88-часовое математическое доказательство OpenAI: куда уходит экономия бизнеса на ИИ

Проверка доказательства

8 сентября OpenAI заявила, что 10 000 её агентов, работавших 88 часов, создали 166-страничное доказательство для уравнений Навье — Стокса. Эти уравнения описывают движение жидкостей и остаются нерешённой задачей с 1934 года.

Задача входит в семь задач тысячелетия, учреждённых Математическим институтом Клэя в 2000 году. За решение каждой обещан приз в $1 млн, но пока его присудили только один раз.

OpenAI заявила, что не будет претендовать на деньги. Это удобно, поскольку внешние оценки вычислительных расходов составляют от $10 млн до $40 млн.

Математический институт Клэя теперь говорит, что задача, по всей видимости, решена, но формальная проверка продолжается. В институте называют этот процесс «намеренно неторопливым». Чтобы получить право на приз, доказательство сначала должно выйти в рецензируемом журнале с мировой репутацией, а затем в течение двух лет выдержать попытки математиков найти в нём ошибку. На сайте института задача Навье — Стокса сейчас отмечена как «активная»: она уже не считается нерешённой, но ещё не признана решённой.

Эти условия сформулировали в 2000 году. В них не спрашивается, является ли рассуждение формально корректным. Проверяется, прочитали ли его математики, обсудили ли они его и не смогли ли опровергнуть.

Похоже, машина подготовила доказательство быстрее, чем математическое сообщество успевает его осмыслить. Стоимость создания ответа видна сразу, а цену превращения этого ответа в понимание только начинают подсчитывать.

Задача Навье — Стокса пока лучше всего показывает эту проблему, но дело не столько в гидродинамике. Речь идёт о разрыве между правильным результатом и результатом, который люди действительно поняли.

11 сентября 25 лауреатов Филдсовской премии подписали заявление о том, что подход ИИ-лабораторий к математическим задачам наносит ущерб математике. На следующий день Теренс Тао, поставивший подпись под заявлением, передал свой блог двум философам математики — Сильвии Де Тоффоли и Имону Дьюду. Они объяснили, что имеют в виду авторы заявления.

Исследователи разделили два понятия, которые раньше редко приходилось различать:

Исторически эти свойства совпадали: человек не мог построить первое доказательство, не обладая вторым уровнем понимания. ИИ разделил их. По мнению авторов, результат OpenAI даёт ответ, но пока неясно, стал ли он содержательным решением, с которым можно работать дальше.

Такая же проблема есть в компаниях

Опрос Digital Applied за первый квартал 2026 года охватил 2 847 разработчиков, которые активно используют ИИ-инструменты для программирования. В среднем они тратили 11,4 часа в неделю на проверку кода, созданного ИИ, и 9,8 часа — на написание нового кода.

Компания LinearB проанализировала 8,1 млн запросов на слияние и выяснила, что запросы, созданные агентами, ждали первой проверки в 5,2 раза дольше, чем запросы без участия ИИ.

Проблема касается не только инженеров. В январе Workday опубликовала результаты опроса 3 200 сотрудников и руководителей бизнеса:

ИИ не устранил эту работу, а перенёс её из производства, которое компании измеряют, в проверку, которую они почти не учитывают. Результат появляется в отчёте о производительности, а усилия, необходимые для того, чтобы сделать его надёжным, растворяются в рабочем дне.

Объяснимость — не тот критерий

Для обозначения понятности результатов ИИ компании уже используют термин «объяснимость». Но объяснимость и понятность отвечают на разные вопросы.

Объяснимость показывает, можно ли проследить происхождение результата, интерпретировать его или обосновать. Понятность означает, что ответственные за действие люди достаточно хорошо разобрались в результате, чтобы оспорить его, защитить и развить. Организация может выполнить первое условие и полностью провалить второе.

Математики Левент Альпёге и Тристан Бакмастер, которые в ту же неделю опубликовали собственные доказательства с помощью ИИ, назвали первое изложение одного из них худшим в истории математики. Система проверки доказательств Lean подтвердила каждую его строку, но на то, чтобы сделать рассуждение читаемым, ушли недели. К моменту публикации работа над текстом ещё продолжалась.

Именно на этапе перевода машинного результата в понятную форму уходит основное время. В академической среде такой труд называют научной работой. В бизнесе самые дорогие специалисты тратят рабочие дни на перевод результата машины вместо создания новой ценности.

Что отслеживать дальше

Основателям компаний каждую неделю задают примерно один и тот же вопрос: что должен сделать человек после того, как модель выдала ответ, прежде чем клиент сможет им воспользоваться? Немногие могут назвать конкретное число.

Математика веками создавала институты, которые отделяют ответ от общепринятого знания: журналы, рецензирование, публичную критику и время. Большинство компаний просто сделали панель для отслеживания скорости генерации — и не заметили, куда на деле ушёл год.