ЛОНДОН (ИА Реалист). 2026 год стал переломным для математики: искусственный интеллект перестал быть инструментом для рутинных вычислений и начал самостоятельно решать задачи, которые десятилетиями оставались открытыми. Однако триумф машин обернулся кризисом верификации — человечество физически не успевает проверять и осмысливать то, что производит ИИ.
OpenAI: 719 рукописей за одну ночь
В ночь на 6 октября OpenAI опубликовала на GitHub 722 математические рукописи, содержащие полные или частичные решения 372 открытых проблем в 17 областях — от теории чисел до операторных алгебр. Модель, название которой не раскрывается, получила каталог примерно из 4000 задач и отобрала наиболее убедительные результаты. Среднее время на задачу — около трёх часов вычислений уровня ChatGPT Pro.
Среди заявленных результатов — доказательство «квази-гипотезы Римана» (ослабленной версии гипотезы Римана, одной из семи проблем тысячелетия), решение гипотезы уникальных игр, иррациональность константы Каталана и улучшение оценки сложности умножения матриц. Математик Алекс Конторович заявил, что за такой результат «немедленно дают Филдсовскую премию, без вопросов».
Однако уже на следующий день OpenAI отозвала три рукописи, касающиеся гипотезы Ходжа, из-за ошибки в знаке: в ключевом рассуждении символ операции был записан как +1 вместо −1, из-за чего счёт, который должен был обнулиться, стал ненулевым, и вся конструкция потеряла опору. Ещё 14 рукописей были отредактированы.
DeepMind: 9 проблем Эрдёша
В отличие от OpenAI, Google DeepMind выбрала путь академической публикации. 8 октября в журнале Science вышла статья о системе AlphaProof Nexus, которая автономно решила 9 из 353 нерешённых проблем Эрдёша, переведённых в формальный язык Lean. Две из них — включая проблему, сформулированную Эрдёшем и Шаркёзи в 1970 году, — оставались открытыми 56 лет.
Система работала по принципу «модель пишет — компилятор проверяет»: Gemini 3.1 Pro генерировала доказательство на Lean, компилятор проверял каждую строку, ошибки возвращались модели для исправления.
Дополнительно использовался «эволюционный» механизм с суб-агентами, которые конкурировали по Elo-рейтингу, и специализированный решатель AlphaProof для сложных подзадач. Стоимость — несколько сотен долларов на задачу.
Эффективность системы — около 2,5% (9 из 353), что соответствует более ранним оценкам Теренса Тао о вероятности успеха ИИ в решении проблем Эрдёша.
Китай: гипотеза Гиса
15 октября стало известно, что команда профессора Сюй Дишэна из университета Большого залива с помощью китайской модели Intern-S2 доказала трёхмерную гипотезу Гиса, сформулированную в 1995 году. Это первый случай, когда китайские учёные использовали отечественную модель для решения задачи мирового уровня.
Процесс был итеративным: модель выдала около 400 страниц первоначальных рассуждений, часть которых была тупиковой; исследователи отбирали перспективные направления и возвращали модели уточнения.
В итоге Intern-S2 выполнила 7 раундов последовательных выводов, расширив граф задачи с 15 до 389 узлов, а общий объём доказательства достиг тысячи страниц. Формальная верификация была проведена командой Пекинского университета с использованием фреймворка SHEAF.
«Расстройство пищеварения от доказательств»
Филдсовский лауреат Теренс Тао ещё летом 2026 года на Международном конгрессе математиков описал ситуацию термином «proof indigestion»: генерация и проверка доказательств ускоряются ИИ, но «переваривание» — понимание и усвоение — остаётся человеческим и не успевает за машиной.
Профессор Северо-Западного университета Брайна Краа заявила, что результаты OpenAI «ошеломляют», но «способ написания делает их невозможными для понимания», а десятки тысяч страниц требуют проверки, при этом «рецензирование отсутствует». Скотт Ааронсон из Техасского университета в Остине отметил, что «ни один человек, по-видимому, ещё не понял ни одного из этих доказательств».
Реакция сообщества была резкой: 25 филдсовских лауреатов подписали заявление о «серьёзной дислокации ИИ в математике», а Теренс Тао инициировал создание Human Mathematics Association с призывом приостановить сотрудничество с OpenAI. Математики подчёркивают: они против не ИИ в математике, а против того, что никто не понимает, как ИИ это делает.
Три события — рукописи OpenAI, статья DeepMind в Science и китайская гипотеза Гиса — обозначают разные модели взаимодействия ИИ и математики. DeepMind выбрала путь формальной верификации и академической публикации, где каждое доказательство проверено компилятором и рецензентами.
Китайская команда использовала ИИ как усилитель человеческой интуиции, оставив за исследователями право отбора и направления. OpenAI же выбрала массовую генерацию без предварительной верификации, что спровоцировало конфликт.
Ключевая проблема не в том, может ли ИИ решать математические задачи — уже может. Проблема в том, что математика как дисциплина держится не только на результате, но и на понимании.
Доказательство, которое никто не может прочитать, не расширяет человеческое знание, а лишь увеличивает объём непроверенной информации. Если эта тенденция сохранится, математика рискует разделиться на два потока: машинный, производящий результаты для других машин, и человеческий, пытающийся удержать понимание. Вопрос в том, останется ли между ними мост.
