Ещё недавно идея о том, что ИИ сможет не просто помогать с математикой, а реально закрывать серьёзные открытые задачи, звучала слишком смело. Но за последние месяцы ситуация изменилась так быстро, что многие математики уже не спорят с самим фактом прогресса. Они спорят только о его масштабе. История с задачей Юрия Нестерова, которую один исследователь вместе с ChatGPT довёл до полного доказательства за три дня, стала одним из самых наглядных примеров этого сдвига. Смысл здесь не только в результате, но и в процессе. ИИ постоянно ошибался, но именно в ошибках оказывались полезные зацепки. Учёный вручную проверял шаги, отбрасывал неверные ходы и возвращал рабочие фрагменты обратно в модель. В итоге получился не просто черновик, а целое доказательство. Почему это важно Долгое время ИИ воспринимали как инструмент, который хорошо пересказывает, упрощает и ускоряет, но не создаёт по-настоящему новое знание. Математика считалась одной из последних крепостей, где человеческая интуиция всё ещё решает больше, чем вычислительная мощь. Но такие истории показывают, что граница начинает размываться. Ключевой момент тут в том, что модель не просто угадала ответ, а то, что она помогла пройти огромный путь быстрее, чем это сделал бы человек в одиночку. Именно так и описал ситуацию сам исследователь, что именно в связке с ИИ он смог покрыть гораздо большее пространство идей, чем без него. Это и есть, по сути, новая форма математической работы. Как это стало возможным Сильная сторона ИИ в математике сегодня не в безошибочности, а в скорости перебора и готовности предлагать нестандартные, иногда даже странные ходы. Большая часть этих ходов может быть неверной, но среди них иногда прячется та самая мысль, до которой человек не доходил годами. Математик в этом сценарии уже не заменяется, а усиливается. Именно такой подход лежит и в основе более сложных систем вроде AlphaEvolve, где модель не просто пишет код, а эволюционирует программы в поисках лучших решений. Там ИИ уже работает как исследовательский механизм. Он предлагает вариант, тестирует его, исправляет, снова тестирует и постепенно улучшает результат. Для научных задач это особенно ценно, потому что экономит месяцы ручной работы. Что показал конкурс First Proof Дополнительный сигнал дал конкурс First Proof, где специально подобрали исследовательские задачи, которых не должно было быть в обучающих данных моделей. ИИ решил больше половины из них. Это важно не только как демонстрация мощности, но и как ответ на старый стереотип - что модели только воспроизводят уже известное. Когда система справляется с задачей, которую заранее вывели за пределы обучающего корпуса, речь уже идёт не о простом воспоминании, а о реальном рассуждении в новых условиях. Поэтому и появились комментарии, что эта технология, возможно, важнее самого компьютера как устройства. Сама формулировка, конечно, звучит громко, но она отражает масштаб ожиданий. Почему математики меняют отношение к ИИ Пожалуй, самый заметный сдвиг не в самих результатах, а в поведении математиков. Те, кто раньше считал ИИ слишком шумным и ненадёжным, теперь всё чаще начинают с ним экспериментировать. И это логично - ведь если система способна ускорить поиск идеи в несколько раз, игнорировать её становится просто невыгодно. Показательно и то, что некоторые исследователи после публикации собственных результатов переходят работать в ИИ-компании. Это значит, что наука и индустрия уже не разделены так жёстко, как раньше. Сейчас происходит обмен не только знаниями, но и самими способами математического мышления.