© ROOT-NATION.com - Використання контенту дозволено за наявністю зворотнього посилання.
OpenAI стверджує, що їхня остання модель штучного інтелекту Astra вирішила проблеми, які десятиліттями турбували математиків. Давайте більш детально у всьому розберемось.
ЗМІСТ СТАТТІ:
Оголошення, сховане в третьому абзаці
Є щось символічне в тому, як OpenAI обрала момент і форму для представлення своєї найамбітнішої на сьогодні розробки. Не окрема прес-конференція, не гучний пост у X з відліком часу до релізу – а публікація, присвячена суто математичним результатам, у якій назва нової моделі, Astra, з’являється лише в третьому абзаці. Для компанії, яка звикла робити з кожного релізу медійну подію, це рішення виглядає майже нарочито скромним. І саме ця скромність – при масштабі заявлених досягнень – робить історію набагато цікавішою, ніж звичайний анонс чергової версії чат-бота.
Формально мова йде про внутрішню, ще не випущену версію моделі, яка, за словами компанії, або повністю розв’язала, або суттєво просунула розв’язання десяти давніх відкритих проблем – задач, над якими математики й теоретики інформатики билися щонайменше десять років, а подекуди й кілька десятиліть.
Також цікаво: Все про Kimi K3 від Moonshot AI: Як китайський стартап кинув виклик AI-грандам
Що саме стоїть за цифрою “десять”
Список проблем, які OpenAI обрала для тесту, навмисно різноманітний і охоплює далекі одна від одної галузі: багатовимірну геометрію, теорію кодування, теорію груп, операторні алгебри, квантово-стійку криптографію, обчислювальну складність та екстремальну комбінаторику. Компанія підкреслює, що відбирала лише ті задачі, головний результат яких не зрушувався з місця щонайменше десятиліття – тобто йдеться не про «легкі» вправи, підібрані для ефектної демонстрації, а про задачі, які саме математична спільнота вважає справді важкими.
Публічні джерела, що з’явилися слідом за анонсом, деталізують конкретні результати: спростування гіпотези жорсткості Конна для фон-Нойманівських алгебр, доведення гіпотези про об’єм Ерхарта, розв’язання кількох задач зі знаменитого каталогу Ердеша (зокрема, задачі про багатоколірні числа Рамсея), перше за майже півстоліття покращення верхньої межі щільності пакування сфер у високих вимірностях, а також нові результати щодо складності обчислення перманенту матриці. Кожен пункт – окрема сходинка в дисципліні, де прогрес зазвичай вимірюється роками кропіткої роботи невеликих груп спеціалістів.
Також цікаво: Все про AI-браузери: Гучний старт – тихий фініш
Механіка процесу: від чорнового доказу до формальної перевірки
Особливо показовим є те, як саме отримувалися результати. За описом компанії, модель самостійно генерувала математичні аргументи – по суті, чорнові варіанти доказів. Далі до роботи підключалися дослідники-люди, які використовували ту саму систему, щоб перетворити ці аргументи на класичні наукові статті, придатні для читання й рецензування фахівцями. Але вирішальний крок – формалізація кожного доказу мовою Lean, спеціальною системою запису математичних тверджень, яка дозволяє комп’ютеру автоматично й безпомилково перевірити коректність кожного кроку міркування.
Це принципово відрізняє нинішню ситуацію від попередніх заяв індустрії про «математичні прориви» штучного інтелекту. Формальний Lean-сертифікат – це не декларація довіри до моделі, а перевірюваний артефакт: будь-хто зі доступом до комп’ютера й потрібного програмного забезпечення може незалежно від OpenAI пересвідчитися, що ланцюжок логічних кроків не містить прогалин. Саме тому компанія наголошує: авторство доказів не приписується людям, якщо аргумент згенерувала модель, – хоча підготовка публікації й формалізація залишаються роботою дослідників.
Також цікаво: Passkeys замість паролів: Чи готовий світ до нової системи авторизації?
Вартість прориву – і чому це найбільш промовиста цифра
Мабуть, найбільш незручний для решти індустрії факт в усій історії – це не самі математичні результати, а їхня ціна. За оцінками компанії, сумарна кількість токенів, витрачених на пошук усіх десяти рішень, коштувала б приблизно 2000 доларів за поточними тарифами API. Для порівняння: класичний шлях до розв’язання задачі такого рівня – це роки роботи дослідницької групи, гранти, конференції, рецензування. Тут йдеться про суму, яку приватна особа може витратити на місячну підписку на кілька сервісів.
Ця цифра важлива не тому, що вона доводить «геніальність» моделі сама по собі, а тому, що вона змінює економіку наукового пошуку. Якщо вартість спроби розв’язати нетривіальну відкриту проблему падає до кількох тисяч доларів, поріг входу для експериментів різко знижується – а це, своєю чергою, ставить питання про те, скільки ще подібних задач можна «просто спробувати» за порівняно скромний бюджет.
Читайте також: Штучний інтелект у медицині: чи майбутнє вже тут?
Astra залишається тінню
При цьому сама модель Astra продовжує залишатися майже повністю непрозорою для зовнішнього спостерігача. Компанія не розкрила ні технічних характеристик системи, ні орієнтовної дати релізу, ні її точного місця в лінійці продуктів – незрозуміло, чи стане вона наступною ітерацією наявної флагманської моделі, чи окремою новою лінійкою, чи безпосереднім попередником майбутнього покоління flagship-систем.
Такий інформаційний вакуум навколо самої моделі на тлі детального опису її досягнень – прийом, який мимоволі підсилює інтригу: аудиторія обговорює не характеристики продукту, а сам факт того, на що він виявився здатний.
Також цікаво: Плануєте купити ноутбук? Дайте чесну відповідь на ці три запитання
Головне застереження: хто перевіряє перевірника
Попри формальні Lean-сертифікати, важливо тверезо дивитися на джерело всієї історії: заявлені прориви походять від самої компанії-розробника, яка одночасно є і автором результату, і стороною, зацікавленою в максимально ефектній його подачі. Формальна верифікація доводить внутрішню логічну несуперечність доказу, але не замінює оцінки математичною спільнотою – того, наскільки результат новий, значущий і елегантний у контексті всієї галузі, а також того, чи не містить сам процес отримання доказу прихованих припущень або спрощень, які знецінюють практичну користь результату.
Саме тому найважливішим наступним кроком у цій історії стане не чергове маркетингове повідомлення від OpenAI, а незалежна експертна оцінка – рецензії фахівців із кожної конкретної галузі, які визначать, чи справді ці десять результатів заслуговують на місце в підручниках, чи залишаться цікавим, але контекстуально обмеженим експериментом. До того часу коректніше говорити не про «розв’язані проблеми», а про заявлені компанією рішення, що очікують на верифікацію тими, для кого ці задачі були професійним викликом усе життя.
Також цікаво: Anthropic заглядає всередину AI: Що насправді ховається у J-Space Claude
