Grant Sanderson (@3Blue1Brown) – AI disproved a famous math conjecture. Now what?
В этом эпизоде Дваркеш Патель беседует с Грантом Сандерсоном, создателем популярного математического YouTube-канала 3Blue1Brown. Главная тема обсуждения — стремительный прогресс искусственного интеллекта в математике, в частности, недавние успехи ИИ в решении задач Международной математической олимпиады (IMO).
Собеседники глубоко анализируют, почему решение олимпиадных задач не означает достижения AGI (общего искусственного интеллекта), в чем фундаментальная разница между решением готовых проблем и созданием новых математических теорий, а также как изменится роль человека-математика, когда ИИ превзойдет нас в доказательстве теорем. Сандерсон утверждает, что будущее математики сместится от механического поиска доказательств к кураторству, созданию новых концепций и социальной передаче знаний.
ИИ и Международная математическая олимпиада (IMO)
Решение IMO — это лишь очередной бенчмарк, а не AGI 00:00: Три года назад Сандерсон предсказал, что получение ИИ золотой медали на IMO не станет моментом появления AGI, а будет воспринято как очередной пройденный тест. Сегодня, когда ИИ фактически решил эту задачу, прогноз подтвердился: общество не испытало шока. Это доказывает, что способность решать даже самые сложные, но узкоспециализированные и четко сформулированные задачи не транслируется автоматически в способность автоматизировать всю экономику или выполнять комплексную интеллектуальную работу (white-collar work).
Специфика олимпиадных задач: геометрия против комбинаторики 01:11: Успех ИИ на IMO неравномерен. Задачи по геометрии алгоритмы решают за секунды (например, за 19 секунд в 2024 году), так как они поддаются методам полного перебора (brute-force) и алгебраизации. В то же время комбинаторика остается «дикой картой», требующей нестандартного, креативного мышления и придумывания уникальных конструкций, которые трудно найти простым перебором. ИИ все еще испытывает трудности с комбинаторными задачами, что подчеркивает «фрактальную» природу прогресса: внутри одной дисциплины есть как легко автоматизируемые, так и крайне устойчивые к ИИ области.
Разница между решением задач и созданием теорий
Гипотеза Римана и междисциплинарный синтез 03:00: Решение проблем тысячелетия, таких как гипотеза Римана, требует не просто вычислительной мощности, а сверхчеловеческой широты знаний. Сандерсон приводит исторический пример: физик Фримен Дайсон и математик Хью Монтгомери случайно за чаем обнаружили, что статистика нулей дзета-функции Римана совпадает с поведением собственных значений случайных эрмитовых матриц в квантовой физике. Современные ИИ обладают энциклопедическими знаниями во всех областях, но пока не способны на такой органичный, интуитивный синтез концепций из совершенно разных дисциплин без прямой подсказки человека.
Великая теорема Ферма и построение новых «математических гор» 05:40: Доказательство Великой теоремы Ферма Эндрю Уайлсом не было просто нахождением хитрого трюка для уравнения $x^n + y^n = z^n$. Оно потребовало создания колоссального нового математического аппарата, связывающего эллиптические кривые и модулярные формы. ИИ сейчас работает как «молния», соединяющая уже существующие вершины знаний, но он не способен самостоятельно возводить новые «горы» — разрабатывать многоуровневые абстракции и теории, на построение которых у человечества уходят столетия.
Новые бенчмарки для оценки ИИ в математике
От доказательств к гипотезам и определениям 08:58: Поскольку ИИ уже справляется с доказательством теорем, критерии оценки должны измениться. Сандерсон цитирует известную мысль: «Хорошие математики доказывают теоремы, великие математики выдвигают гипотезы, а величайшие — придумывают определения». Следующим по-настоящему впечатляющим бенчмарком для ИИ станет способность не решить поставленную задачу, а сформулировать новую, глубокую гипотезу или ввести новое математическое определение, которое окажется продуктивным и откроет путь для развития целой области.
Проблема верификации новых концепций 11:32: Главная сложность в обучении ИИ созданию новых теорий заключается в отсутствии четкой функции вознаграждения (reward function). В системах вроде Lean (язык формализации доказательств) ИИ получает мгновенный сигнал, верно доказательство или нет. Однако для оценки полезности нового определения или гипотезы не существует автоматического верификатора. Человечеству иногда требуются десятилетия, чтобы понять ценность новой концепции (как это было с теорией групп Галуа), поэтому обучать ИИ с помощью обучения с подкреплением (RL) на таких задачах пока невозможно.
Роль формализации и архитектура ИИ
Ограничения авторегрессионных моделей (LLM) 14:47: Текущие языковые модели генерируют текст авторегрессионно, предсказывая следующий токен. Сандерсон отмечает, что это в корне отличается от того, как люди решают сложные проблемы. Человек не пишет доказательство линейно от начала до конца; он исследует тупики, возвращается назад, использует черновики и интуицию. Хотя методы вроде Chain of Thought пытаются имитировать этот процесс, базовая архитектура LLM плохо приспособлена для глубокого, нелинейного математического поиска.
Lean как инструмент проверки, а не открытий 16:11: Формальные системы доказательств (такие как Lean) отлично подходят для строгой проверки логики и предотвращения галлюцинаций ИИ. Однако они не помогают в самом процессе *открытия*. Lean требует разбиения задачи на мельчайшие логические шаги, но не дает ИИ высокоуровневого понимания архитектуры доказательства. Это полезный инструмент для верификации, но он не заменяет концептуального мышления.
Будущее математиков в эпоху ИИ
Сдвиг от доказательства к кураторству и объяснению 20:25: Если ИИ сможет доказывать любые теоремы, роль человека сведется к кураторству: математики будут решать, *какие* теоремы стоит доказывать и *почему* они важны. Кроме того, критически важной станет функция дистилляции и объяснения. Если ИИ выдаст доказательство на 10 000 страниц, человеку придется извлечь из него суть, найти ключевые инсайты и перевести их в понятные для других людей концепции.
Математика как эстетический и социальный процесс 23:30: Сандерсон сравнивает математику с шахматами: хотя компьютеры давно превзошли людей, люди продолжают играть ради удовольствия. Математика имеет глубокую эстетическую ценность. Люди будут продолжать заниматься ею ради радости понимания и красоты концепций. Более того, мотивация к изучению математики глубоко социальна — студенты учатся, чтобы впечатлить преподавателя или разделить момент озарения с другими, и ИИ-тьюторы не смогут полностью заменить этот человеческий фактор.
🔍 Анализ: фактчек и польза
ФАКТЧЕК
Решение задачи IMO по геометрии за секунды — ✅ подтверждается: В июле 2024 года система AlphaGeometry 2 от Google DeepMind действительно решила задачу №4 по геометрии на Международной математической олимпиаде всего за 19 секунд. При этом комбинаторные задачи дались ИИ сложнее, что подтверждает тезис Сандерсона о неравномерности прогресса и уязвимости ИИ перед задачами, требующими нестандартных конструкций.
Случайное открытие связи гипотезы Римана и квантовой физики за чаем — ✅ подтверждается: Это знаменитый исторический факт. В 1972 году математик Хью Монтгомери за чаем в Институте перспективных исследований (IAS) рассказал физику Фримену Дайсону о своей формуле распределения нулей дзета-функции. Дайсон мгновенно узнал в ней распределение собственных значений случайных матриц (GUE), используемых в квантовой механике.
Ограничения LLM из-за линейной авторегрессионной генерации — ⚠️ спорно/неточно: Базовая архитектура (GPT-4, Claude) действительно предсказывает следующий токен линейно, но утверждение подкаста устарело. Выпущенная осенью 2024 года модель OpenAI o1 использует обучение с подкреплением (RL) для скрытого «цепочечного рассуждения» (Chain of Thought), позволяя ИИ возвращаться назад, исправлять ошибки и исследовать тупики до выдачи ответа, что напрямую имитирует человеческий нелинейный поиск.
Невозможность обучить ИИ созданию новых теорий через RL из-за отсутствия функции вознаграждения — ✅ подтверждается: В системах вроде Lean (интерактивный прувер теорем) компилятор дает четкий бинарный сигнал (верно/неверно) для доказательств. Однако в математике не существует формализуемой метрики для автоматической оценки «глубины» или «полезности» новой гипотезы, что делает классическое обучение с подкреплением неприменимым для генерации новых концепций.
Доказательство теоремы Ферма потребовало создания новых математических теорий — ✅ подтверждается: Эндрю Уайлс не просто нашел хитрый трюк для решения уравнения, а доказал гипотезу Таниямы — Симуры для полустабильных эллиптических кривых. Это потребовало создания колоссального концептуального моста между алгебраической геометрией и теорией чисел (модулярными формами), на что современные ИИ без участия человека пока не способны.
ЛИЧНО ДЛЯ ТЕБЯ
Смещение фокуса с написания кода на архитектуру и кураторство: Как и в математике, где ИИ берет на себя рутину доказательств, в разработке твоих веб-проектов и ботов ценность смещается от написания синтаксиса к постановке задач. Твоя главная роль как разработчика-предпринимателя — придумывать «определения» (продуктовые фичи, архитектуру) и проводить ревью сгенерированного кода, отсеивая галлюцинации и дистиллируя суть.
Необходимость внешних верификаторов для LLM: Выпуск подчеркивает, что LLM плохо ищут нелинейные решения без жесткого контроля. Для твоих Telegram-ботов и скриптов это значит, что нельзя полагаться на «голую» генерацию от Claude или Gemini. Внедряй в пайплайны автоматические тесты или линтеры (аналог среды Lean), которые будут давать ИИ мгновенный фидбек (reward function) для самостоятельного исправления ошибок.
Поиск неочевидных связей как конкурентное преимущество: Пример с физикой и гипотезой Римана показывает, где человек пока сильнее ИИ. ИИ отлично связывает факты внутри одной области по запросу, но междисциплинарный синтез остается за тобой. Скрещивание твоих интересов (например, применение AI-алгоритмов для анализа аудиофильского оборудования или создания музыкальных продуктов) — это зона, где ИИ без твоей прямой подсказки не создаст инновацию.