3Blue1Brown призвал математику ценить объяснения наравне с доказательствами

На блоге математика Теренса Тао вышел гостевой пост Гранта Сандерсона, известного под именем 3Blue1Brown, автора научно-популярных видео о математике. Сандерсон исходит из того, что решение задач и генерация доказательств всегда были лишь суррогатом настоящей цели математиков, продвижения человеческого понимания; когда доказательства начинают появляться без этого понимания (в том числе благодаря ИИ), их ценность как суррогата падает. Его предложение: сформулировать понятие «мотивированного объяснения» и присуждать за яркие, убедительные объяснения академический вес, сравнимый с тем, что исторически давался за новые доказательства открытых проблем.

Сандерсон разводит доказательство и мотивированное объяснение по нескольким признакам. В доказательстве определения даются в начале, и все утверждения обязаны быть строго верны на каждом шаге. В мотивированном объяснении определения появляются по ходу дела, только когда ясна проблема, которую они решают, и вполне допустимо стартовать с идеи, которая отчасти неверна, но интуитивно понятна, а затем её поправлять. Один из любимых им жанров такого рода Сандерсон называет «discovery fiction» (термин придумал Майкл Нильсен), изложение, которое начинается с простого, но неверного решения, показывает, где оно ломается, чинит его и так далее. Автор подчёркивает: в отличие от доказательства, у мотивированного объяснения нет бинарного критерия истинности, «формальной системы проверки вроде Lean для мотивированных объяснений никогда не будет», и именно поэтому такая работа сложнее для учёта, чем доказательства.

В качестве образцов удачных мотивированных объяснений Сандерсон называет часть IV сборника «Princeton Companion to Mathematics», она охватывает более двух десятков активных областей исследований, каждую из которых представляет эксперт с даром ясного изложения (в пример приведены статьи Эндрю Гранвилла об аналитической теории чисел и Дэвида Бен-Зви о пространствах модулей). Сборник редактировал Тимоти Гауэрс, филдсовский лауреат; в интервью подкасту Numberphile Брейди Харану он рассказал, что редактирование заняло у него примерно половину рабочего времени на протяжении около пяти лет, и признал, что вряд ли получил бы такой шанс, не будь он лауреатом Филдсовской медали.

Другой пример, Билл Тёрстон, математик, прославившийся доказательствами, но известный и вкладом за их пределами. В своём эссе «О доказательстве и прогрессе в математике» (написанном за три десятилетия до появления больших языковых моделей) Тёрстон ставит вопрос не «что доказывают математики», а «как математики продвигают человеческое понимание математики». Он приводит спор вокруг доказательства теоремы о четырёх красках, полученного Аппелем и Хакеном с помощью масштабных компьютерных вычислений: по его мнению, споры были не о достоверности теоремы, а о нехватке человеческого понимания доказательства в дополнение к знанию, что теорема верна. Тёрстон же писал, что немалую часть своего труда, «математическую политику», переработку заметок в книгу с высоким стандартом изложения, работу над формами коммуникации математики через Центр геометрии (Geometry Center), включая первый такой эксперимент, видео «Not Knot», математическое образование, руководство институтом MSRI, он ценил наравне с доказательством теорем, хотя эта деятельность не приносила формального признания.

Ещё один пример, статья Тимоти Чоу «A beginner's guide to forcing», во введении к которой предложено понятие «открытой задачи изложения» (open exposition problem), по аналогии с «открытой исследовательской задачей»: решить такую задачу значит объяснить математический предмет так, чтобы он стал полностью прозрачным и каждый шаг был мотивирован. Сандерсон продолжает эту идею: сейчас, по его словам, любое доказательство, полученное с помощью ИИ, рождается уже как нерешённая задача изложения, и в ближайшие годы таких доказательств, вероятно, будет всё больше, так что лидерам сообщества стоит определить, каким из них стоит уделить внимание, вплоть до аналога Премий тысячелетия, но для задач изложения.

В качестве иллюстрации Сандерсон приводит недавний случай: в апреле этого года Лиам Прайс представил решение задачи Эрдёша №1196 (гипотезы об асимптотических примитивных множествах), в отличие от многих других задач Эрдёша, ранее решённых с помощью ИИ, эта считалась в математическом сообществе действительно важной и трудной. Решение появилось у Прайса в результате взаимодействия с GPT-5.4 Pro. Доказательство затем попало к Нэту Сотанапхану и Джареду Лихтману, которые занялись тем, чтобы разобраться в подходе, использованном ИИ, но, по словам Сандерсона, несмотря на формально существующее доказательство, человеческое понимание к этому моменту продвинулось ещё не сильно.

Ключевые факты

Грант Сандерсон (3Blue1Brown) в гостевом посте на блоге Теренса Тао предлагает ввести понятие «мотивированного объяснения» и присуждать за него академический вес наравне с доказательствами открытых проблем.
Поводом служит рост возможностей ИИ по генерации доказательств: доказательство без человеческого понимания теряет ценность как суррогат главной цели математики, продвижения понимания.
Опорные примеры: сборник «Princeton Companion to Mathematics» под редакцией филдсовского лауреата Тимоти Гауэрса (по его собственной оценке, около половины рабочего времени за пять лет), эссе Билла Тёрстона «О доказательстве и прогрессе в математике» и понятие «открытой задачи изложения» из статьи Тимоти Чоу.
В апреле Лиам Прайс с помощью GPT-5.4 Pro решил задачу Эрдёша №1196 (гипотезу об асимптотических примитивных множествах); Нэт Сотанапхан и Джаред Лихтман затем разбирали, каким был подход ИИ.
Сандерсон предлагает лидерам сообщества определять и ранжировать «открытые задачи изложения», по аналогии с открытыми исследовательскими задачами, вплоть до аналога Премий тысячелетия.

Почему это важно

Пост фиксирует сдвиг, который уже начался: системы ИИ (в тексте упомянут GPT-5.4 Pro) генерируют доказательства открытых математических задач быстрее и легче, чем раньше, и решение задачи как таковое перестаёт быть надёжным суррогатом того, ради чего математика вообще существует, продвижения человеческого понимания. Если сообщество продолжит ценить прежде всего сам факт доказательства, а разъяснение и изложение будет считаться работой второго сорта, внешние наблюдатели закономерно решат, что ИИ, умеющий доказывать теоремы, делает математиков ненужными, хотя, по мнению автора, это неверное понимание того, чем на самом деле занимаются исследователи.

Кому это важно

Прежде всего, практикующим математикам и особенно тем, чья работа традиционно не вписывается в систему признания: популяризаторам вроде самого Сандерсона, авторам учебных и обзорных текстов, редакторам сборников вроде Тимоти Гауэрса, преподавателям. Значимо это и для комиссий, распределяющих гранты, должности и премии в академической математике, именно они решают, какая работа получает кредит. На более общем уровне тема касается всех, кто пытается понять, останется ли у людей роль рядом с ИИ, способным генерировать доказательства.

Как это применить

Сандерсон предлагает конкретный шаг: формально определить «мотивированное объяснение», работу, отвечающую на вопрос «как бы вы до этого додумались», и ввести параллельное понятие Тимоти Чоу «открытая задача изложения»: решить её значит объяснить математический результат так, чтобы каждый шаг был мотивирован и понятен, а не просто формально верен. Дальше, определить и открыто перечислить такие задачи изложения (Сандерсон сравнивает это с Премиями тысячелетия для исследовательских задач) и договориться о критериях, по которым решение такой задачи можно засчитать; по его словам, каждое доказательство, полученное сейчас с помощью ИИ, уже является такой нерешённой задачей изложения.

Можно ли доверять

Материал, авторская колонка, а не исследование: Сандерсон сам оговаривает личную заинтересованность (его собственная нетрадиционная карьера построена на объяснениях и научно-популярных видео, а не на решении открытых проблем). Приводимые примеры, Тёрстон, Гауэрс, Чоу, опираются на реальные, проверяемые публикации и цитаты; случай с задачей Эрдёша №1196 и GPT-5.4 Pro описан по имеющимся в тексте деталям, но сам текст обрывается до того, как раскрыт вывод Сотанапхана и Лихтмана о подходе ИИ, что именно они установили, из данного фрагмента не следует.

Риски и подводные камни

У мотивированного объяснения, в отличие от доказательства, нет бинарного критерия правильности, сам автор признаёт, что «формальной системы проверки вроде Lean для мотивированных объяснений никогда не будет», и любая система признания за такую работу неизбежно опирается на более субъективную оценку. Если поток доказательств, сгенерированных ИИ, действительно вырастет, как ожидает Сандерсон, при отсутствии согласованного правила, что считается решённой задачей изложения, сообщество рискует захлебнуться в нерассортированных «доказано, но не понято» результатах. Есть и инерционный риск: система грантов, должностей и премий в математике десятилетиями строилась вокруг доказательств, и предложение самого популяризатора видео о смене приоритетов может быть воспринято именно как попытка «самовозвышения», на что указывает и сам автор.

«На более обычном уровне люди, впервые начинающие работать с компьютерами, часто проводят масштабные вычисления того, что раньше делали вручную в меньшем масштабе. Они могут распечатать таблицу первых 10 000 простых чисел, и обнаружить, что такая распечатка на самом деле им не нужна. Так они на собственном опыте убеждаются, что на самом деле им нужны не «ответы», а понимание.»

— Билл Тёрстон, эссе «О доказательстве и прогрессе в математике» (цитата приведена в посте Гранта Сандерсона)