# Сварат Чаудхури: «ИИ станет соавтором в математике к 2026 году»

Источник: https://www.youtube.com/watch?v=XFMk0snybAc
Канал: Machine Learning Street Talk
Опубликовано: 25.11.2024

---

## Рассуждения в эпоху нейросетей: на пути к гибридному интеллекту
[[JUMP:0:00]]

Современный искусственный интеллект переживает период переосмысления: от веры в «чистые» нейронные сети к признанию необходимости более жестких структур, напоминающих классическое программирование. В недавнем выпуске подкаста Machine Learning Street Talk ведущий обсудил со Сваратом Чаудхури, профессором компьютерных наук из Техасского университета в Остине и приглашенным исследователем в Google DeepMind, будущее «нейросимволического» программирования, природу машинного мышления и то, как глубокие языковые модели (LLM) могут изменить саму суть математических открытий.

## 🧠 Что такое «рассуждение» для ИИ?
[[JUMP:3:10]]

По мнению Чаудхури, попытка дать определение «рассуждению» через призму антропоморфизма — путь в никуда. Вместо того чтобы спрашивать, «мыслит» ли машина как человек, он предлагает количественный подход:

*   **Критерии рассуждения:** Способность системы превосходить существующие методы в решении математических, алгоритмических и логических задач.
*   **Отказ от дихотомии:** Рассуждение не является булевой величиной (да/нет); это спектр, по которому можно измерять прогресс модели.
*   **Проблема «черных ящиков»:** Если для решения задачи требуются колоссальные вычислительные мощности (например, тысячи часов работы кластера), можно ли считать это рассуждением в человеческом понимании? Чаудхури полагает, что здесь важна не только эффективность, но и *робастность* — способность модели решать задачи в разных условиях, а не только в тех, что были в обучающей выборке.

Гость подчеркивает: текущие языковые модели часто создают «раздутые» вычислительные контуры, которые не переиспользуются в новых ситуациях, в то время как человеческое мышление опирается на лаконичные, абстрактные мотивы.

## 🏗️ Нейросимволический подход: возвращение к истокам
[[JUMP:11:31]]

Несмотря на популярность идеи обучения систем «от конца до конца» (end-to-end), тренд смещается в сторону нейросимволических методов — комбинации нейросетей и классического кода.

*   **AlphaProof и интерпретаторы:** Использование Python-интерпретатора или программ для формальных доказательств (например, Lean) в связке с нейросетью — это классический пример нейросимволического подхода, где нейросеть «общается» с символьным инструментом, получая надежную обратную связь.
*   **Роль абстракции:** Чаудхури считает, что именно механизмы абстракции и модульности являются ключом к достижению робастности, которой так не хватает современным LLM.
*   **DreamCoder:** Проект, в котором нейронная сеть управляет процессом поиска программ и выделения новых «библиотечных» функций, остается важным ориентиром для создания более способных моделей.

## 🔬 Математика как инструмент поиска
[[JUMP:1:06:43]]

Одной из самых смелых тем дискуссии стала роль ИИ в научном поиске. Чаудхури согласен с мнением Теренса Тао: к 2026 году ИИ может стать полноценным «соавтором» или ассистентом в математических статьях.

*   **Копилоты для доказательств:** Подобно тому, как программисты сегодня используют Copilot для написания кода, математики смогут использовать ИИ для автоматической проверки доказательств и перебора вариантов.
*   **Декомпозиция доказательств:** Вместо того чтобы пытаться понять каждый низкоуровневый шаг огромного доказательства, математики смогут работать с высокоуровневыми интерфейсами и проверять систему по частям.
*   **Отсутствие «интеллектуального» ревью:** Чаудхури задается вопросом: нужно ли рецензенту понимать каждую деталь, если доказательство проверено формальной системой (например, Lean) и разбито на проверяемые модули?

## 🚀 Будущее и ограничения: Лазерная архитектура
[[JUMP:57:48]]

Рассказывая о собственных исследованиях, Чаудхури представил подход **LASER**, который использует LLM для управления поиском программ и извлечения концептов.

*   **Механизм:** Эволюционный поиск создает пул кандидатов, а LLM выступает в роли «абстрактора», который объясняет, какие закономерности в программах привели к успеху.
*   **Практические результаты:** Этот метод был успешно применен для поиска физических законов из «Фейнмановских лекций по физике» и открытия новых законов масштабирования для LLM.
*   **Критика и риски:** Главная проблема, с которой сталкиваются все подобные исследования — «загрязнение» тестовых данных (test set contamination), когда модель просто «помнит» ответ из интернета. Однако Чаудхури настаивает, что продолжать исследования необходимо, осознавая эти риски.

В заключение гость отметил, что текущая «гонка за SOTA» (state-of-the-art — лучшими показателями на бенчмарках) является в некоторой степени миной для научной продуктивности, так как отвлекает ресурсы от фундаментально новых алгоритмических подходов. По его мнению, будущее лежит в объединении LLM с инструментами, которые обеспечивают строгую логическую проверку и работу с реальностью.