Долгое время в научном сообществе доминировало мнение, что искусственный интеллект — это превосходный инструмент для интерполяции, автоматизации рутины и распознавания образов, но он абсолютно бессилен в областях, требующих подлинного творчества и строгой математической логики. Ученые охотно делегировали нейросетям задачи анализа изображений или прогнозирования временных рядов, оставляя за собой монополию на поиск новых математических истин (и, конечно же, на написание легаси-кода, который работает исключительно благодаря магии). Однако недавний прорыв изменил правила игры: новейшая модель от OpenAI (принадлежащая к семейству o1/Reasoning) смогла самостоятельно опровергнуть важную гипотезу в области дискретной геометрии, над которой десятилетиями ломали головы ведущие математики мира.

Этот прецедент доказывает, что современные большие языковые модели (LLM), обученные с помощью методов обучения с подкреплением (Reinforcement Learning) и использующие цепочки рассуждений (Chain of Thought), вышли за рамки простого угадывания следующего слова. Они научились конструировать сложные абстрактные объекты, проверять гипотезы и находить изъяны в умозаключениях, которые казались незыблемыми.

От распознавания образов к глубоким рассуждениям: Эволюция ИИ в науке

Чтобы понять масштаб произошедшего, необходимо взглянуть на то, как развивался инструментарий прикладного программиста и исследователя данных. Долгое время глубокое обучение ассоциировалось исключительно с архитектурами, предназначенными для решения узкоспециализированных задач восприятия. Например, если разработчику компьютерного зрения требовалось сегментировать объекты на спутниковых снимках или медицинских сканах, он обращался к проверенным библиотекам:

<h2>Типичный стек для задач компьютерного зрения прошлых лет</h2>
<h2>"mobilenet_v3_large" "segmentation_models_pytorch"</h2>
import segmentation_models_pytorch as smp

model = smp.Unet(
    encoder_name="mobilenet_v3_large",
    encoder_weights="imagenet",
    in_channels=3,
    classes=1
)

Связка из легковесного бэкенда mobilenet_v3_large и библиотеки segmentation_models_pytorch отлично решает задачу локализации объектов на пиксельном уровне. Но этот алгоритм ничего не «знает» о геометрии как о дедуктивной системе — он лишь находит статистические закономерности в распределении градиентов яркости.

Аналогичная ситуация наблюдалась и в сфере анализа временных рядов. Финансовые аналитики и инженеры прогнозировали нагрузку на серверы или объемы продаж, используя классические статистические подходы. Достаточно было написать:

<h2>Классическое прогнозирование временных рядов</h2>
<h2>from statsforecast.models import holtwinters</h2>
from statsforecast.models import holtwinters

Импорт класса holtwinters позволял построить надежную модель экспоненциального сглаживания Хольта-Винтерса. Но, как и сверточные нейросети, такие модели заперты внутри своего математического аппарата. Они не способны выйти в метапространство, чтобы изобрести новый способ аппроксимации, доказать теорему или хотя бы объяснить, почему база данных ложится ровно в 3 часа ночи.

Новое поколение моделей OpenAI кардинально отличается от этих инструментов. Вместо того чтобы просто предсказывать наиболее вероятное продолжение текста или пикселя, эти модели используют внутренний цикл планирования и верификации. Они генерируют гипотезы, пишут код для их проверки, анализируют ошибки компиляции и корректируют свое поведение в процессе «размышления» перед выдачей финального ответа. Да, теперь ИИ делает то, на что у многих джунов уходят недели медитации над Stack Overflow.

Суть гипотезы: Что именно опроверг искусственный интеллект?

Дискретная геометрия — это раздел математики, изучающий комбинаторные свойства и взаимное расположение геометрических объектов (точек, линий, многогранников, сфер). Одной из центральных проблем в этой области является поиск экстремальных конфигураций. Математики часто формулируют гипотезы вида: «Для любого множества точек в N-мерном пространстве, обладающего свойством X, максимальное количество элементов не превышает Y».