OpenAI заявила, что ее агенты решили задачу Навье — Стокса, одну из семи «задач тысячелетия» с премией $1 млн. Для русскоязычной IT-аудитории это не просто новость про ИИ в математике: спор вокруг открытия показывает, как быстро frontier-модели заходят на территорию академической науки, где до сих пор работали совсем другие правила.
Компания объявила о результате 8 сентября, сообщает MIT Technology Review. Речь идет о проблеме существования и гладкости решений уравнений Навье — Стокса. Эти уравнения описывают движение жидкостей и газов и давно используются в гидродинамике, но математики не знали, могут ли они при некоторых условиях «ломаться» и давать физически невозможные значения, например бесконечную скорость потока.
При обычном сценарии это был бы чистый триумф OpenAI: одна из самых престижных открытых задач в математике, внутренняя модель, армия агентов, результат, на который люди охотились десятилетиями. Но фокус быстро сместился с доказательства на вопрос авторства. Математик Нью-Йоркского университета Тристан Бакмастер и сотрудник Anthropic Левент Алпоге почти год работали над близкой задачей с помощью публично доступных моделей OpenAI и Anthropic. 7 сентября Бакмастер опубликовал доказательство для упрощенной версии уравнений, показав, что она действительно может приводить к разрыву.
На следующий день OpenAI представила доказательство уже для полной задачи Навье — Стокса. По данным источника, оно было получено с помощью внутренней модели, которая заметно превосходит Astra — модель, выпущенную лишь неделей ранее. Компания утверждает, что не будет претендовать на премию Clay Mathematics Institute в $1 млн. Это важная деталь, но она не снимает главный вопрос: кто именно сделал интеллектуальную работу, без которой решение стало возможным?
Бакмастер опубликовал документ с описанием контактов с сотрудниками OpenAI после того, как услышал слухи об их работе и сам вышел на связь. По его версии, ему предложили два варианта: он и Алпоге публикуют свой результат, а OpenAI на следующий день публикует свое решение; либо Бакмастер работает над совместной статьей с OpenAI, но без Алпоге среди авторов из-за его работы в Anthropic, главном конкуренте OpenAI. Бакмастер также спрашивал, получали ли агенты доступ к стенограммам их работы с моделями OpenAI. Ему ответили, что нет. На вопрос, обучались ли модели на этих материалах, ясного ответа, по его словам, не последовало.
OpenAI обвинения отрицает. Исследователь OpenAI Себастьен Бюбек заявил на брифинге, что команда заинтересовалась задачей после слуха о работе Бакмастера и Алпоге. Директор по исследованиям OpenAI Марк Чен также отрицал, что сотрудники или агенты получили доступ к их стенограммам. Пока нет доказательств, что модели OpenAI напрямую использовали чужую работу. Но сама возможность такого сценария уже бьет по нерву индустрии: если исследователь ведет сложную работу через коммерческую ИИ-платформу, где проходит граница между его черновиком, обучающими данными и будущим результатом компании?
Технически пересечение подходов не выглядит фантастикой. И работа Бакмастера с Алпоге, и доказательство OpenAI опирались на направление, связанное с идеями математиков Диего Кордобы и Луиса Мартинеса-Сороа. Профессор Брауновского университета Хавьер Гомес-Серрано назвал этот путь одним из перспективных для атаки на задачу Навье — Стокса. То есть обе группы могли независимо выбрать один и тот же маршрут. Но столь плотное совпадение во времени неизбежно делает историю токсичной.
Самая неприятная часть для академической среды — масштаб ресурсов. Бакмастер и Алпоге работали почти год с публичными моделями и дошли до крупного частичного результата. OpenAI, по словам Бюбека и Чена, запустила около 10 000 агентов параллельно и потратила на вычисления миллионы долларов. Это уже не романтическая картинка про ученого с доской и кофе, а промышленный R&D, где математический прорыв может зависеть от бюджета, закрытой модели и доступа к инфраструктуре уровня нескольких крупнейших ИИ-компаний.
Для разработчиков и IT-бизнеса урок шире, чем спор о конкретной теореме. ИИ в математике показывает будущую механику сложной интеллектуальной работы: люди формулируют направления, модели перебирают гипотезы, агенты гоняют тысячи веток, а затем начинается юридически и этически неудобный разговор о вкладе. Та же логика придет в биоинформатику, материалы, безопасность, проектирование микросхем и enterprise-R&D. Вопрос будет не только в том, работает ли модель, а в том, можно ли восстановить происхождение результата.
У математики здесь особая боль. Терренс Тао незадолго до этого писал, что ошибки, тупики и неполные решения часто развивают область не меньше, чем финальный ответ. Если закрытая система быстро «добивает» престижную задачу без прозрачного процесса, наука получает результат, но теряет часть пути, на котором обычно рождаются новые методы. Следующий этап ИИ в математике будет зависеть не от одной громкой победы OpenAI, а от того, смогут ли компании доказать происхождение своих открытий так же убедительно, как сами теоремы.