OpenAI показала невыпущенную модель на сотнях нерешённых математических задач

Семьсот двадцать две научные статьи и триста семьдесят две группы готовых решений выкатили в открытый доступ за один присест. Автором этих выкладок значится алгоритм, к которому у рядовых пользователей пока нет доступа: компания тестирует закрытую языковую модель на фундаментальной математике, разбираясь с давними открытыми вопросами и совершенно новыми способами расчётов. Со стороны может показаться, что отвлечённые формулы бесконечно далеки от рутины продакшена. Однако именно математический фундамент определяет, сколько часов ваша рабочая станция тратит на просчёт сложной сцены и во сколько обходится минута сгенерированного видео.

За абстрактной теорией стоят сугубо прикладные инженерные сдвиги. Когда алгоритмы берут на себя нестандартную оптимизацию вычислений, архитектура нейросетей начинает требовать ощутимо меньше серверных мощностей. Для креативных команд это прямой путь к удешевлению генерации видеоряда и разгрузке локального железа. Нас особенно подкупает перспектива верификации кода: математическая проверка логики способна вычистить скрытые сбои в софте ещё до того, как проект упадёт посреди финального рендера.

Куда ведут формулы

Спектр задач, на которых обкатывают свежие алгоритмические рассуждения, выходит далеко за рамки университетских лекций. В материалах закрытой разработки зафиксировано сразу несколько направлений, способных трансформировать технические процессы:

• Ощутимое снижение вычислительных затрат при генерации видео и работе ресурсоёмких нейросетей.
• Полная математическая верификация софта и алгоритмов, исключающая системные сбои в продакшен-пайплайнах.
• Методы медицинской диагностики тканей, основанные на восстановлении внутренних свойств исследуемого объекта по внешним замерам.
• Исследования в микроэлектронике и моделирование поведения электронов в веществе.
• Передача возможностей крупных лабораторий небольшим независимым командам, решающим тяжелые вычислительные задачи.

Академический мир встречает подобные релизы без безоглядного восторга. Исследователи всерьёз опасаются за судьбу традиционных методов работы: когда софт начинает самостоятельно автоматизировать доказательства и разбирать сложнейшие структуры, границы классических профессий размываются. При этом реальная картина часто искажается маркетингом. Об успешных кейсах трубят повсюду, а колоссальные объёмы сожжённых мощностей и тысячи проваленных попыток обычно остаются за кадром. Чтобы видеть честную статистику без прикрас, исследователи уже разворачивают прозрачные независимые инициативы вроде проекта First Proof.

В октябре 2026 года математик Теренс Тао описал этот тектонический сдвиг как переход от «Math 1.0» к концепции «Math 2.0». Веками наука развивалась в условиях дефицита доказательств: поиск каждого решения отнимал годы человеческого труда и оставался штучным событием. Сейчас индустрия вступила в эру изобилия. Математика идеально подошла алгоритмам из-за строгой верифицируемости, быстрой оцифровки текстов и колоссальных открытых баз данных. Но производительность систем остаётся «зубчатой» — машины щёлкают формальные задачи любой сложности, спотыкаясь там, где требуется понимание реального физического мира или субъективная оценка.

Отказ от точечных кейс-стади в пользу масштабных экспериментальных массивов виден уже сейчас. В проекте Equational Theories за 2024–2025 годы краудсорсинг объединил усилия людей и алгоритмов, чтобы разобрать свыше 22 миллионов утверждений в универсальной алгебре. Следом стартовал вызов Inverse Galois Problem challenge (IGP24): на первой стадии энтузиасты искали полиномы 24-й степени для всех 25 000 возможных групп Галуа, а на втором этапе планку задрали уже до 31-й степени.

Тао предупреждает: слепая оптимизация под выдачу готовых ответов смертельно опасна. Исторически сложнейшие задачи служили ориентирами, помогавшими попутно совершать фундаментальные открытия, которые часто оказывались важнее итогового решения. Если машина просто выдаст верифицированный результат без объяснений — как если бы нам дали безупречно работающую формулу лекарства от рака, но никто на планете не понял бы механизм её действия, — человечество потеряет понимание контекста.

Выходом должна стать системная работа над прозрачностью. Концепция «Math 2.0» предлагает использовать алгоритмы не для подмены человека, а для расширения его кругозора:

• Запуск открытых задач экспликации для поиска ясных объяснений к непрозрачным автоматическим решениям, включая инициативы вроде обновлённого Caltech Mathathon.
• Формирование интерактивных сетей знаний по образцу Integrated Explicit Analytic Number Theory Network.
• Наполнение публичных библиотек формализованной математики уровня Mathlib.
• Автоматическое исследование «окружения теорем» с проверкой того, что произойдёт при изменении исходных гипотез.
• Создание открытых, прозрачных и безопасных специализированных моделей.

Похоже, пока индустрия спорит о том, отнимут ли алгоритмы работу у фундаментальных учёных, мы получаем инструмент, перестраивающий саму архитектуру вычислений. Если математические модели начнут оптимизировать код генеративных сеток на уровне логических ядер, нам больше не придётся сутками ждать компиляции сложных симуляций. Дело за малым — научиться понимать логику решений, которые выдаёт машина.