Прорывы ИИ OpenAI в математике: что означают последние результаты

6 октября 2026 года OpenAI выложила на GitHub 722 математические рукописи. Это результаты неопубликованной внутренней передовой модели, охватывающие алгебру, теорию чисел, топологию, теоретическую информатику и математическую логику — всё это было создано за считаные недели. Масштаб оказался беспрецедентным для научного сообщества, когда-либо видевшего работу ИИ-системы.

Чтобы понять, почему это воспринимается иначе, чем результат бенчмарка, стоит сделать шаг назад. Это та же модель, которая всего за несколько недель до этого заявила о решении миллениум-проблемы Навье — Стокса, а до того Astra за один день закрыла десять открытых задач многолетней давности в августе. Каждая из этих вех породила свои вопросы. Но релиз 6 октября — это качественно иное явление, а не просто новый масштаб. OpenAI представляет 722 рукописи как реальные вклады в математическую литературу, а не ответы на бенчмарки и не решения олимпиадных задач.

Я освещаю математическое направление OpenAI с августовского релиза Astra, и нынешнюю публикацию сложнее распаковать, чем две предыдущие. Ниже рассмотрим, что именно создал ИИ, какие результаты выделяются, как устроена проверка на практике и что тревожит математиков.

Чего на самом деле добился ИИ OpenAI?

OpenAI направила неопубликованную внутреннюю передовую модель на открытые исследовательские задачи по математике. Модель не просто хорошо справилась с тестом. Она выдала математические доводы, оформленные как рукописи, загруженные на GitHub вместе с формализациями доказательств в Lean и краткими изложениям рассуждений модели.

Высокие баллы на бенчмарках AMC или IMO показывают, что ИИ справляется с хитроумно придуманными задачами соревнований. Выпуск рукописей с притязаниями на решение давних открытых вопросов в активных областях — совсем другое дело. Эти материалы представлены как потенциальные вклады в математическое знание. Выдержат ли они проверку — отдельный вопрос, на который потребуется время.

Сколько математических результатов опубликовала OpenAI?

В публикациях фигурируют разные числа, и это не противоречие. Они считают разное.

Репозиторий содержит 722 рукописи, организованные в 372 семейства результатов. Семейство группирует родственные работы: основной результат вместе с сопутствующими доводами, альтернативными доказательствами или следствиями. Поэтому 372 семейства дают 722 рукописи: многие результаты сопровождаются поддерживающими материалами. Формулировка «сотни результатов» в целом верна; 372 — более точный счётчик отдельных математических находок.

В README оговорено, что в некоторых работах могут быть проблемы, и OpenAI обещает их исправлять, параллельно добавляя формализации в Lean. Держите это в уме, когда освещение событий придаёт цифрам большую определённость, чем есть на самом деле.

В каких областях математики работал ИИ OpenAI?

Публикация охватывает около 20 подполей. Ниже — ориентировочная карта области, поскольку часть направлений мало знакома технической аудитории без математической специализации:

• Алгебра и теория групп изучают математические структуры, построенные на операциях и их симметриях. Именно сюда попали некоторые из самых обсуждаемых результатов.
• Теория чисел изучает свойства целых чисел и простых. Функция Римана дзета, кодирующая распределение простых чисел, фигурирует в нескольких работах.
• Топология изучает свойства, сохраняющиеся при непрерывных деформациях. Гипотеза Ходжа (ниже об этом подробнее) лежит на пересечении топологии и алгебраической геометрии.
• Теоретическая информатика задаёт фундаментальные вопросы о вычислениях: что можно вычислить, насколько эффективно и какие задачи противятся эффективным алгоритмам. Модель OpenAI выдала более 80 работ только в этой области.
• Математическая логика изучает формальные основы самого математического рассуждения.

Какие результаты самые значимые?

Здесь нужна осторожность. Есть большая разница между результатом, сгенерированным ИИ, доказательством, проверенным Lean, доказательством, проверенным человеком-математиком, и результатом, который сообщество независимо признаёт крупным прорывом. В релизе смешаны все четыре категории.

Тем не менее несколько работ вызвали реальный интерес у независимых математиков.

Функция Римана дзета: новая область без нулей

Гипотеза Римана остаётся нерешённой. Модель OpenAI её не решила. По сообщениям, было установлено новое нулесвободное множество: показано отсутствие нулей при Re(s) > 11/12. Подобные частичные результаты важны в аналитической теории чисел, поскольку области без нулей ограничивают распределение простых. Текст был отредактирован человеком для удобочитаемости, что делает его заметным исключением из общего процесса подготовки рукописей. Независимая повторная проверка связанного квазириманова результата прошла предварительную инспекцию.

Гипотеза Капланского о прямой конечности в характеристике два

Айрвинг Капланский десятилетия назад выдвинул гипотезу, что кольца групп обладают специфическим алгебраическим свойством, называемым прямой конечностью. Случай характеристики два особенно сопротивлялся. По сообщениям, модель его решила. Указана доступность формализации в Lean.

Изоморфизм факторов свободной группы

Речь о алгебрах фон Неймана — структурах функционального анализа, кодирующих симметрии квантовых систем. Вопрос, являются ли факторы свободной группы все изоморфными, оставался открытым десятилетиями. Модель утверждает, что разрешила гипотезу де ла Арпа и Войкулеску, показав, что алгебры фон Неймана фундаментальных групп замкнутых ориентируемых поверхностей рода ≥ 2 являются факторами свободной группы. Независимая перепроверка прошла.

Показатель сложности умножения матриц

Один из более прикладных результатов: по сообщениям, модель установила ω ≤ 2.25 над комплексными числами, где ω — показатель сложности умножения матриц. Это математическая характеристика эффективности умножения матриц на компьютерах — задача с реальными последствиями для алгоритмов во всей информатике. Важно для тех, кто приходит из финансов или инженерии: эффективность умножения матриц лежит в основе почти всех масштабных численных вычислений.

Формула Мезара — Паризи для разрежённых спиновых стёкол

Статистическая физика встречается с теорией вероятностей: речь о свободной энергии неупорядоченных магнитных систем. Формула Мезара — Паризи была выдвинута в качестве гипотезы, но в разрежённом случае полностью не доказывалась.

Гипотеза Ходжа для CM-абелевых многообразий

Ограниченный случай одной из семи проблем тысячелетия. Гипотеза Ходжа спрашивает, можно ли некоторые топологические свойства алгебраических многообразий всегда представить алгебраически. По сообщениям, модель установила её для CM-абелевых многообразий — специфического, структурированного класса. Это не полная гипотеза Ходжа, которая остаётся открытой, но частный случай, к которому шли математики. Этот результат также помечен как исключение из стандартной процедуры подготовки.

Результат о спонтанной намагниченности для квантового ферромагнетика Гейзенберга и квазиполиномиальные оценки для арифметических прогрессий также вызвали интерес у исследователей, оценивающих релиз, хотя всесторонняя независимая проверка займёт много времени.

Как ИИ OpenAI получил эти результаты?

OpenAI раскрыла больше методологических деталей, чем в некоторых прошлых выпусках, хотя картина всё ещё неполна.

В ходе оценки модели было поставлено около 4000 задач. Большинство результатов получены фиксированной процедурой с использованием одной и той же внутренней модели. Два результата отошли от стандартного процесса: работа о нулесвободной области дзета-функции Римана и гипотеза Ходжа для CM-абелевых многообразий. В среднем на результат уходило вычислений примерно столько, сколько три часа «размышлений» ChatGPT Pro. Это полезный ориентир, но не читайте его как «каждая задача заняла три часа». Речь об усреднённых вычислениях на результат, а не о полном времени или стоимости неудачных попыток.

Для контекста: эта методология заметно систематичнее предшествующих. Когда Astra решила десять открытых задач в августе, каждая, по сообщениям, стоила около $2000 инференса. До того забег по Навье — Стоксу потребовал 10 000 параллельных агентов в течение 88 часов при оценочной стоимости вычислений $22,5 млн — грубосиловой подход, породивший и результат, и серьёзный спор о приоритете. Релиз 6 октября больше похож не на спринт, а на устойчивую исследовательскую программу: меньшие вычисления на результат, более широкий охват, продуманная структура семейств родственных результатов.

OpenAI опубликовала резюме рассуждений для 10 результатов, а также оценки вычислений и статистику по попыткам решения задач. Консультативная группа по математике и искусственному интеллекту призвала пойти дальше и опубликовать все подсказки и полные цепочки рассуждений. Между тем, что предоставила OpenAI, и тем, что хочет видеть часть математического сообщества, остаётся разрыв.

Как проверялись математические доказательства OpenAI?

Проверка — вероятно, самая значимая часть истории. Важно точно различать уровни.

Формализация в Lean

Lean — это язык программирования и помощник доказательств, позволяющий выражать математические доказательства в форме, которую компьютер может механически проверить. Если доказательство проверяется в Lean, логические шаги формально корректны при данных предположениях. Многие из 722 рукописей сопровождаются формализациями в Lean, но не все.

Проверка в Lean устанавливает формальную корректность. Она не гарантирует, что формулировка точно отражает исходную математическую задачу, что результат действительно нов, или что рассуждение осмысленно для математиков, желающих на него опереться.

Человеческая математическая проверка

Здесь всё идёт медленнее. Математикам всё ещё нужно понять, действительно ли формальное утверждение охватывает открытую проблему, о решении которой заявлено, нов ли метод доказательства и нов ли результат относительно существующей литературы. Специалист по сложности Дана Мошковиц описала рукописи как «похожие на текст, написанный кем-то под воздействием психоделиков» и достаточно трудные для чтения без помощи ИИ, одновременно признавая, что из них многому можно научиться. Техническая корректность в сочетании со сложным для восприятия изложением создаёт реальную работу для проверяющих.

Рецензирование и независимая проверка

Публикация на GitHub — не рецензирование. Консультативный совет прямо заявил, что релиз — это «начало, а не завершение процесса человеческого понимания и включения работы в математическое знание». При 722 рукописях в 20 подполях всесторонняя независимая оценка — проект на годы.

Формальная корректность, математическое понимание, новизна и научная значимость — это разные вопросы. Доказательство, проверенное Lean, может удовлетворять первому, не решая остальные.

Какую часть математики действительно сделал ИИ?

Однозначного ответа нет.

Люди выбирали или формулировали многие задачи, поставленные модели. Существующая математическая литература задала интеллектуальный контекст работы ИИ. Модель сгенерировала математические доводы. Исследователи помогали готовить рукописи, а Lean формализовал доказательства. Так что «кто сделал математику?» — это цепочка вкладов, а не один участник.

Некоторые математики высказывают более острое опасение: модель иногда может продолжать существующие линии человеческих исследований, а не независимо открывать новые подходы. Это остро проявилось после заявления по Навье — Стоксу. Математик Тристан Бакмастер, чья собственная работа с ИИ по родственным уравнениям вышла за считанные часы до анонса OpenAI, поднял серьёзные вопросы о приоритете. Он утверждал, что год его неопубликованных исследований, сознательно или нет, повлиял на направление спринта OpenAI; OpenAI отрицала доступ к каким-либо приватным подсказкам или неопубликованным работам. Спор остаётся нерешённым. То же опасение — на чьей интеллектуальной базе на самом деле строится результат ИИ — относится и к октябрьскому релизу, даже когда конкретный исследователь не назван.

Экономист Джошуа Ганс предложил полезную схему: математическое открытие проходит три стадии. Выбор задачи, решение задачи, понимание и применение результата. ИИ всё больше может автоматизировать средний шаг. Это не стирает различие между вкладом человека и машины, но меняет распределение усилий.

Почему математики обеспокоены?

Опасения неоднородны. Было бы неточно описывать математическое сообщество как просто сопротивляющееся ИИ. Вот чего на самом деле боятся самые серьёзные критики.

Понимание может отставать от открытия

Когда человек-математик доказывает теорему, процесс обычно рождает инструменты, интуиции и идеи, которые становятся частью математической культуры. Когда модель выдаёт корректное, но непрозрачное доказательство, результат существует без окружающего его понимания. Терри Тао, который ещё до объявления по Навье — Стоксу прямо предупреждал о потенциальной упущенной выгоде превращения исторически плодотворных открытых задач в вирусные бенчмарки, выражал опасение, что накопление правильных ответов без понимания того, как и почему они верны, вредно для математики в долгосрочной перспективе. И это не только вопрос эстетики.

Сотни результатов трудно рецензировать

Возможности сообщества по рецензированию конечны. Когда ИИ может генерировать исследования быстрее, чем сообщество успевает их оценивать, накапливается очередь, искажающая механизмы утверждения знаний. Один критик описал релиз как «подозрительно похожий на галоп Гиша»: публикация такого количества рукописей, что ошибки могут оставаться необнаруженными годами. У этой тревоги есть свежий прецедент: августовские десять задач Astra не прошли полный peer review спустя месяцы. Объём, превышающий это в 72 раза, — качественно иной вызов.

Существующие человеческие исследования и приоритет

Ряд результатов опирается на конкретные предыдущие работы названных исследователей. Как отражать этот интеллектуальный долг — предмет реального спора. Случай с Навье — Стоксом сделал это наглядным: исследователь потратил год на неопубликованную работу, которая могла повлиять на многомиллионный спринт ИИ, и в итоге оказался под вопросами о своей карьере. Рекомендации консультативной группы специально коснулись процедур цитирования по этой причине.

Закрытые модели порождают неравный доступ

Модель, создавшая эти результаты, публично недоступна. Академические математики, желающие работать на таком уровне, не имеют тех же инструментов, что внутренние команды OpenAI. В рекомендациях от 29 сентября консультативная группа прямо призвала лаборатории ИИ прекратить тестировать продвинутые математические задачи на закрытых моделях, недоступных широкому исследовательскому сообществу. OpenAI признала рекомендацию, но полностью её не приняла.

Математические исследования могут сконцентрироваться внутри ИИ-лабораторий

Если передний край математических открытий требует доступа к передовым вычислительным ресурсам и закрытым моделям, то решения о том, какие задачи важны и какие результаты подлежат огласке, всё чаще могут приниматься внутри небольшого числа частных организаций. Это совсем иная структура, чем та, к которой математика исторически привыкла.

Это опасения членов математического сообщества, а не установленные факты, и разделяют их не все в равной степени.

Новый подход OpenAI к публикации математики ИИ

OpenAI предприняла некоторые шаги навстречу сообществу, хотя консультативная группа призывает к большему.

Публикация размещена на GitHub под лицензией Apache-2.0 с протоколами ревизий. При внесении исправлений прежние версии остаются доступными. Каждая рукопись включает BibTeX-блок для цитирования. Многие результаты сопровождаются формализациями в Lean. OpenAI опубликовала резюме рассуждений для 10 результатов и оценки вычислений в «часах ChatGPT Pro».

OpenAI консультировалась с Консультативной группой по математике и искусственному интеллекту при Институте перспективных исследований на протяжении подготовки релиза. В группу входят Мелани Мэтчетт Вуд (Гарвард), Эдвард Виттен (IAS), Рави Вакил (Стэнфорд), Ульрике Тилльман (Оксфорд) и другие — девять известных математиков, действующих независимо и без оплаты со стороны OpenAI.

Их позиция: релиз — отправная точка. Мелани Вуд описала его как «начало, а не завершение процесса человеческого понимания». Группа призвала OpenAI опубликовать все подсказки и полные цепочки рассуждений, использовать научные репозитории с постоянными цитируемыми идентификаторами вместо GitHub и поддерживать развитие человеческого понимания через институты, не контролируемые ИИ-лабораториями. OpenAI пообещала двигаться к этим стандартам. Пока они выполнены не полностью.

Что ИИ означает для роли математиков?

Более интересный вопрос — не заменит ли ИИ математиков. Нет, по крайней мере пока, и, возможно, не в главном. Куда важнее — как меняется математическая работа, когда генерация доказательств становится на порядки дешевле.

Возвращаясь к схеме «выбор → решение → понимание»: если ИИ всё чаще берёт на себя шаг «решение», человеческая экспертиза дорожает на концах. Решать, какие задачи стоит преследовать, формулировать хорошие гипотезы, интерпретировать значение результата, связывать новое с существующей математикой, применять находки в новых контекстах. Это этапы, где человеческое суждение по-прежнему незаменимо. Как отмечалось в материале об августовских результатах Astra, умение поставить хорошую задачу и понять, какую стоит атаковать, — ровно то, что ИИ пока не воспроизводит. Это наблюдение стало ещё актуальнее.

Математик Мехтааб Савхни, присоединившийся к OpenAI в 2026 году после работы в Колумбийском университете, отметил, что по мере ускорения открытий с помощью ИИ главный узкий ресурс для математиков смещается от генерации доказательств к освоению и контекстуализации математики, созданной ИИ.

Когда генерация доказательств дешевеет, меняется и дефицит. Всё чаще дефицитным ресурсом становится не способность что-то доказывать, а способность выбрать, что именно стоит доказывать, и понять, почему решение важно.

Выводы

Релиз 6 октября лучше всего понимать как очередной шаг по траектории, ускорявшейся весь год. В августе Astra решила десять задач многолетней давности за один день. В сентябре 88-часовой забег 10 000 агентов выдал спорное, но проверенное Lean утверждение о варианте миллениум-проблемы Навье — Стокса, а также нерешённый спор о приоритете, обнаживший реальные напряжения между ИИ и независимыми исследованиями. Теперь, в октябре, та же передовая модель за считаные недели выдала 722 рукописи в 20 подполях.

Некоторые из этих результатов — нулесвободная область для дзета-функции Римана, оценка для умножения матриц, изоморфизм факторов свободной группы — уже привлекли серьёзное внимание математиков, хорошо знающих эти области. Но количество рукописей — не главная история. Важно, выдержат ли отдельные результаты проверку, действительно ли они новы и сможет ли их усвоить сообщество. Проверка в Lean устанавливает формальную корректность, а не математическое понимание. Публикация на GitHub — не рецензирование. При 722 рукописях на всестороннюю независимую оценку уйдут годы.

Поле теперь столкнулось с новым вопросом: не может ли ИИ решать сложные задачи, а что происходит, когда он способен производить математические исследования быстрее, чем люди успевают их оценивать. Если генерация доказательств становится достаточно дешёвой, чтобы «затопить» научную литературу, дефицитный ресурс смещается от производства ответов к выбору правильных вопросов и пониманию, почему эти ответы важны. Это меняет то, чего математика требует от математиков. Но не отменяет работу.