# OpenAI опубликовала 700 решений сложнейших теорем: почему математики в ярости

Источник: https://www.youtube.com/watch?v=LvvG21CpaS4
Канал: Hank Green
Опубликовано: 26.10.2026

---

6 октября 2026 года компания OpenAI опубликовала свыше 700 препринтов математических работ, сгенерированных искусственным интеллектом, заявив о решении более чем сотни открытых научных проблем. Популяризатор науки Хэнк Грин и создатель образовательного канала 3Blue1Brown Грант Сандерсон подробно обсудили, почему академическое сообщество встретило этот прорыв не триумфом, а разочарованием и растерянностью. В центре дискуссии оказался фундаментальный конфликт между машинным доказательством теорем и человеческим пониманием сути математики.

## 📜 Математический демпинг: 700 препринтов OpenAI и шок в академической среде
[[JUMP:0:25]]

Публикация исследовательского массива от OpenAI вызвала беспрецедентный резонанс в академических кругах [0:25]. В открытый доступ было выложено более 700 математических статей, созданных нейросетями, в которых заявлялось о закрытии свыше 100 нерешенных математических задач [0:37]. Спустя несколько недель после релиза математики подтвердили: лишь незначительное число результатов содержало ошибки, тогда как подавляющая часть доказательств либо полностью верна, либо представляет собой существенный шаг вперед в решении фундаментальных проблем [0:37].

Однако вместо всеобщего ликования академический мир погрузился в состояние, варьирующееся от глухого раздражения до глубокой фрустрации [06:53]. Как отмечает Хэнк Грин, непосвященный наблюдатель мог бы решить, что ученые просто обиделись на поражение перед алгоритмами [06:53]. На деле же реакция обнажила пропасть между тем, как представляют себе науку разработчики коммерческого ИИ, и тем, ради чего математикой занимаются живые люди [01:02]. 

Перед тем как погрузиться в разбор ситуации, Хэнк Грин упомянул собственный проект Focus Friend — приложение для концентрации внимания и управления временем, бессрочная про версия которого предлагается за $29,99 [00:00]. Он с иронией процитировал отзывы разгневанных пользователей, признающих его неожиданную эффективность на платформах iOS и Android [00:12]. 

## 🧠 Три грани науки: истина, полезность и кризис понимания
[[JUMP:1:39]]

Размышляя над причинами академического конфликта, Хэнк Грин предложил концептуальную модель, разделяющую стремление к познанию на три независимых стимула:

*   **Моральная ценность истины** — представление о том, что поиск объективной правды о мире является безусловным благом сам по себе, подобно заботе о больных [02:04].
*   **Глубинное понимание** — способность человеческого разума видеть внутреннюю логику и взаимосвязь явлений [02:17]. Можно владеть фактами, но не понимать их сути; понимание приносит субъективное интеллектуальное удовлетворение и биологически привлекательно для любознательных людей [02:29].
*   **Практическая польза (утилитарность)** — использование накопленных знаний для преобразования мира: повышения эффективности паровых двигателей, создания авиации или разработки медикаментов [03:19].

По мнению Хэнка Грина, общество привыкло оценивать науку исключительно через призму утилитарности [03:45]. Если бы эффектные голы Лионеля Месси снижали смертность от детской лейкемии, люди считали бы футбол подразделением онкологии [04:35]. В реальности же чистая наука во многом функционирует как искусство или спорт высших достижений: живопись никогда не повышала КПД паровых машин, однако никто не требует от художников немедленной экономической отдачи [05:00]. 

Математика, как подчеркивают собеседники, веками развивалась ради построения целостной картины мира, а не ради галочек в списке решенных уравнений [08:24]. Когда доказательство выдает непрозрачная машина, разрыв между формальным знанием и человеческим пониманием становится критическим [09:28].

## 🌊 Уравнения Навье — Стокса: почему формальное решение не улучшит динамику жидкостей
[[JUMP:7:19]]

Самым громким достижением из опубликованного пакета OpenAI стало продвижение в исследовании уравнений Навье — Стокса — одной из задач тысячелетия Института Клэя (Clay Mathematics Institute) [07:19]. Модели продемонстрировали математический феномен взрыва решений за конечное время при наличии гладких членов вынуждающей силы (finite-time blowup with smooth forcing term) [11:08].

Парадокс заключается в том, что полученный результат практически бесполезен для прикладной гидродинамики [07:32]:

*   Уравнения Навье — Стокса изначально рассматривают жидкость как сплошную среду, что является физическим приближением, неизбежно разрушающимся на молекулярных масштабах [07:45].
*   Инженеры давно осведомлены об ограничениях уравнений при моделировании турбулентности и пограничных состояний [07:45].
*   Доказательство сингулярности в узкоспецифических условиях не поможет проектировать более совершенные самолеты, строить эффективные турбины или точнее прогнозировать погоду [07:58].

Хэнк Грин подчеркивает: открытые проблемы математики служат точильным камнем для человеческого ума [08:24]. Великие задачи ценны не фактом их закрытия, а принципиально новыми концепциями, формулируемыми в процессе безуспешных попыток их решения [08:12]. Доказательство, которое никто не в силах расшифровать и осмыслить, лишает математиков самого главного — инструментария и понятийного аппарата [09:28].

## 🧪 Биология против математики: AlphaFold, формальная верификация и RLVR
[[JUMP:10:05]]

Контрастом к математической драме выступает триумф AlphaFold в структурной биологии [10:05]. Биологи не протестовали против того, что нейросети взяли на себя рутинную расшифровку фолдинга белков, за которую исследователям была присуждена Нобелевская премия [10:05].

Причины фундаментального различия двух дисциплин:

*   В медицине полезность безоговорочно превалирует над пониманием: спасительное лекарство от онкологического заболевания будет внедрено, даже если молекулярный каскад его действия не раскрыт до конца [10:44].
*   Моделирование трехмерных структур белков всегда было тяжелой черновой работой, освобождение от которой позволило ученым задавать более глубокие вопросы [10:18].
*   Математика идеально поддается машинной верификации через среду формальных доказательств Lean и алгоритмы RLVR (обучение с подкреплением на основе проверяемой обратной связи) [11:46]. В ней ответ можно строго проверить кодом без участия человека [11:59].
*   Биология, как замечает Грин, чрезвычайно хаотична («хрупкое грязное месиво»), и в ней полностью автоматическая валидация результатов в обозримом будущем невозможна [12:12].

Разработчики ИИ ориентируются на математику и программирование именно потому, что в этих отраслях алгоритм получает моментальный и неоспоримый сигнал о правильности своих рассуждений [21:11].

## 🏁 Гонка титанов: закулисная битва OpenAI и Anthropic
[[JUMP:20:34]]

Разбирая предпосылки внезапного релиза, Грант Сандерсон и Хэнк Грин сошлись во мнении, что публичная публикация препринтов стала побочным продуктом внутренней технологической гонки [20:34].

По словам Сандерсона, исследователи в ведущих лабораториях последовательно закрывали тренировочные бенчмарки: начав с арифметики начальной школы, которую ранние версии ChatGPT выполняли с трудом [21:37], они обучили системы справляться с задачами средней и старшей школы, а затем вывели их на уровень задач Международной математической олимпиады (IMO) в сезонах 2024–2025 годов [22:16]. Когда стандартные тесты были исчерпаны, единственной шкалой прогресса для систем уровня AGI стали передовые фронтирные проблемы вроде квазигипотезы Римана [22:41].

Однако форсированный сброс результатов имел и коммерческую подоплеку [23:07]. Как отметил Сандерсон, в индустрии циркулировал слух, будто конкурирующая лаборатория Anthropic вплотную подобралась к закрытию проблемы Навье — Стокса, что вынудило руководство OpenAI поторопиться, чтобы захватить первенство в заголовках медиа [23:07].

Хэнк Грин обратил внимание на парадокс: и OpenAI, и Anthropic создавались выходцами из технологического сектора с акцентом на безопасность, но в итоге ожесточенная конкуренция заставляет обе компании срезать углы и форсировать темпы [23:45]. Крупные игроки вроде Google действуют намного медленнее из-за регуляторных рисков и страха судебных исков, тогда как гибкие стартапы диктуют рискованный ритм всей индустрии [25:40].

## ⚖️ Кризис авторства: как ИИ «стирает» имена ученых-первопроходцев
[[JUMP:30:44]]

Одной из самых острых этических тем стало игнорирование труда реальных исследователей [30:44]. Хэнк Грин и Грант Сандерсон подчеркнули, что ИИ не создал прорыв в уравнении Навье — Стокса на пустом месте: алгоритм довел до конца математическую программу, разработанную учеными Диего Кордобой (Diego Córdoba) и Луисом Мартинесом-Зороа (Luis Martínez-Zoroa) [31:09]. 

Математик Тристан Бакмастер выступил с публичными претензиями по поводу распределения академического признания в этом результате. Вместо того чтобы поставить исследователей на место ведущих соавторов или развернуть совместный проект, OpenAI выпустила препринты, указав в графе авторов исключительно саму компанию [31:34]. 

В академической среде репутация и цитирование значат куда больше денежных компенсаций [32:39]. Реакция ученых на блоге Proofs and Prompts («100+ reactions to 100+ solutions») наглядно показала глубокую деморализацию тех специалистов, чьи многолетние изыскания были в одночасье перечеркнуты без должного уважения к их вкладу [30:07]. Даже пожертвование в размере $5 млн от OpenAI фонду Simons Foundation не смогло сгладить возникшее напряжение [28:12]. 

Сандерсон убежден: инженерам было необходимо задействовать математическое сообщество еще на этапе подготовки публикации, а также научить нейросеть автоматически выявлять и явно указывать тех математиков, чьи идеи легли в фундамент машинного синтеза [31:47].

## 🧬 Генетическая рекомбинация знаний: границы возможностей языковых моделей
[[JUMP:33:30]]

Участники обсудили фундаментальную природу того, как именно большие языковые модели генерируют научные выкладки. 

В математической среде популярна метафора «выпуклой оболочки» (convex hull): якобы ИИ способен лишь бродить между уже известными опорными точками человеческого опыта, интерполируя пространство внутри них, но принципиально не создавая нового [33:43]. Математик Тим Гауэрс предложил более точное описание — рассмотрение модели как полугруппы, порожденной существующим корпусом знаний [34:21].

Грант Сандерсон предложил собственную биологическую аналогию — **половое размножение знаний**:

*   Ребенок получает геном от матери и отца: исходная информация существовала ранее, но комбинация генов образует уникальный организм с пространством для полезных мутаций [35:00].
*   Модель берет две идеи из изолированных областей X и Y, специалисты по которым редко пересекаются на научных конференциях, и осуществляет их гибридизацию [35:50].
*   Синтез двух концептов в единой формулировке создает принципиально новую сущность, которая формально не выходит за рамки накопленного человечеством, но на практике является самостоятельным эволюционным шагом [36:28].

По формулировке Сандерсона, текущие способности систем в математике переоценены, однако скорость их эволюции недооценивать нельзя [37:07]. Модели пока лишены глубинного математического вкуса, не умеют самостоятельно выбирать перспективные направления и выстраивать масштабные теории вокруг обнаруженных фактов [37:33].

## 🏛️ Смерть «героического века»: новая мотивация и трансформация институтов
[[JUMP:47:25]]

Опираясь на высказывания выдающегося математика Теренса Тао, собеседники констатировали завершение «героического века» математики — эпохи одиноких титанов, штурмующих нерешаемые проблемы десятилетиями [47:38]. 

Математик Дэниел Литт в одной из дискуссий заметил, что при чтении машинных работ специалисты больше времени тратят на обдумывание исходной постановки и попытку воспроизвести доказательство собственным разумом, чем на построчный анализ текста препринта [48:55]. Сандерсон привел в пример исследователя, который при анализе квазигипотезы Римана вообще отказался от чтения сгенерированного PDF-документа: ученый загрузил формальный код в верификатор Lean и вступил в диалог с чат-ботом, пытаясь извлечь зерно интуиции и понять архитектуру рассуждений [49:46].

Академический мир сталкивается с эффектом закона Гудхарта: когда публикация статей и первенство в доказательстве становятся формальной самоцелью, они теряют свою первоначальную ценность [54:09]. 

Грант Сандерсон и Хэнк Грин провели прямую аналогию со школьной системой:

1.  **Отказ от оценивания домашних заданий** — если студент может решить задачу через нейросеть за секунды, проверка домашних работ разрушает академическую честность [51:01].
2.  **Фокус на понимании на экзамене** — ценность заключается в способности человека воспроизвести рассуждение и объяснить его [51:13].
3.  **Переход от PDF к устной традиции** — математик Акшай Венкатеш из Института перспективных исследований запустил журнал нового типа, где вместо многостраничных препринтов исследователи представляют рецензируемые видеолекции [54:34]. Математика возвращается к устной коммуникации у меловой доски [55:10].

## 🗣️ Зачем учить китайский, если есть Babel Fish: будущее мышления
[[JUMP:58:32]]

В завершение диалога Грант Сандерсон предложил метафору изучения иностранных языков [58:32]. Современные цифровые переводчики работают с высочайшей точностью, однако миллионы людей продолжают учить языки ради трансформации собственных нейронных связей и живого контакта с другой культурой [58:45]. 

Аналогичным образом выстроена эволюция школьного образования:

*   Детей заставляют учить таблицу умножения вопреки наличию калькуляторов, поскольку без автоматизма в счете невозможно освоить алгебру [59:24].
*   Студенты осваивают аналитическую алгебру вручную, несмотря на существование Wolfram Alpha, иначе они не смогут овладеть дифференциальным и интегральным исчислением [59:36].
*   Появление мощных автопогрузчиков не заставило людей бросить тренажерные залы: тренировка собственного тела и собственного интеллекта остается витальной потребностью [1:00:14].

Сандерсон вспомнил эссе Теренса Тао 2002 года о том, что определяет «хорошую математику» [56:26]. Тао показал, что практическая польза, глубина теоретических обобщений и изящество инструментов решения задач со временем сходятся в единой эстетической точке [57:03]. 

По мнению участников беседы, даже если ИИ станет абсолютным монополистом в формальном доказательстве теорем, человек сохранит за собой эксклюзивную монополию на то, что для него по-настоящему важно и ценно [1:00:41].