противоположным: держать масштаб фиксированным внутри каждой системы, но переключаться на все более богатые числовые системы на каждом шаге. Почему именно это работает - не было очевидно никому из математиков даже после того, как они увидели доказательство.

Что это значит для ИИ и науки

Я слежу за математическими достижениями ИИ с момента, когда AlphaProof и AlphaGeometry от DeepMind взяли задачи олимпийского уровня. Но там речь шла о задачах с известными подходами - просто требующих точности и перебора. Здесь другое: модель OpenAI не просто решила задачу, она нашла неожиданный концептуальный мост между двумя областями математики, который профессионалы не видели восемь десятилетий.

Это принципиально меняет разговор о том, что ИИ умеет в науке. До сих пор стандартный аргумент скептиков звучал так: "Машина хорошо верифицирует и оптимизирует, но не генерирует принципиально новые идеи". Этот кейс - прямой контраргумент. Задача не была решена с помощью перебора вариантов или формальной верификации известного подхода. Был найден нетривиальный концептуальный ход.

При этом задача не закрыта полностью: верхняя граница 1984 года все еще стоит намного выше того, что достигает новая конструкция. Разрыв между тем, что найдено, и теоретическим пределом остается огромным. Но теперь мы знаем, что граница снизу - не там, где думал Эрдеш.

Контекст и практические выводы

OpenAI не раскрывает, какая именно модель сделала это открытие - говорят только "внутренняя модель рассуждений". Судя по всему, речь идет о чем-то из семейства o-моделей, заточенных под длинные цепочки рассуждений. Для сравнения: GPT-4o или Claude 3.5 с такими задачами не справляются даже близко - у них нет ни нужной глубины рассуждений, ни знания специализированной математики на уровне, позволяющем делать такие переносы между областями.

Для российских пользователей: доступ к продвинутым reasoning-моделям OpenAI через API формально требует зарубежной карты и нередко VPN. Но сам факт прорыва важнее вопроса доступа - он меняет представление о горизонте возможного.

Что меня по-настоящему впечатляет: математическое сообщество не отмахнулось от результата. Девять серьезных математиков потратили время на верификацию и написали совместную статью. Это признание. И это сигнал: эпоха, когда ИИ помогает математикам проверять доказательства, сменяется эпохой, когда ИИ предлагает идеи, которые математики потом разбирают.