OpenAI утверждает, что их новейшая модель искусственного интеллекта Astra решила проблемы, которые десятилетиями беспокоили математиков. Давай разберёмся во всём поподробнее.
СОДЕРЖАНИЕ СТАТЬИ:
Объявление, спрятанное в третьем абзаце
Есть что-то символичное в том, как OpenAI выбрала момент и форму для презентации своей самой амбициозной на сегодняшний день разработки. Ни отдельная пресс-конференция, ни громкий пост в X с обратным отсчётом до релиза – а статья, посвящённая исключительно математическим результатам, в которой название новой модели, Astra, появляется только в третьем абзаце. Для компании, которая привыкла превращать каждый релиз в медийное событие, это решение выглядит почти нарочито скромным. И именно эта скромность – при масштабе заявленных достижений – делает эту историю гораздо интереснее, чем обычный анонс очередной версии чат-бота.
Формально речь идет о внутренней, ещё не выпущенной версии модели, которая, по словам компании, либо полностью решила, либо существенно продвинула решение десяти давних нерешённых задач – задач, над которыми математики и теоретики информатики бились как минимум десять лет, а местами и несколько десятилетий.
Ещё интересно: Всё о Kimi K3 от Moonshot AI: как китайский стартап бросил вызов гигантам в сфере ИИ
Что именно стоит за цифрой «десять»
Список задач, которые OpenAI выбрала для теста, специально составлен разнообразно и охватывает далекие друг от друга области: многомерная геометрия, теория кодирования, теория групп, операторные алгебры, квантово-устойчивая криптография, вычислительная сложность и экстремальная комбинаторика. Компания подчеркивает, что отбирала только те задачи, в решении которых не было прорыва как минимум десятилетие – то есть речь идет не о «легких» упражнениях, подобранных для эффектной демонстрации, а о задачах, которые именно математическое сообщество считает по-настоящему сложными.
В открытых источниках, появившихся после анонса, подробно описаны конкретные результаты: опровержение гипотезы жесткости Конна для фон-Неймановских алгебр, доказательство гипотезы об объеме Эрхарта, решение нескольких задач из знаменитого каталога Эрдеша (в частности, задачи о многоцветных числах Рамсея), первое за почти полвека улучшение верхней границы плотности упаковки сфер в высоких измерениях, а также новые результаты по сложности вычисления пермантента матрицы. Каждый пункт – отдельная ступень в этой дисциплине, где прогресс обычно измеряется годами кропотливой работы небольших групп специалистов.
Ещё интересно: Всё об AI-браузерах: Громкий старт – тихий финиш
Механика процесса: от чернового доказательства до формальной проверки
Особенно показательно то, как именно получались результаты. По описанию компании, модель самостоятельно генерировала математические аргументы – по сути, черновые варианты доказательств. Далее к работе подключались исследователи-люди, которые использовали ту же систему, чтобы превратить эти аргументы в классические научные статьи, пригодные для чтения и рецензирования специалистами. Но решающий шаг – формализация каждого доказательства на языке Lean, специальной системе записи математических утверждений, которая позволяет компьютеру автоматически и безошибочно проверить правильность каждого шага рассуждения.
Это принципиально отличает нынешнюю ситуацию от предыдущих заявлений индустрии о «математических прорывах» искусственного интеллекта. Формальный Lean-сертификат – это не просто заявление о доверии к модели, а проверяемый артефакт: любой, у кого есть доступ к компьютеру и нужному ПО, может независимо от OpenAI убедиться, что цепочка логических шагов не содержит пробелов. Именно поэтому компания подчеркивает: авторство доказательств не приписывается людям, если аргумент сгенерировала модель, – хотя подготовка публикации и формализация остаются работой исследователей.
Ещё интересно: Passkeys вместо паролей: готов ли мир к новой системе авторизации?
Стоимость прорыва – и почему это самая красноречивая цифра
Наверное, самый неудобный для остальной индустрии факт во всей этой истории – это не сами математические результаты, а их цена. По оценкам компании, общее количество токенов, потраченных на поиск всех десяти решений, обошлось бы примерно в 2000 долларов по текущим тарифам API. Для сравнения: классический путь к решению задачи такого уровня – это годы работы исследовательской группы, гранты, конференции, рецензирование. А здесь речь идет о сумме, которую частное лицо может потратить на месячную подписку на несколько сервисов.
Эта цифра важна не потому, что сама по себе доказывает «гениальность» модели, а потому, что она меняет экономику научных исследований. Если стоимость попытки решить нетривиальную открытую проблему падает до нескольких тысяч долларов, порог входа для экспериментов резко снижается – а это, в свою очередь, поднимает вопрос о том, сколько ещё подобных задач можно «просто попробовать» за сравнительно скромный бюджет.
Читай также: Искусственный интеллект в медицине: будущее уже наступило?
Astra остаётся в тени
При этом сама модель Astra по-прежнему почти полностью непрозрачна для постороннего наблюдателя. Компания не раскрыла ни технических характеристик системы, ни ориентировочной даты релиза, ни её точного места в линейке продуктов – непонятно, станет ли она следующей версией существующей флагманской модели, отдельной новой линейкой или непосредственным предшественником будущего поколения флагманских систем.
Такой информационный вакуум вокруг самой модели на фоне подробного описания её достижений – приём, который невольно усиливает интригу: аудитория обсуждает не характеристики продукта, а сам факт того, на что он оказался способен.
Ещё интересно: Планируете купить ноутбук? Ответьте на эти три вопроса
Главное предостережение: кто проверяет проверяющего
Несмотря на формальные Lean-сертификаты, важно трезво смотреть на источник всей этой истории: заявленные прорывы исходят от самой компании-разработчика, которая одновременно является и автором результата, и стороной, заинтересованной в его максимально эффектной подаче. Формальная верификация доказывает внутреннюю логическую непротиворечивость доказательства, но не заменяет оценку математического сообщества – насколько результат нов, значим и элегантен в контексте всей отрасли, а также не содержит ли сам процесс получения доказательства скрытых допущений или упрощений, которые снижают практическую ценность результата.
Именно поэтому самым важным следующим шагом в этой истории станет не очередное маркетинговое сообщение от OpenAI, а независимая экспертная оценка – рецензии специалистов из каждой конкретной области, которые определят, действительно ли эти десять результатов заслуживают места в учебниках или останутся интересным, но ограниченным по контексту экспериментом. До тех пор правильнее говорить не о «решенных проблемах», а о заявленных компанией решениях, которые ждут проверки теми, для кого эти задачи были профессиональным вызовом всю жизнь.
Также интересно: Anthropic заглядывает внутрь ИИ: что на самом деле скрывается в J-Space Claude
