OpenAI и математики снова оказались в одной комнате, но пока не похоже, что кто-то выключил режим кризисных коммуникаций. Компания заявляет, что ее закрытая модель решила более 100 давних открытых задач, а новое независимое консультативное объединение из 9 ведущих ученых должно помочь аккуратно выпускать такие результаты в научный мир.
Проблема в том, что даже попытка наладить диалог вышла нервной, сообщает The Verge. 21 сентября группа математиков объявила о создании Advisory Group on Mathematics and Artificial Intelligence, или AGMAI, в гостевом посте в блоге профессора UCLA Теренса Тао, лауреата Филдсовской премии и одного из самых заметных критиков того, как AI-компании заходят на территорию академической математики. OpenAI параллельно выпустила собственное объявление и несколько раз подчеркнула независимость группы. Но именно громкий корпоративный анонс создал у части сообщества обратное впечатление: будто AGMAI — почти назначенный OpenAI совет при компании.
Формально AGMAI позиционирует себя как независимый орган, который будет консультировать OpenAI и другие frontier AI labs по проверке и публикации новых математических результатов. По словам Мартина Хайрера, профессора Imperial College London и EPFL, участники группы не получают от OpenAI денег, технической поддержки или иных ресурсов. Они также не подписывали ограничивающих соглашений, кроме стандартной конфиденциальности, нужной для раннего доступа к исследованиям. Хайрер прямо сказал, что группа не работает на OpenAI и открыта к взаимодействию с другими лабораториями, хотя не назвал их.
Но независимость на бумаге — это только половина задачи. Вторая половина — доверие, а с ним у OpenAI и математиков сейчас туго. Компания уже попадала в конфликты вокруг математических достижений: речь шла о спорах за приоритет, качестве рукописей, ссылках на предшествующие работы и том, насколько корректно OpenAI объясняет вклад людей, на чьих результатах стоит очередной «прорыв». В августе компания публиковала подборку из десяти достижений в математике и теоретической информатике; по словам исследователей, документы местами выглядели сырыми, а последующие правки не всегда сопровождались понятной историей изменений. Для разработчика это звучит знакомо: если в проде тихо меняют артефакт без changelog, доверие к пайплайну падает быстро.
Самый взрывоопасный пункт — масштаб. OpenAI утверждает, что после решения задачи Навье — Стокса ее не выпущенная внутренняя модель справилась более чем со 100 долгими открытыми проблемами в разных областях математики. Для PR-отдела это, конечно, золото. Для академического сообщества — многочасовая неоплачиваемая проверка, риск обесценивания чужого труда и необходимость разбираться, является ли очередной результат настоящим вкладом или просто плохо упакованной машинной находкой. Профессор Университета Коннектикута Альваро Лосано-Робледо сформулировал раздражение довольно сухо: ученые обычно не ходят по рынку с фразой «мы все доказали, но не знаем, что с этим делать».
Здесь конфликт глубже, чем обычная ссора вокруг пресс-релиза. Математика ценит не только ответ, но и понимание: почему доказательство работает, как оно связано с предыдущими результатами, какие методы можно перенести дальше. AI-система может выдать решение, но оценить его значимость, корректно встроить в литературу и объяснить последствия все равно должны люди. Именно поэтому OpenAI и математики сейчас спорят не о том, умеет ли модель делать впечатляющие вещи. Спор о том, кто несет издержки проверки и кто получает репутационные дивиденды, когда машина приносит результат, а сообщество потом вручную разбирает завалы.
Для IT-бизнеса это важный сигнал: переход AI из генерации текста и кода в научное открытие требует не только вычислений, но и нормальной инфраструктуры доверия. Нужны прозрачные версии документов, понятные процедуры внешнего рецензирования, аккуратная работа с авторством и готовность отвечать на критику не постом в блоге, а воспроизводимыми материалами. В корпоративной разработке такие практики давно не считаются роскошью; в фундаментальной науке цена ошибки выше, потому что неверно оформленный «прорыв» может занять месяцы внимания лучших специалистов.
AGMAI может стать полезным буфером между лабораториями ИИ и академией, если не превратится в декоративную наклейку «проверено математиками» на чужом релизном цикле. Главный открытый вопрос теперь не в том, решит ли следующая модель еще десятки задач, а в том, сможет ли индустрия выпускать такие результаты так, чтобы ученые видели в ней партнера, а не очень дорогой генератор срочной работы для всех вокруг.