Кем быть математику, когда математику делает ИИ

В 2025 году ИИ перешёл из вспомогательного инструмента в независимого творца математических результатов. Google DeepMind разработал систему Aletheia, которая самостоятельно произвела публикуемые Ph.D.-уровня результаты в арифметической геометрии, это уже не просто проверка вычислений, а оригинальное математическое мышление. OpenAI опроверг важную гипотезу в комбинаторной геометрии, результат которой был бы достоин публикации в топовых журналах.

Прогресс идёт по нескольким направлениям. Сначала ИИ автоматизировал чистый расчёт (50 лет назад компьютер доказал теорему о четырёх красках). Потом достиг уровня высокомотивированных школьников на Международной математической олимпиаде (IMO), золотые медали от DeepMind и OpenAI. Теперь системы, объединяющие большие языковые модели с формальными проверяющими (Lean, Isabelle, Rocq), начинают автоматизировать самую трудоёмкую часть работы математика, формализацию, перевод неформального доказательства в машиночитаемый код. Раньше это требовало месяцев ручного труда; сейчас ИИ сделал это за дни (формализация сферической упаковки в 24 измерениях от Fields Medalist Марины Вязовской за две недели).

На конференции Heidelberg Laureate Forum (сентябрь 2025) молодые математики открыто выразили страх: что если ИИ сможет ставить гипотезы, искать решения и проверять доказательства полностью автономно? Один из докладчиков предположил, что человеческие математики станут «жрецами перед оракулами».

Но мнения разделились. Одна часть (в том числе Fields Medalists) просто хочет знать ответы на самые сложные вопросы, неважно, найдёт их ИИ или человек. Другие видят две альтернативы: либо рассматривать ИИ как инструмент вроде калькулятора (приоритет на понимание человеком), либо как партнёра в командной работе, где каждый решает то, что другой не может. Некоторые уже переживают по поводу того, что понимание может исчезнуть, если ИИ даст ответ, но никто не сможет его проверить или объяснить.

Ключевые факты

Google DeepMind Aletheia и OpenAI создали системы, автономно производящие Ph.D.-уровня математические результаты, это отличается от вычислительных помощников прошлого оригинальностью и сложностью.
Большие языковые модели теперь автоматизируют формализацию, критическое узкое место: перевод неформальных доказательств в машиночитаемый Lean-код вручную требовал месяцев, теперь ИИ делает это за дни.
На конференции молодых математиков выявлен экзистенциальный страх: если ИИ управляет гипотезами, поиском и проверкой, человеческие математики могут превратиться в пассивных интерпретаторов.
Профессиональный разлом: часть математиков готова принять ИИ как инструмент и просто хочет ответов; другие защищают приоритет человеческого понимания; третьи ищут разделение труда, ИИ и человек решают разные части.
Историческая параллель: 50 лет назад компьютеры доказали первые теоремы (четыре краски), но роль человека оставалась центральной в формулировке идей и проверке стратегии. Сейчас эта граница стирается.

Почему это важно

Математика, один из столпов науки и инженерии, где человеческое творчество считалось неотчуждаемым. Если ИИ овладеет самой сложной частью работы (поиск новых идей, их доказательство), это переделает не только профессию, но и само понимание того, что такое математическое открытие и кому оно принадлежит. Проблемы вроде гипотезы Римана или Millennium Prize могут быть решены за считанные часы, если ИИ сможет работать автономно. Вместе с тем возникает риск потери понимания: результаты, которые ни один человек не сможет проверить или объяснить, теряют ценность даже если они верны.

Кому это важно

Прежде всего, самим математикам, от аспирантов (переживающих, что их Ph.D.-тема может быть решена ИИ за дни) до Fields Medalists, переоценивающим смысл своего труда. Управлению исследовательскими учреждениями и университетами, нужно переработать политику в области финансирования и оценки результатов. Научному издательскому миру, как оценивать авторство, если система DeepMind или OpenAI доказала теорему: это публикуемо и кому приписать? Заинтересованы также инженеры и физики, которые используют математику как инструмент поиска решений.

Как это применить

Организациям с большими R&D подразделениями стоит переоценить распределение работ: где нужно человеческое понимание, где можно ускорить ИИ, где нужно сотрудничество. Математикам, развивать интуицию и стратегию, передавая ИИ массовое доказательство и формализацию. Университетам, пересмотреть, как преподавать математику: не с целью выполнения задач (которые теперь ИИ делает быстрее), а с целью развития математического мышления и способности верно формулировать проблему. Издательствам и грант-дающим организациям, установить новые критерии авторства и приоритета для работ, где соавтор, ИИ-система.

Можно ли доверять

Источник, IEEE Spectrum, рецензируемый технологический журнал с авторитетом. Статья основана на документированных фактах: реальных результатах Google DeepMind (Aletheia, формализация Вязовской 24-мерной упаковки), OpenAI, участии в конференции Heidelberg Laureate Forum. Цитаты приписаны реальным учёным (Jeremy Avigad из Carnegie Mellon, Akshay Venkatesh с Fields Medal, Yang-Hui He из London Institute). Прямые попытки ИИ на IMO и доказательства гипотез, проверяемые по открытым источникам. Статья отражает реальный разлом мнений в математическом сообществе, документированный выступлениями на конференциях 2025 года.

Риски и подводные камни

Главный риск, потеря понимания: если ИИ даст ответ или доказательство, которое человек не может проверить или интерпретировать, это может остановить науку, несмотря на формальную корректность. Второй риск, вытеснение человеческого творчества: если гипотезы ставит ИИ, а не интуиция учёного, может упасть многообразие направлений исследований, все системы сойдутся к одному оптимуму. Третий, переоценка переходности: статья говорит о Ph.D.-уровне, но это узкие области (арифметическая геометрия, комбинаторная геометрия, сферическая упаковка), не вся математика. Нельзя экстраполировать на логику, философию или концептуальные области. Кроме того, публикация ИИ-результатов без человеческого понимания может снизить дело математики с искусства (поиск красивых идей) на инженерию (поиск ответов).

«Иногда понимание просто кажется тебе очень красивым. Иногда это ощущение достижения, как финиш марафона. Но это не совсем то и не то: это просто чудесное ощущение, когда ты долго и напряжённо думаешь о чём-то сложном и трудном, а потом, вдруг, всё складывается воедино.»

— Jeremy Avigad, Carnegie Mellon University