OpenAI опубликовала на GitHub 372 новых математических результата, которые её внутренняя модель получила в ответ на открытые задачи — от улучшений алгоритмов до продвижения по гипотезе Римана. Почти каждый результат вышел из одного запроса к одному агенту и в среднем съел около трёх часов вычислений ChatGPT Pro Thinking, а сопровождающие формализации на Lean (это специальный язык, на котором математические доказательства можно проверять автоматически, а не читать глазами) призваны снять проблему ручной проверки. Если разобраться, за этим жестом стоит вопрос посерьёзнее: готово ли научное сообщество вообще переваривать такой объём новых утверждений, и что делать, когда формальная корректность доказана, а вот его смысл и оригинальность — нет. Подробнее о том, как устроена работа ИИ-агентов в таких задачах, мы писали в материале об опыте OpenAI и Anthropic с AI-агентами в работе.
Что именно выложили
OpenAI открыла на GitHub репозиторий с 372 математическими результатами, которые её внутренняя модель сгенерировала в попытке решить или ощутимо продвинуть известные открытые задачи. В подборку попали улучшения к крупным компьютерным алгоритмам и продвижение по гипотезе Римана (одна из так называемых «задач тысячелетия», за решение которой математический институт Клэя обещает миллион долларов). Все результаты идут с историей правок и ссылками на источники, к которым опиралась модель.
По словам компании, та же самая модель ранее выдала решение задачи Навье-Стокса (другая «задача тысячелетия», описывающая, как текут жидкости и газы), которое уже несколько недель проходит формальную проверку. Это важная деталь: одно дело — показать таблицу из 372 строк, другое — что внутри подборки есть работа, которую научное сообщество уже согласилось всерьёз разбирать.
Один запрос, один агент, три часа вычислений
Почти каждый из 372 результатов — это ответ на один-единственный запрос к одному агенту. Лишь в редких случаях модель делала несколько попыток, чтобы прийти к итоговому доказательству. В среднем на каждый результат уходило порядка трёх часов вычислений ChatGPT Pro Thinking — это платный режим, в котором модель дольше «думает» перед тем, как выдать ответ.
Для сравнения: то решение по Навье-Стоксу, которое сейчас проходит рецензирование, требовало «роя» из 10 000 агентов и миллионов долларов на вычисления. То есть OpenAI показывает сразу два сценария — и дорогой оркестрированный, и дешёвый «один запрос — один результат». Если короткая схема масштабируется, цифры здесь начнут выглядеть совсем иначе.
К каждому результату приложены формализации на Lean — это не прихоть, а попытка справиться с реальной проблемой: ни одно сообщество математиков вручную не проверит 372 новых утверждения. Если доказательство записано на языке, который сама машина может перепроверить, рецензенту остаётся проверить не каждую строчку, а общую идею и то, насколько она вообще имеет значение для науки.
Почему GitHub, а не журнал
OpenAI сознательно положила результаты на GitHub, минуя обычный путь через рецензируемые журналы. Этот шаг сам по себе — заявление: нынешняя редакционная машина математики просто не успевает за таким объёмом потенциально нового материала. На фоне этого публикация в открытом репозитории с формальными проверками выглядит разумным компромиссом — но только если академическое сообщество действительно готово её разбирать.
Перед публикацией OpenAI консультировалась с Advisory Group on Mathematics and Artificial Intelligence при Institute for Advanced Study (Принстон, США), куда входит, среди прочих, обладатель Филдсовской премии Тимоти Гауэрс. OpenAI «в целом» следовала публичным рекомендациям этой группы — например, не публиковала сами запросы и приводила лишь средние, а не пошаговые расходы вычислений. Это разумно с точки зрения открытости процесса, но почти ничего не говорит о качестве самих результатов.
Заодно OpenAI пообещала финансировать семинары и конференции, посвящённые разбору результатов, сгенерированных ИИ. Это редкий случай, когда компания не просто «выкладывает и забывает», а предлагает площадку, на которой математики могут вместе разбирать её же работу. Вопрос в том, хватит ли у сообщества ресурса эти приглашения принять — формальная проверка логики это одно, а понимание, что в доказательстве действительно нового, это совсем другое дело.
Была и одна жёсткая граница: математики могут советовать, как именно результаты подаются читателю, но не как и насколько быстро их вообще производить. То есть речь не идёт о праве вето со стороны академии на сам процесс исследований.
Что об этом думает математическое сообщество
Реакция академии пока разделилась — от «наконец-то инструмент, который снимает рутину» до «это конец той самой математики, которую мы знаем». Lean-формализация действительно доказывает логическую корректность, но не отвечает на вопрос, оригинальна ли работа и важна ли она для науки. Это разные вещи: доказать, что утверждение верно, и доказать, что оно двигает понимание темы вперёд.
В открытом письме «A Severe Misalignment of AI in Mathematics» 25 обладателей Филдсовской премии прямо предупредили: настоящая цель математики — концептуальное понимание, а умение решать задачи лишь инструмент. Массовое производство верных утверждений, по их словам, не порождает новых идей, а затаптывает плодородную почву, на которой идеи обычно и растут. Эффект, по их мнению, перекинется и на другие науки.
Тимоти Гауэрс ранее говорил, что через 10–20 лет математическая литература может вырасти в разы, и при этом ни одна живая научная группа уже не будет понимать её целиком. Обладатель Филдсовской премии Теренс Тао добавил, что обучение молодых математиков теперь должно делать упор на человеческую сторону и жёстко ограничивать использование ИИ-инструментов, иначе настоящее обучение и понимание просто не выживут. Если коротко: инструмент есть, и он работает, но профессия под его тяжестью уже начинает трещать.
Что это меняет для обычного читателя
Для тех, кто не занимается математикой профессионально, главный практический сигнал простой: массовый поток ИИ-доказательств становится реальностью, и решать, какие из них действительно что-то значат, придётся людям, а не моделям. Это значит, что в ближайшие годы «проверено машиной» будет встречаться всё чаще — и всё меньше означать само по себе. Полезный навык для читателя — спрашивать не «доказано ли», а «доказано кем, зачем и какой ценой для понимания».
Если вы хотите лучше понимать, что такое Lean-формализация и как она вообще работает, полезно начать с базовых материалов по теме — например, с того, как устроены современные ИИ-агенты, на которых вся эта история и держится. Полный контекст по работе агентов мы собирали в материале обзоре фреймворков для AI-агентов в 2026 году.
