Искусственный интеллект и математика: как модель OpenAI опровергла гипотезу Эрдёша о единичных расстояниях
В математике произошел важный прецедент: внутренняя модель общего рассуждения OpenAI нашла контрпример к давней гипотезе Пола Эрдёша о единичных расстояниях на плоскости. Речь идет не о школьной задаче и не о демонстрационном тесте для нейросети, а об известной проблеме дискретной геометрии, впервые поставленной Эрдёшем в 1946 году.
Событие важно не только для самой геометрии. Оно показывает, что ИИ начинает выходить за пределы роли вычислительного помощника: в отдельных случаях модель уже способна самостоятельно находить математические конструкции, которые затем проверяются и уточняются профессиональными математиками.
При этом важно сформулировать результат точно. Модель OpenAI не решила всю проблему единичных расстояний в окончательном виде. Она опровергла влиятельную гипотезу о том, каким должен быть асимптотический рост максимального числа пар точек на единичном расстоянии. То есть ИИ показал, что прежнее представление о возможном пределе было неверным.
В чем состоит проблема единичных расстояний
Проблема формулируется очень просто:
если на плоскости расположить n точек, какое максимальное количество пар этих точек может находиться ровно на расстоянии 1 друг от друга?
Для небольших примеров задача выглядит почти как геометрическая головоломка. Если поставить точки в линию, получится много соседних пар на одинаковом расстоянии. Если расположить их в квадратной сетке, единичных расстояний станет еще больше. Именно такие регулярные сеточные конструкции долгое время казались естественным кандидатом на почти оптимальный ответ.
Сам Эрдёш построил примеры, в которых число единичных расстояний растет чуть быстрее линейно. В современной асимптотической записи ожидалось, что максимум имеет вид примерно n1+o(1): то есть больше, чем просто линейный рост, но без фиксированной положительной добавки в показателе степени.
Новый результат OpenAI опровергает именно это ожидание. Модель построила бесконечное семейство конфигураций точек, где число единичных расстояний растет как минимум как n1+δ для некоторого фиксированного положительного δ. Позже математик Уилл Савин улучшил и уточнил результат, показав, что можно взять δ = 0,014.
Почему квадратная сетка казалась почти оптимальной
Интуитивно квадратная сетка выглядит очень сильной конструкцией. Она регулярна, симметрична и создает множество пар точек на одинаковом расстоянии. Для задачи, где нужно максимизировать количество одинаковых расстояний, это кажется почти идеальной стратегией.
Но именно здесь и проявилась слабость человеческой интуиции. Многие специалисты ожидали, что сеточные конструкции близки к пределу. Вместо этого модель OpenAI предложила более сложный путь: использовать идеи из алгебраической теории чисел и перенести их в задачу плоской геометрии.
Важный момент: это не означает, что ИИ «изобрел новую математику с нуля». В companion paper отмечается, что доказательство опирается на идеи, которые уже существовали в математической литературе, включая работы, связанные с Ellenberg–Venkatesh, Golod–Shafarevich и Hajir–Maire–Ramakrishna. Новизна была в неожиданном соединении этих инструментов с задачей о единичных расстояниях.
Как ИИ нашел контрпример
На высоком уровне идея доказательства выглядит так: вместо обычной двумерной сетки модель использовала более богатые структуры из алгебраической теории чисел. Эти структуры позволяют создавать конфигурации, где возникает больше пар точек на одном и том же расстоянии, чем ожидалось в рамках прежней сеточной интуиции.
В доказательстве появляются такие инструменты, как числовые поля, CM-поля, class field towers и теория Голода — Шафаревича. Для широкой аудитории здесь важна не техническая детализация, а сам принцип: задача, выглядящая как элементарная геометрия на плоскости, оказалась связана с глубокими объектами теории чисел.
Это одна из причин, почему результат произвел сильное впечатление. Он показал не просто способность модели перебрать варианты, а способность найти нетривиальный мост между разными разделами математики.
Что именно доказано
| Вопрос | Точное содержание |
|---|---|
| Какая проблема рассматривалась? | Планарная проблема единичных расстояний: максимум числа пар точек на расстоянии 1 среди n точек на плоскости. |
| Кто поставил задачу? | Пол Эрдёш в 1946 году. |
| Что считалось вероятным? | Что максимум растет примерно как n1+o(1), то есть лишь немного быстрее линейного роста. |
| Что показала модель OpenAI? | Существуют бесконечные семейства конфигураций с ростом не менее n1+δ для некоторого фиксированного δ > 0. |
| Что уточнил Уилл Савин? | В последующем улучшении можно взять δ = 0,014. |
| Закрыта ли вся проблема? | Нет. Опровергнута центральная гипотеза о нижней границе, но точный максимум по-прежнему не известен. |
| Каков лучший общий верхний предел? | Классическая верхняя оценка O(n4/3) связана с работой Спенсера, Семереди и Троттера 1984 года. |
Почему это событие называют поворотным
До сих пор большинство громких успехов ИИ в математике относилось либо к олимпиадным задачам, либо к помощи в проверке и оформлении уже найденных человеком идей. Здесь ситуация другая: модель OpenAI самостоятельно выдала математически содержательную конструкцию для известной открытой проблемы.
Внешние математики проверили и переработали доказательство в более понятную форму. Среди участников обсуждения и companion paper — Нога Алон, Томас Блум, Тимоти Гауэрс, Дэниел Литт, Уилл Савин, Арул Шанкар, Джейкоб Цимерман, Виктор Ван и Мелани Матчетт Вуд.
Тимоти Гауэрс, лауреат Филдсовской премии, назвал результат важной вехой для математики ИИ. По его оценке, если бы подобную работу написал человек и подал в Annals of Mathematics, он рекомендовал бы ее к публикации без колебаний.
Дэниел Литт также подчеркнул необычность ситуации: это один из первых случаев, когда автономно полученный ИИ-результат интересен не только как демонстрация возможностей модели, но и как самостоятельный математический результат.
Где заканчивается автономность ИИ и начинается роль человека
В этой истории важно не впадать в крайности. С одной стороны, модель действительно нашла ключевую конструкцию автономно. С другой — превращение машинного вывода в убедительный математический результат потребовало участия людей.
Математики проверили аргументацию, упростили изложение, связали ее с уже существующей литературой и уточнили контекст. В Scientific American отдельно отмечалось, что внешние эксперты не видели полный исходный вывод модели, а работали с отредактированной версией цепочки рассуждений и затем подготовили собственное объяснение результата.
Это принципиальный момент. В современной математике важен не только факт получения ответа, но и доверие к доказательству: насколько оно проверяемо, как связано с предыдущими работами, какие места требуют уточнения и можно ли независимо воспроизвести аргументацию.
Что этот случай говорит о сильных сторонах ИИ
История с проблемой Эрдёша хорошо показывает, где современные модели могут быть особенно полезны в математике.
- Связывание далеких областей. Модель перенесла идеи алгебраической теории чисел в задачу дискретной геометрии.
- Готовность идти против интуиции. Люди в основном пытались подтвердить гипотезу Эрдёша, тогда как модель активно искала контрпример.
- Длительная работа с трудной веткой рассуждений. ИИ может продолжать развивать сложную и неочевидную конструкцию там, где человек быстрее теряет интерес или считает направление малоперспективным.
- Синтез существующих идей. Модель не обязательно создает новую теорию, но может необычным образом соединить уже известные инструменты.
Это не делает ИИ «лучше математика» в общем смысле. Но показывает, что в некоторых задачах он может стать очень сильным партнером: особенно там, где нужно долго исследовать непривычную комбинацию методов.
Человек и ИИ в математическом исследовании
| Компонент работы | Сильная сторона ИИ | Роль человека |
|---|---|---|
| Поиск направлений | Может быстро пробовать неожиданные комбинации известных методов. | Формулирует важные вопросы и понимает, какие направления действительно значимы. |
| Работа с гипотезами | Готов долго исследовать маловероятные ветви без усталости и потери мотивации. | Отсекает бессодержательные ходы и видит математическую ценность результата. |
| Построение доказательства | Может генерировать длинные цепочки аргументов и находить нетривиальные конструкции. | Проверяет строгость, исправляет пробелы, связывает результат с литературой. |
| Научная публикация | Дает исходную идею или черновой аргумент. | Делает доказательство читаемым, воспроизводимым и приемлемым для математического сообщества. |
| Академическая ответственность | Пока плохо соблюдает нормы цитирования и контекстуализации идей. | Отвечает за корректную атрибуцию, проверку источников и научную добросовестность. |
Почему важна проблема цитирования
Отдельный практический урок этой истории связан с академическими нормами. В комментариях к результату отмечалось, что некоторые идеи, использованные моделью, имели близкие аналоги в существующей литературе. Для человека отсутствие корректного цитирования таких работ было бы серьезной профессиональной проблемой.
Для ИИ это особенно сложный вопрос. Модель может синтезировать идеи, но не всегда надежно показывает, откуда именно они взяты и какие предшествующие работы нужно упомянуть. Поэтому роль человека в математике будущего будет включать не только проверку логики, но и восстановление научного контекста.
Иначе говоря, ИИ может найти сильный ход, но человек должен превратить этот ход в корректную научную работу.
От OpenAI к AlphaProof Nexus: две разные линии развития
Почти в тот же период появилась другая важная линия результатов — работа Google DeepMind с системой AlphaProof Nexus. В отличие от истории OpenAI, где центральную роль сыграл большой языковой вывод и последующая человеческая проверка, AlphaProof Nexus делает ставку на формальные доказательства в Lean.
Согласно препринту DeepMind, система автономно решила 9 из 353 открытых проблем Эрдёша, а также доказала 44 из 492 открытых гипотез из OEIS. Здесь важен не только сам факт решения задач, но и способ проверки: доказательства формализуются в Lean, где каждый логический шаг может быть машинно проверен.
Эти два подхода показывают разные направления развития ИИ в математике:
- OpenAI-подход: модель находит содержательную математическую идею, а люди затем проверяют, уточняют и оформляют доказательство.
- AlphaProof Nexus-подход: модель работает в связке с формальной системой доказательств, где корректность проверяется машинно.
В будущем эти линии, вероятно, будут сближаться: сильные модели будут не только генерировать идеи, но и сразу переводить их в формально проверяемые доказательства.
Что это меняет для науки
Главное изменение не в том, что ИИ «заменит математиков». Более реалистичная картина другая: математика постепенно входит в эпоху, где часть исследовательского поиска будет выполняться совместно человеком и машиной.
Человек по-прежнему определяет ценность проблемы, понимает смысл результата, отвечает за строгость, контекст и научную честность. ИИ может брать на себя тяжелую часть поисковой работы: проверять необычные направления, комбинировать методы, строить длинные аргументы и находить контрпримеры там, где человеческая интуиция слишком рано решила, что гипотеза верна.
Это особенно важно для областей, где существует много сформулированных, но нерешенных задач: комбинаторика, теория чисел, теория графов, дискретная геометрия, формальная верификация, оптимизация.
Что важно не преувеличивать
Несмотря на масштаб результата, из него не следует, что ИИ уже способен стабильно решать любые открытые математические проблемы. В данном случае модель нашла контрпример к конкретной гипотезе, причем использовала инструменты, уже существовавшие в литературе.
Кроме того, опровержение гипотезы и полное решение задачи — разные вещи. После результата OpenAI мы знаем, что прежняя оценка Эрдёша неверна. Но точный порядок роста максимального числа единичных расстояний между n точками на плоскости остается открытым.
Поэтому корректный вывод звучит так: ИИ сделал значимый исследовательский вклад в серьезную математическую проблему. Это не финал математики и не доказательство полной автономии машинного ученого, но это очень сильный сигнал о смене исследовательской практики.
Почему это важно для STEM и IT
На первый взгляд задача о единичных расстояниях выглядит далекой от прикладного IT. Но ее значение шире. Она показывает, что ИИ может работать не только с текстом, кодом и изображениями, но и с абстрактными структурами, где важны строгие определения, долгие цепочки вывода и проверяемость результата.
Для STEM-образования это важный сигнал. Будущим инженерам, аналитикам и разработчикам нужно будет понимать не только готовые инструменты ИИ, но и то, как меняется сама методология научного поиска.
Особенно важными становятся три направления:
- математическая грамотность — способность понимать строгие постановки задач, а не только пользоваться готовыми моделями;
- формальная верификация — умение проверять корректность сложных рассуждений и программных систем;
- работа в связке с ИИ — способность ставить модели правильные исследовательские задачи, проверять ответы и превращать черновые идеи в надежный результат.
В этом смысле история с гипотезой Эрдёша — не просто новость о математике. Это пример того, как меняется роль исследователя: ценность будет смещаться от ручного перебора вариантов к постановке задач, проверке смысла и управлению интеллектуальными инструментами.
Главный вывод
Модель OpenAI опровергла давнюю гипотезу Эрдёша о единичных расстояниях, построив семейство конфигураций точек, которые дают больше единичных расстояний, чем ожидалось в рамках прежней сеточной интуиции. Это стало одним из самых заметных примеров автономного вклада ИИ в современную исследовательскую математику.
Но сила этого события не в том, что машина «заменила» математика. Сила в другом: ИИ нашел неожиданный путь, а люди проверили, объяснили и встроили результат в научный контекст. Именно такая связка — машинный поиск плюс человеческая экспертиза — вероятно, и станет новой нормой в сложных математических исследованиях.
Математика остается человеческой дисциплиной в вопросах смысла, строгости и ответственности. Но теперь у нее появляется новый тип партнера — система, способная исследовать огромные пространства идей и иногда находить там то, что десятилетиями ускользало от человеческой интуиции.