Русский
ИИ-математики: как нейро-символьный ИИ открывает математические формулы
В 2030 году возможен такой заголовок:
«ИИ получил все Нобелевские премии — и Филдсовскую тоже».
Это не фантастика, а логичное продолжение уже идущего процесса: создания нейро-символьных ИИ, способных формулировать, проверять и уточнять математические гипотезы. То есть — делать именно то, что раньше считалось эксклюзивной способностью человеческого разума.
Как устроен ИИ-математик: архитектура «Baby AI Gauss»
Исследователи разработали прототип «Baby AI Gauss» — систему, в которой языковая модель (LLM) соединена с символьным движком (SymPy). Она решает задачи на распознавание числовых последовательностей и поиск формулы, используя цикл:
Сгенерировать → Проверить → Уточнить.
Цикл работы нейро-символьного ИИ
- LLM предлагает гипотезу — например, формулу для первых n членов числовой последовательности.
- Символьный движок проверяет гипотезу на корректность: совпадают ли значения, допустимы ли выводы.
- Если ошибка — LLM получает обратную связь: либо оценку степени полинома, либо таблицу несоответствий.
- Новый раунд: уточнённая гипотеза, снова проверка, снова уточнение.
Результаты: как ИИ-математики справляются с разными задачами
Модель была протестирована на ряде последовательностей:
– простые (квадраты, треугольные числа)
– более сложные (факториалы, числа Каталана, Фибоначчи, гармонические числа)
– «сложные случаи» (простые числа, числа разбиений)
Результаты:
– GPT-3.5 решал только простейшие задачи
– GPT-4 и GPT-4o — уже справлялись с комбинаторными структурами
– GPT-5 решил 100% задач с первой попытки
При этом важно: на открытые задачи, вроде простых чисел, GPT-5 иногда давал формулы, корректные на первых шагах, но не являющиеся настоящим решением. Это подчёркивает, что речь не о «доказательствах», а о подборе правильной структуры и способности к абстракции.
Что делает нейро-символьную архитектуру ИИ-математика особенной
– LLM вносит интуицию, обобщение, догадки
– SymPy проверяет формальную корректность
– Обратная связь структурирована и нацелена: от подсказок по степени до указания на конкретные ошибки
Это приближает нас к системам, которые работают не «по вдохновению», а как исследователь: перебирают гипотезы, отбрасывают ложные, строят логические мосты.
ИИ-математики в облаке: к чему ведёт масштабирование
Если такие ИИ будут масштабированы до уровня «AI Гаусса», их можно будет запускать как облачные сервисы:
– «Включить математика уровня бакалавра» — дешево
– «Включить AI Гаусса» — дороже, но с прорывными гипотезами
– «Поднять AI Римана» — для теории чисел и геометрии
В этой модели ограничением становится не талант, а объём вычислений и токены, как в GPT.
Почему ИИ-математик важен для всей науки
Математика — это язык, которым описана физическая реальность.
Если ИИ сможет автоматизировать открытие новых формул, тождеств, решений уравнений, это приведёт к ускорению всей науки:
– биологии, где доказательство безопасности белков станет задачей уравнений
– климатологии, где AI классифицирует решения уравнений атмосферы
– физики, где AI будет проверять геометрии для объединения гравитации и квантовой теории
Итог: ИИ-математики переходят к исследовательскому уровню
ИИ-математики уже переходят от задач олимпиад к задачам исследовательского уровня. Не через вдохновение, а через генерацию, проверку и уточнение.
«Следующий Гаусс, возможно, не родится — его развернут в облаке».
Такой подход может не заменить человеческий разум, но расширить его возможности, темпы, горизонты и стиль мышления.
Наука — это игра идей, и ИИ теперь умеет делать ходы. Следующий — за нами.