ИИ · 20 октября 2026 г.
OpenAI представила решение известной математической проблемы, но не понимает собственного доказательства
Компания OpenAI представила возможное решение одной из самых известных нерешенных математических задач, которая касается проблемы Навье-Стокса. При этом компания, по всей видимости, не понимает сути собственного доказательства.
В начале сентября организация представила документ объемом 166 страниц. В нем утверждалось, что доказательство основано на подходе испанских математиков Диего Кордобы и Луиса Мартинеса-Зороа. Однако несколько групп экспертов пришли к иному выводу. Математик Гонсало Као-Лабора из EPFL заявил, что при детальном рассмотрении подход оказывается иным, а сходство является лишь поверхностным.
Предложенное доказательство закодировано на языке верификации Lean. Этот язык проверяет формальную правильность логических шагов, но не делает их автоматически понятными для людей. В настоящее время работа находится на проверке в Clay Mathematics Institute.
Ранее возникли споры о происхождении решения. Математик Тристан Бакмастер из Нью-Йоркского университета предположил, что OpenAI опиралась на наработки, которые он и Левент Алпёге из Anthropic создали с помощью общедоступных моделей. OpenAI опровергла эти заявления и исключила использование данных Бакмастера. Камилло Де Леллис из Institute for Advanced Study отметил, что окончательное выяснение истины может быть невозможным, так как языковые модели работают как черный ящик.
В начале октября OpenAI опубликовала около 400 дополнительных результатов в виде разрозненного сборника статей на Github. Это вызвало недовольство многих математиков, которые сочли такой формат публикации унижающим их дисциплину.
Эффективность метода решения также остается неясной. Для разработки возможного решения проблемы Навье-Стокса OpenAI использовала около 10 000 экземпляров моделей, 130 миллиардов токенов и суммарно около 88 часов вычислительного времени. Исследователь OpenAI Ноам Браун признал, что неясно, какой именно вклад внес этот огромный рой агентов в решение.
Поведение систем такого масштаба не изучено, так как систематические сравнительные тесты с тысячами агентов слишком дороги. Неизвестно, сколько времени потребовалось бы одному агенту для той же задачи или какое преимущество дают 10 000 агентов по сравнению с 1 000. Сам Браун приписывает многоагентному подходу менее десяти процентов успеха, утверждая, что решающим фактором является мощность базовой модели, способной параллельно обрабатывать задачи в течение длительного времени.