OpenAI заявила, что её модель опровергла гипотезу Эрдёша в дискретной геометрии
Модель нашла контрпример к задаче о единичных расстояниях
OpenAI опубликовала исследование о задаче единичных расстояний на плоскости. Формулировка звучит просто: если разместить n точек на плоскости, сколько пар точек может оказаться ровно на расстоянии 1 друг от друга.
Эту задачу в 1946 году поставил Пол Эрдёш, и с тех пор она стала одной из известных проблем комбинаторной геометрии.
Долгое время математики считали, что конструкции на основе квадратной решётки почти оптимальны. В грубом переводе на человеческий язык: если расставить точки аккуратной сеткой и правильно подобрать масштаб, можно получить много пар на расстоянии 1, но считалось, что существенно лучше такой подход не сработает. OpenAI утверждает, что внутренняя модель нашла бесконечное семейство примеров, где число таких пар растёт быстрее прежней ожидаемой границы.
Технически результат формулируется так:
для бесконечно многих n построены конфигурации из n точек с числом единичных расстояний не меньше n^(1+δ), где δ больше нуля.
В опубликованном доказательстве точное значение δ не задано; OpenAI отдельно пишет, что последующее уточнение профессора Принстона Уилла Савина показывает возможность взять δ = 0,014.
Почему эта задача была такой устойчивой
Задача единичных расстояний относится к тем математическим сюжетам, где сложность спрятана за простой картинкой. Нарисовать точки и отрезки между парами на расстоянии 1 легко. Доказать, насколько плотной может быть такая структура для произвольного числа точек, гораздо тяжелее.
До этой работы нижние конструкции в духе Эрдёша давали рост чуть быстрее линейного, а лучшая общая верхняя оценка O(n^(4/3)) держится с 1984 года после работы Спенсера, Семереди и Троттера. Между нижней и верхней границей остаётся большой зазор. Новый результат не закрывает задачу полностью, но ломает популярную версию ожидания: квадратная решётка и её варианты не исчерпывают лучшие возможные конструкции.
Для читателя, который следит за ИИ, здесь ценен не сам показатель δ, а характер результата. Модель не улучшила бенчмарк на проценты и не решила школьную олимпиадную задачу. Она нашла направление, которое математики считали маловероятным: контрпример к долго жившему представлению о пределе квадратных решёток.
Геометрию связали с алгебраической теорией чисел
Самая неожиданная часть доказательства - источник идеи. OpenAI пишет, что модель привлекла инструменты алгебраической теории чисел для задачи из элементарно формулируемой геометрии. В доказательстве используются бесконечные башни полей классов, теория Голода - Шафаревича и конструкции над числовыми полями, которые дают много векторов одинаковой длины.
Прежняя интуиция шла от гауссовых целых чисел, то есть чисел вида a + bi. Их можно представить как арифметический каркас для решётки на плоскости. Новое доказательство заменяет эту более привычную структуру на сложные обобщения из алгебраической теории чисел. Там появляются более богатые симметрии, а они позволяют построить больше единичных расстояний.
Для математиков это отдельный сигнал. Если доказательство выдерживает дальнейшую экспертизу, оно показывает новый мост между областями, которые раньше не выглядели естественными соседями в этой задаче. Для ИИ-сообщества сигнал другой: сильная модель может оказаться полезной именно там, где нужно рискнуть с необычным переносом идей между дисциплинами.
OpenAI подчёркивает автономность решения
По описанию OpenAI, результат был найден внутренней моделью в полностью автоматическом режиме. Модель получила сформулированную ИИ постановку задачи, её ответ прошёл через автоматический конвейер оценки, а уже затем доказательство начали внимательно проверять исследователи и внешние математики. Финальная рукопись - отредактированное людьми изложение автономно полученного решения, с добавленными ссылками, перестроенными доказательствами и пояснениями.
Этот момент требует аккуратной формулировки. OpenAI не раскрывает публично саму модель как продукт, не даёт пользователям воспроизводимый инструмент и не показывает, насколько стабильно такие результаты повторяются на других задачах. Компания сообщает об отдельном успешном случае в рамках внутренней оценки на коллекции задач Эрдёша.
Сильная сторона кейса - проверяемость. В математике длинное рассуждение можно разбирать построчно, искать ошибки, упрощать аргумент и сравнивать с известными результатами. Поэтому такой пример убедительнее многих демонстраций «научного ИИ», где модель выдаёт правдоподобную гипотезу, а проверка требует месяцев экспериментов.
Внешние математики называют результат заметным для AI mathematics
OpenAI приводит оценки нескольких известных математиков, включая Ногу Алона, Тима Гауэрса, Арула Шанкара и Джейкоба Цимермана. В сопроводительном материале результат описывается как заметная веха для ИИ в математике: доказательство не выглядит как автоматическая переборная находка и использует сложный, неожиданный аппарат.
Здесь есть важная разница с прежними достижениями ИИ в формальной математике. Многие системы показывали силу в проверке доказательств, переводе рассуждений в формальные языки или решении задач с уже известной структурой. В этом случае OpenAI делает акцент на самостоятельном поиске нового математического пути. Именно поэтому компания называет результат первым случаем, когда ИИ автономно решил заметную открытую проблему, центральную для отдельной области математики.
Формулировка громкая, и её стоит держать в исходных границах. Речь идёт о заявлении OpenAI и проверенном экспертами доказательстве, а не о появлении универсального математика в интерфейсе ChatGPT. Следующая проверка для таких моделей - серия независимых задач, где видна не одиночная удача, а повторяемая способность искать новые конструкции.
Главный урок для научного ИИ
Эта работа важна для темы ИИ-исследований по двум причинам. Первая - модель нашла математическую связь, которую трудно получить простым поиском по литературе. Вторая - результат проходит через человеческую экспертизу, где можно отличить рабочее доказательство от красиво оформленной ошибки.
Для научных команд это более сильный сценарий, чем «ассистент читает статьи». Модель выступает как источник необычных ходов: предлагает конструкцию, тянет длинную линию рассуждения и даёт людям материал для проверки. Человек остаётся в центре процесса, потому что именно эксперт решает, корректно ли доказательство, какую часть аргумента можно упростить и какие новые вопросы открывает результат.
Главный вывод для рынка ИИ-инструментов спокойнее пресс-релизного. Такие кейсы показывают, что reasoning-модели постепенно входят в творческую часть исследований. Но доверие к ним будет расти не от громких анонсов, а от повторяемых результатов: открытых доказательств, внешней проверки, понятных ограничений и честного разделения между тем, что сделала модель, и тем, что доработали люди.
