Искусственный интеллект все активнее участвует в математических исследованиях: находит решения известных задач, опровергает гипотезы, которые долгое время оставались предметом изучения. О новых возможностях ИИ и роли ученого говорили на открытой дискуссии «Математика в эпоху искусственного интеллекта», организованной факультетом математики НИУ ВШЭ. В ней приняли участие исследователи и представители индустрии.
Встреча началась с лекции профессора факультета компьютерных наук НИУ ВШЭ Сергея Николенко «Vibemathed: как AI изменил математику». Он напомнил, что стремление формализовать математические доказательства возникло задолго до появления нейросетей. Начиная с работ Готлоба Фреге, Джузеппе Пеано, Давида Гильберта, Курта Гёделя и Герхарда Генцена математики развивали представление о том, что доказательство можно представить как последовательность логических шагов, основанных на аксиомах и правилах вывода.
Первые алгоритмы автоматического поиска доказательств появились в 1950-е годы. Однако автоматические пруверы долгое время не могли самостоятельно решать действительно интересные математические задачи. Одним из редких заметных успехов стало доказательство гипотезы Роббинса о булевых алгебрах: еще в 1990-е годы автоматический прувер подтвердил эквивалентность двух наборов аксиом. Доказательство представляло собой длинную последовательность преобразований равенств.
«Успех в доказательстве математических утверждений вдруг пришел совершенно с неформальной стороны, со стороны систем, которые на тот момент просто предсказывали следующее слово в тексте, следующий токен. Они просто вбирают в себя весь корпус математических знаний. Но потом, после некоторого дообучения, внезапно начали доказывать теоремы», — рассказал Сергей Николенко.
Особенно важным этапом стало появление рассуждающих моделей, способных выстраивать сложные цепочки аргументации.
Первые свидетельства нового уровня возможностей появились осенью 2025 года. Три математика попросили GPT-5 усилить качественный результат из научной статьи, получив количественную оценку скорости сходимости. Модель предложила доказательство новой теоремы, но допустила ошибку. Даже после замечания исследователей она не сразу смогла ее обнаружить: математикам пришлось указать на конкретный некорректный переход. После этого модель исправила рассуждение и получила новый результат. Этот пример, отметил Сергей Николенко, хорошо показывал тогдашний формат взаимодействия: исследователи ставили последовательные задачи, а модель выступала исполнителем.
В начале 2026 года возможности языковых моделей стали заметнее. Математик Дональд Кнут несколько недель пытался решить задачу о графах, а затем обратился к Claude. Модель смогла предложить доказательство. Кнут рассказал об этом в заметке, начинавшейся словами «шок, шок», — этот случай стал одним из свидетельств того, что ИИ способен помогать в решении задач профессиональных математиков.
Весной модели продвинулись в решении задач Эрдёша. При этом, уточнил Сергей Николенко, значительную часть ответов ИИ не нашел самостоятельно, а обнаружил в уже опубликованной научной литературе. Однако некоторые задачи модели действительно решили заново.
Особое внимание вызвала задача о единичных расстояниях. Она связана с размещением точек на евклидовой плоскости таким образом, чтобы число пар точек, находящихся на одинаковом расстоянии, было как можно больше. Эрдёш доказал, что число таких пар может превышать линейную оценку, но предполагал, что показатель степени будет лишь немного больше единицы и это превышение будет асимптотически убывать. Языковая модель построила конфигурации, опровергающие это предположение: показатель степени оказался больше единицы. Первоначально разница была чрезвычайно мала, однако впоследствии другие модели помогли существенно улучшить результат.
Среди других примеров Сергей Николенко назвал контрпример к гипотезе Якоби, полученный Левентом Алпёге с помощью Claude, и работу над гипотезой Диница — Гарга — Гёманса (Dinitz — Garg — Goemans) о потоках в графах. Контрпример к последней получил Дмитрий Рыбин с помощью GPT. Сам Сергей Николенко затем продолжил исследование с использованием языковых моделей: удалось найти более сильные контрпримеры, получить структурные теоремы и выделить классы графов, для которых совпали верхние и нижние оценки.
Следующий заметный этап наступил 1 августа, когда OpenAI представила десять математических результатов, в том числе результат о существовании несофических групп. К публикациям прилагались формализации на языке Lean. Такие системы позволяют проверить каждый шаг доказательства, однако формальная проверка еще не гарантирует, что доказано именно то утверждение, которое исследователь собирался доказать. «Нужно внимательно человеческим мозгом проверять, соответствует ли то, что вы хотели доказать, тому утверждению, которое вы формализовали», — подчеркнул Сергей Николенко.
Самым масштабным событием Сергей Николенко назвал публикацию OpenAI от 6 октября. Компания представила 722 рукописи, сгруппированные в 372 семейства математических результатов. По словам лектора, моделям предложили около 4 тысяч задач, и 372 из них были решены. Среди направлений — теоретическая информатика, комбинаторика, геометрия и теория чисел. При этом Сергей Николенко обратил внимание на отсутствие результатов по криптографии.
Среди наиболее заметных достижений он выделил прогресс в квазигипотезе Римана, а также результаты, связанные с гипотезами Ходжа и Тейта. В ряде случаев к публикациям прилагались формальные доказательства, которые можно проверять с помощью специальных систем.
Приведенные примеры показывают, насколько быстро расширяется круг математических задач, с которыми способны работать языковые модели. При этом развитие ИИ ставит перед научным сообществом не только технические, но и методологические вопросы: как проверять новые результаты, оценивать их значимость и определять границу между работой исследователя и интеллектуальной системы.
Мышление как главное преимущество человека
После лекции состоялась открытая дискуссия «Математика в эпоху искусственного интеллекта» с участием семи экспертов, представляющих математическую науку, физику, компьютерные науки, образование и индустрию. Разговор был посвящен тому, как развитие ИИ повлияет на профессиональную деятельность математиков, фундаментальные исследования, подготовку специалистов и оценку научных результатов.
Директор АНО ДПО «Образовательные технологии Яндекса» Кирилл Медведев рассказал о перспективах образования в условиях, когда ИИ будет выполнять все больше интеллектуальных и профессиональных задач. В частности, он высказал мнение о том, как изменится ценность образования, а также рассказал, как организовать домашние задания и оценивать знания, чтобы учащиеся использовали ИИ для обучения, а не для списывания.
Руководитель направления машинного обучения НПК «Криптонит» и доцент кафедры суперкомпьютеров и квантовой информатики факультета ВМК МГУ имени М.В. Ломоносова Дмитрий Буряк рассуждал о востребованности математиков в индустрии. Его интересовало, сохранится ли спрос на специалистов с глубоким фундаментальным образованием, какие преимущества оно дает перед использованием готовых интеллектуальных систем и как применять ИИ в научной работе студентов и аспирантов, готовящихся к индустриальным исследованиям.
Профессор департамента анализа данных и искусственного интеллекта ФКН НИУ ВШЭ Василий Громов говорил о том, насколько дальнейшее совершенствование интеллектуальных систем будет зависеть от новых математических идей, в чем заключается конкурентное преимущество математиков перед специалистами с прикладным образованием и какие математические знания и навыки станут особенно ценными в эпоху генеративного ИИ.
Высококвалифицированный главный научный сотрудник Физического института имени П.Н. Лебедева РАН (ФИАН), руководитель Лаборатории математического моделирования сложных систем отделения теоретической физики ФИАН Андрей Леонидов рассказал о перспективах применения математики совместно с ИИ в других научных областях. Он отметил направления, в которые стоит углубляться математикам для работы на стыке дисциплин, возможности взаимодействия с физикой и исследованиями сложных систем, а также новые перспективы на пересечении фундаментальной науки и индустрии.
Заместитель директора по развитию ФИАН Олег Иванов поделился опытом организации научной работы в условиях быстрого роста числа результатов, полученных с помощью ИИ. Среди ключевых вопросов — как научному сообществу определять значимость таких результатов, как может измениться система научных публикаций и способен ли искусственный интеллект ускорить рецензирование научных статей.
Главный научный сотрудник факультета математики НИУ ВШЭ Василий Горбунов поставил вопрос, кто будет формулировать содержательные задачи и определять направления работы, если ИИ сможет самостоятельно доказывать сложные теоремы. Также он поделился мнением о том, какие области математики окажутся наиболее перспективными и нужно ли ограничивать использование ИИ на ранних этапах научной карьеры, чтобы сохранить самостоятельное математическое мышление. Отдельное внимание он уделил проверке теорем, доказанных искусственным интеллектом, и необходимости человеческого контроля.
Сергей Николенко также участвовал в дискуссии. В центре его внимания оказались способности, которые сохранят ценность у человека с фундаментальным математическим образованием, даже если интеллектуальные системы научатся самостоятельно решать большинство задач, а также надежность формальной проверки доказательств. В частности, рассматривалась возможность независимо формализовать доказательства в разных системах, например Lean и Isabelle, чтобы снизить вероятность ошибок при проверке.
Участники дискуссии отметили, что развитие интеллектуальных систем заставляет математическое сообщество заново осмысливать не только то, какие задачи можно поручить машине, но и то, какие исследовательские решения по-прежнему требуют человеческого понимания и ответственности.