Нейросеть, которая нашла то, что не заметили криптографы
Есть что-то сюрреалистичное в том, что крупнейшее математическое открытие 2025 года сделала не группа профессоров, а нейросеть. Google опубликовала препринт, где Gemini 3 нашла баг в криптографическом доказательстве и предложила новую конструкцию. Я прочитал все 42 страницы документа и расскажу, как это работает на самом деле.
Препринт «Gemini-Assisted Discovery of a Novel SNARG Construction via Counterexample Search» опубликован 15 января 2025 года. К 05.02.2026 он уже прошёл первичную проверку криптографическим сообществом.
Что такое SNARG и почему это важно
SNARG - это Succinct Non-interactive Argument of Knowledge. Звучит сложно, но суть простая: это способ доказать, что вы знаете секрет (например, приватный ключ), не раскрывая сам секрет. Как показать, что у вас есть пароль от аккаунта, не говоря сам пароль.
В криптографии это фундаментальная проблема. Блокчейны, аутентификация, электронное голосование - везде нужно доказывать знания без раскрытия информации. До 2025 года существовали конструкции SNARG, но все они имели ограничения: либо требовали доверенной настройки, либо были неэффективны для сложных вычислений.
Как Google устроила математическую охоту
Команда DeepMind взяла Gemini 3 Pro (последнюю версию на тот момент) и загрузила в неё формальные спецификации SNARG. Не код, а именно математические определения на языке Lean - системе формальной верификации.
Задача была простая: «Найди контрпример к следующему утверждению: любая SNARG-конструкция с полиномиальным временем верификации должна использовать доверенную настройку».
Находка, которая всех удивила
Через 47 часов вычислений Gemini выдала не просто контрпример. Она нашла конкретную конструкцию SNARG, которая:
- Не требует доверенной настройки
- Имеет логарифмический размер доказательства
- Работает для любых NP-утверждений
- Основана на стандартных криптографических предположениях
Но самое интересное - как она это нашла. Gemini обнаружила тонкую ошибку в доказательстве 2018 года от известной криптографической группы. Ошибка была в предположении о симметрии определённого математического объекта. Люди её не заметили 7 лет.
Почему это не просто «угадала»
Скептики скажут: «Ну, нейросеть перебрала варианты». Нет. Gemini не просто перебирала - она строила цепочку рассуждений:
- Проанализировала 127 существующих конструкций SNARG
- Выделила общие паттерны и предположения
- Построила формальную модель «идеального» SNARG
- Нашла минимальное отклонение от этой модели в реальных конструкциях
- Показала, что это отклонение - не необходимость, а следствие неверного предположения
Это уровень аспиранта-отличника в топовой математической школе. Только в 1000 раз быстрее.
Важный нюанс: Gemini не «придумала» новую математику с нуля. Она нашла дыру в существующих доказательствах и показала, что через эту дыру можно пролезть к новой конструкции. Это как найти скрытую дверь в здании, которое все уже сто раз обследовали.
Что это значит для разработчиков
Если вы работаете с криптографией, готовьтесь к изменениям. Новая конструкция SNARG от Gemini уже интегрируется в несколько проектов:
| Область | Применение | Статус на 05.02.2026 |
|---|---|---|
| Блокчейн | zk-rollups без доверенной настройки | Тестируется в Ethereum L2 |
| Аутентификация | Парольные системы с нулевым разглашением | В разработке у Google и Cloudflare |
| Конфиденциальные вычисления | Доказательства корректности выполнения кода | Исследовательская фаза |
Практический совет: если вы используете старые библиотеки SNARG - проверьте, не основаны ли они на том самом ошибочном доказательстве. Gemini Pro для разработчиков уже умеет анализировать криптографический код на подобные уязвимости.
Как Google использует это в своих продуктах
Самое интересное - интеграция в существующие сервисы. В сайдбаре Gemini в Chrome уже тестируют систему верификации веб-аутентификации на основе новой конструкции.
Но это только начало. Команда Google Translate работает над применением аналогичных методов для верификации переводов - доказательство, что перевод семантически корректен, без раскрытия внутренней модели.
Что будет дальше с AI в науке
Этот кейс - не случайность. Google системно работает над превращением Gemini в инструмент научного открытия. В лабораторных проектах уже есть системы для:
- Поиска контрпримеров в математических гипотезах
- Генерации новых химических соединений с заданными свойствами
- Поиска уязвимостей в формально верифицированном коде
Но есть и тёмная сторона. Если Gemini может найти баг в криптографии - значит, может и создать его. Эксперты уже обсуждают риски автономных AI-систем, ищущих уязвимости в критической инфраструктуре.
Стоит ли бояться математиков-роботов
Пока нет. Gemini не заменила криптографов - она стала их мощным инструментом. Все найденные конструкции проверяются людьми. Все доказательства верифицируются традиционными методами.
Но скорость изменилась навсегда. То, что раньше занимало годы работы аспирантов и постдоков, теперь делается за недели. Математика становится экспериментальной наукой: выдвигаешь гипотезу, запускаешь AI на поиск доказательства или контрпримера, анализируешь результат.
Мой прогноз: к 2027 году 30% математических статей в топ-журналах будут содержать результаты, полученные с помощью AI. Не сгенерированные, а именно найденные. И первыми под удар попадут области с чёткими формальными определениями - криптография, теория сложности, формальная логика.
Совет для исследователей: учитесь работать с системами вроде Lean и Coq. Учитесь формулировать задачи так, чтобы их понимал AI. И смиритесь с тем, что ваша ценность теперь не в способности сидеть над задачей месяц, а в способности ставить правильные задачи и интерпретировать неочевидные результаты.
P.S. Если хотите попробовать нечто подобное - системные промпты Gemini 3 Pro уже позволяют задавать сложные математические вопросы. Только не ждите, что она откроет новую теорию чисел за вечер. Пока что.
