К сентябрю 2026 года AI-модели уверенно закрывают часть задач, которые раньше считались вотчиной профессиональных математиков: олимпиадные упражнения, поиск контрпримеров, улучшение известных алгоритмов. Заменить исследователя они не могут. Граница проходит не там, где её рисуют в новостях: модели сильны в массовом переборе вариантов и проверке гипотез, но не умеют задавать принципиально новые вопросы.
Ниже - разбор трёх стадий, которые индустрия прошла за два года, механизма, за счёт которого LLM вообще что-то находят в математике, и честная оценка того, где возможности заканчиваются.
Три стадии прогресса AI в математике: от олимпиадных задач до научных открытий
За два года модели прошли путь, который удобно разбить на три этапа. 2024 год: AlphaProof решает задачи олимпиадного уровня. Май 2025 года: AlphaEvolve, первый агент, заточенный именно под математические задачи, находит новые конфигурации в известных алгоритмах. 2025-2026 годы: громкие заявления крупных лабораторий о результатах в теории групп и в уравнениях Навье-Стокса. Это не разрозненные события, а последовательность, где каждый следующий шаг опирался на предыдущий.
Важная оговорка: подробности заявлений OpenAI по этой теме в доступных источниках не подтверждены прямыми цитатами, поэтому ниже они разбираются как повод для осторожного анализа, а не как установленный результат.
AlphaProof и олимпиадные задачи: первый шаг
AlphaProof начал решать олимпиадные задачи в 2024 году. Это был сигнал: языковые модели способны не только поддерживать разговор, но и выстраивать формальные рассуждения в среде с жёсткими правилами.
Олимпиадная задача устроена удобно для машины. У неё есть точный ответ, ограниченный набор применимых методов и формальный критерий проверки. Пространство поиска большое, но замкнутое. Модель генерирует сотни путей решения, отбрасывает тупиковые и оставляет тот, который проходит проверку. Олимпиадный уровень при этом не равен исследовательской математике: здесь не нужно придумывать новую теорию, достаточно найти комбинацию известных приёмов. Именно поэтому первый успех дался относительно легко и одновременно мало что сказал о способности моделей делать открытия.
AlphaEvolve: агент, который нашёл новое в умножении матриц и упаковке сфер
AlphaEvolve показали в мае 2025 года, и это первый агент, специально заточенный под решение математических задач. Он нашёл более эффективный способ умножения матриц и подобрал комбинаторно более эффективный способ упаковки сфер в ограниченном пространстве (разбор на Habr). Разница с олимпиадными задачами принципиальная: готового ответа в конце учебника нет, агент предложил новые конфигурации.
Умножение матриц - фундаментальная операция, на которой держится значительная часть вычислительной математики, компьютерной графики и обучения нейросетей. Любое сокращение числа операций даёт эффект на масштабе, где такие операции выполняются миллиардами. Упаковка сфер - классическая геометрическая задача с длинной историей и красивой постановкой: плотно заполнить объём одинаковыми шарами без пересечений.
Заявления OpenAI: несофические группы и сингулярность в уравнениях Навье-Стокса
Отдельный сюжет - заявления OpenAI о результатах, связанных с несофическими группами, и о примере сингулярности в уравнениях Навье-Стокса. Про несофические группы в доступных материалах есть только упоминание без определения, поэтому конкретику по ним проверить нельзя. Уравнения Навье-Стокса входят в список задач тысячелетия: вопрос существования и гладкости решений в трёхмерном случае до сих пор не закрыт, и любое продвижение там значимо.
Именно поэтому такие анонсы требуют независимой проверки. Прямых цитат и подтверждений в открытых источниках нет, относиться к ним стоит как к заявке на результат, а не как к доказанному факту. Контекст спора вокруг OpenAI и этой задачи подробно разобран в отдельном материале: скандал вокруг OpenAI и задачи Навье-Стокса.
Что LLM на самом деле умеют в математике: перебор, контрпримеры и уточнение доказательств
Одна деталь объясняет большую часть успехов. LLM не считают в привычном смысле: они предсказывают следующий токен. Когда задача сводится к генерации множества вариантов-кандидатов, такая архитектура оказывается на удивление эффективной. Разработчики, по описанию в источнике, пришли к выводу, что суперсила LLM - в переборе, причём не в численном (Habr).
Перебор вариантов как суперсила: почему это работает
Механика простая. Модель генерирует десятки и сотни вариантов решения, гипотез, конструкций. Большинство из них бесполезны, но несколько могут оказаться рабочими. Формальный проверщик, будь то proof assistant или обычный скрипт, отбрасывает неверные. Это напоминает метод Монте-Карло, только вместо случайных точек модель предлагает варианты, которым сама присваивает более высокую вероятность. Обученная на огромных корпусах текстов, включая математические, она сужает область поиска до правдоподобных участков и не тратит ресурс на очевидный мусор.
Аналогия: поиск иголки в стоге сена, где модель сначала отсекает заведомо пустые области, а затем быстро перебирает оставшееся. Интуиции здесь нет, есть статистическая релевантность.
Поиск контрпримеров: как AI ломает «подвешенные теоремы»
«Подвешенные теоремы» - утверждения, которые считались доказанными, но лишь потому, что никто не смог найти опровержение. Когда AI начал искать исключения из правил и контрпримеры, такие теоремы начали сыпаться одна за другой. Ценность здесь в смене роли: модель не доказывает новое, а проверяет на прочность старое.
Практический эффект для математики: больше внимания к границам применимости. Утверждение, которое верно при одних условиях и ломается при других, перестаёт быть удобной абстракцией и превращается в набор уточнённых случаев. Для прикладных областей это важно: именно на границах условий обычно и возникают инженерные ошибки, а не в середине диапазона, где всё работает предсказуемо.
Уточнение доказательств: добавление «знаков после запятой»
Там, где контрпример не находился, AI искал способ повысить точность предложенного людьми доказательства: уточнял доверительные интервалы, добавлял «знаки после запятой». Если доказательство гарантирует, что константа меньше 10, модель может показать, что она меньше 9.999. Новой теории здесь не появляется, зато растёт прикладная ценность: в численных методах и оценках сложности точная граница важнее широкой.
По описанию в источнике, таким подходом в течение всего 2025 года было сделано множество открытий (Habr). Формулировка в материале общая, конкретный список открытий не приводится, но сам механизм воспроизводим и состоит из трёх шагов: генерация вариантов, формальная проверка, уточнение границ.
Чего AI пока не умеет: отсутствие интуиции и неспособность ставить новые вопросы
Главное ограничение формулируется жёстко: у LLM нет математической интуиции, и они не умеют ставить принципиально новые вопросы. Модель может найти более эффективный способ умножения матриц, но не может задаться вопросом, нужна ли вообще новая алгебраическая структура для описания какого-то класса задач.
Интуиция в математике - это способность видеть глубокие связи между областями, которые внешне не связаны: заметить, например, что задача из теории чисел имеет геометрическую природу. LLM работают с поверхностными паттернами в текстах. Они хорошо усваивают то, что уже описано словами, и хуже - то, что ещё не сформулировано.
Это ограничение архитектурного свойства, а не нехватка обучающих данных на текущий момент. Пока модель учится на корпусах, где новые вопросы уже кем-то заданы, она может их воспроизводить и комбинировать, но не порождать новые направления. Выбор, какая задача важна, остаётся за человеком.
Почему впечатляющие результаты остаются «сферическими конями в вакууме»
Между лабораторным результатом и рабочим инструментом лежит дистанция. Улучшенный алгоритм умножения матриц теоретически полезен, но чтобы он попал в библиотеку, нужны независимая проверка, рабочая версия под конкретное железо, тесты на устойчивость к ошибкам округления и подтверждение выигрыша на реальных размерах матриц. Это месяцы и годы инженерной работы.
Упаковка сфер - красивая задача с ограниченным прямым применением. Заявления о несофических группах и сингулярности в уравнениях Навье-Стокса - это научные новости, а не инструменты, которые кто-то поставит на рабочий сервер сегодня. Разрыв между результатом в препринте и продуктом остаётся большим.
Аналогия из физики: фундаментальные открытия редко становятся технологиями сразу. Между формулой и устройством проходит десятилетие, иногда больше. С математическими результатами AI ситуация похожая: сначала их осмыслят и перепроверят, затем на их основе появятся инженерные решения.
Симбиоз человека и AI в науке: что это значит на практике
Рабочая схема выглядит так. Математик формулирует гипотезу и решает, что вообще стоит проверять. AI генерирует варианты, ищет контрпримеры и уточняет границы. Результат возвращается человеку, который решает, что из этого важно.
Навык формулировать задачу становится ключевым. Модель не подскажет, какая проблема интересна; она быстро проверяет то, что уже сформулировано. Чем точнее постановка, тем полезнее отдача и тем меньше времени уходит на разбор нерелевантных вариантов.
AI-агенты для математики существуют, но доступ к ним ограничен и требует квалификации. AlphaEvolve - внутренний проект Google, публичного свободного доступа к нему в доступных источниках не описано. На практике большинство исследователей пока работают с универсальными LLM плюс формальными проверщиками доказательств, а не с готовыми «AI-математиками».
Что дальше: перспективы и ограничения AI в математике к 2026 году и после
К 2026 году модели прошли путь от олимпиадных задач до результатов, которые обсуждают как научные открытия. Принципиальные ограничения при этом сохраняются: интуиция и постановка новых вопросов остаются за человеком.
Ждать ли прорыва в интуиции? Пока предпосылок нет. Все заметные результаты последних двух лет укладываются в одну схему: массовая генерация вариантов плюс формальная проверка. Улучшение этой схемы даст больше скорости и охвата, но не заменит постановку задач.
Практический вывод: следить стоит за агентами вроде AlphaEvolve и за тем, как их результаты просачиваются в библиотеки и инструменты, а не за громкими анонсами как таковыми. Реальная польза придёт постепенно, через интеграцию в вычислительные пакеты и системы автоматического доказательства. Для тех, кто работает с AI ежедневно, это означает простую вещь: сегодня разумно использовать LLM как ускоритель проверки и перебора гипотез, а выбор направления держать на себе.