Теренс Тао: ИИ, который решает задачи слишком быстро, может «отравить» математику
Теренс Тао — из тех математиков, кто годами спокойно пробует новые ИИ-инструменты и не стесняется хвалить их в открытую. Но после релиза GPT-6 Astra он написал то, чего от него мало кто ждал: если нейросети начнут выдавать ответы на великие открытые проблемы слишком быстро и без прозрачного процесса, математика может потерять больше, чем приобретёт. Поводом стал конкретный результат — новая модель OpenAI заявила о прогрессе в задаче о простых числах-близнецах.
Сначала факты. GPT-6 Astra, по заявлению OpenAI, с помощью формальных доказательств в Lean сжал верхнюю границу промежутка между соседними простыми числами с 246 до 186. Для понимания масштаба: в 2013 году Чжан Итан доказал, что существует бесконечно много пар простых чисел с разницей не больше 70 миллионов. Джеймс Мейнард, получивший Филдсовскую премию в 2022-м, довёл эту границу до 600, а дальше сообщество дожал её до 246. Теперь сразу три лаборатории отчитались о новых числах: OpenAI — 186, Anthropic — 188, Axiom — 212.
Казалось бы, повод для праздника. Но Тао увидел в этом не победу, а тревожный звонок.
Ответ — не самое ценное в задаче
Главная мысль Тао звучит почти парадоксально: великая открытая проблема ценна не ответом, а дорогой к нему. Когда математики годами бьются над задачей, они по пути изобретают новые методы, понятия и целые теории — и именно эти «побочные продукты» двигают науку вперёд. Даже тупики полезны: понять, почему подход не сработал, часто важнее, чем найти решение.
А теперь представь, что ответ выдаёт нейросеть. Быстро, чёрным ящиком, без показанных промежуточных шагов. Задача формально решена — но весь тот процесс, который должен был породить новые идеи, просто не состоялся. Тао называет это «загрязнением» проблемы: она перестаёт быть источником будущих открытий.
Пример с Навье-Стоксом
Свой тезис Тао разворачивает на конкретном примере — задаче о глобальной регулярности уравнений Навье-Стокса, одной из семи «задач тысячелетия». Математики уже почти уверены, что ответ отрицательный: существуют начальные условия, при которых решение «взрывается» за конечное время. И даже намечен план из четырёх шагов — от построения приближённого самоподобного решения до проверки его устойчивости.
Проблема в том, что каждый шаг чудовищно сложен для человека, но идеально ложится на конвейер «машинное обучение + строгая арифметика + формальные доказательства». Тао допускает, что такой гибрид в итоге действительно решит задачу. И вот тут подвох: если решение окажется настолько сложным, что его не сможет осмыслить ни один человек, а компания, запустившая ИИ, спрячет весь процесс за закрытыми дверями, — математика получит галочку в списке, но почти ничего не узнает.
Почему это касается не только математиков
Логика Тао шире, чем кажется. Она про любую область, где ценность создаётся в процессе, а не в финальном ответе. Если ИИ начнёт мгновенно выдавать «правильные» решения, а люди перестанут проходить путь проб и ошибок, мы рискуем потерять не скорость, а понимание. Тао формулирует жёстко: в худшем случае влияние ИИ на математику может стать не положительным, а отрицательным.
При этом он не против ИИ в науке — наоборот, он один из самых активных его пользователей. Его беспокоит конкретный сценарий: автономная система, которая крутит весь цикл «гипотеза — проверка — отказ» внутри себя, на гигантских вычислительных мощностях, и выдаёт наружу только финальный ответ. Без следов, без черновиков, без возможности учиться на её ошибках.
Что дальше
Пока это предупреждение, а не приговор. GPT-6 Astra действительно сжал границу до 186, но сама гипотеза о простых числах-близнецах — о том, что таких пар бесконечно много, — остаётся недоказанной. Речь идёт о промежуточном результате, пусть и заметном. Вопрос, который ставит Тао, глубже: как сделать так, чтобы ИИ ускорял науку, не выхолащивая её. Ответа у него пока нет — и, честно говоря, ни у кого нет.
Источник: 量子位 (QbitAI): 陶哲轩吐槽GPT-6孪生素数新突破.