Двадцать пять лауреатов медали Филдса предупредили, что гонка ИИ-компаний за решением известных математических задач может навредить самой математической науке. Совместное заявление опубликовано 11 сентября 2026 года на сайте Math and AI.
Главная претензия ученых направлена не против искусственного интеллекта как технологии. Авторы считают опасной ситуацию, когда сложная задача превращается прежде всего в бенчмарк возможностей модели, а правильный конечный ответ начинает восприниматься как главный результат исследования.
Для математики этого недостаточно. Новое доказательство должно быть проверено, связано с предыдущими работами, очищено от лишней сложности, объяснено другим специалистам и, в идеале, породить методы и идеи, которые можно использовать дальше. При этом сами подписанты прямо признают, что ИИ способен ускорять настоящие математические исследования.
- Что именно заявили 25 лауреатов медали Филдса?
- Почему правильного ответа недостаточно для математической науки?
- Какие риски математики видят в нынешней гонке ИИ?
- Почему эта дискуссия обострилась именно сейчас?
- Решена ли теперь задача Навье — Стокса?
- Математики выступают против использования ИИ?
- Как проверить громкое заявление об AI-прорыве в науке?
- В чем тогда реальная угроза ИИ для науки?
Что именно заявили 25 лауреатов медали Филдса?
Авторы декларации Math and AI считают, что цели исследовательской математики и нынешняя логика соревнования между разработчиками ИИ начали расходиться. Для AI-компании решение знаменитой задачи может служить убедительной демонстрацией возможностей новой системы. Для математиков сама задача исторически была скорее ориентиром, по которому можно судить о появлении новых идей, методов и более глубокого понимания.
Первоначальными подписантами стали 25 обладателей медали Филдса. Среди них Теренс Тао, Петер Шольце, Марина Вязовская, Максим Концевич, Андрей Окуньков, Станислав Смирнов и Ефим Зельманов. На момент проверки 12 сентября на отдельной странице поддержки декларации было указано уже 3 308 сторонников. Это изменяемый показатель, поэтому число со временем может увеличиться.
Формулировку «угроза ИИ для науки» важно понимать точно. Сам документ посвящен прежде всего математике. Его авторы считают возникающую проблему частью более широкого конфликта, который способен затронуть другие научные и творческие профессии: технология позволяет быстрее получать результат работы, но результат не всегда заменяет навыки, понимание и новые вопросы, ради которых эта работа выполнялась.
Почему правильного ответа недостаточно для математической науки?
Потому что в исследовательской математике ценность крупной задачи обычно не заканчивается доказательством. Важны идеи, которые привели к нему, возможность независимой проверки, связь с предыдущими результатами и превращение нового метода в понятный инструмент для других исследователей.
Упрощенно различие можно представить так:
| Когда задача служит AI-бенчмарком | Что требуется математической науке |
|---|---|
| Получить правильное решение | Понять, почему оно работает и что нового дает |
| Сделать это как можно быстрее | Проверить доказательство и устранить скрытые ошибки |
| Показать возможности модели | Выделить переносимый метод или новую идею |
| Опубликовать заметный результат | Установить связь с предыдущими работами и корректно определить авторство |
| Зафиксировать факт решения | Передать новое знание другим исследователям и следующим поколениям математиков |
Именно здесь находится центральный конфликт заявления. Ответ на трудную задачу остается чрезвычайно ценным, но для науки он становится началом следующего этапа, а не его заменой.
Какие риски математики видят в нынешней гонке ИИ?
В заявлении можно выделить четыре основных риска.
- Результат может вытеснить понимание. Если главным показателем становится число решенных задач, стимул смещается от развития концепций и методов к производству конечных ответов.
- Спешка усложняет научную проверку. Авторы обращают внимание на ситуации, когда о решении объявляют раньше, чем появляется тщательно подготовленное изложение, позволяющее другим специалистам проследить аргументацию и отделить новую идею от технических деталей.
- Возникают вопросы авторства и атрибуции. Современная математика строится на предыдущих результатах. Если система использует огромный массив существующих знаний, необходимо понимать, какие идеи действительно новые и какие работы должны быть указаны как предшествующие.
- Может ослабнуть передача человеческой экспертизы. Математики учатся не только получать ответы. Годы подготовки формируют способность видеть структуру задачи, выбирать продуктивное направление и формулировать новые вопросы. Авторы письма опасаются потери этой цепочки, если конечный результат начнет приходить раньше понимания.
Это не означает, что каждое доказательство, полученное с помощью ИИ, автоматически страдает перечисленными недостатками. Предупреждение относится прежде всего к системе стимулов: что именно разработчики и научное сообщество будут считать успехом.
Почему эта дискуссия обострилась именно сейчас?
Заявление появилось на фоне резкого роста математических возможностей AI-систем. Особенно заметным событием стала публикация OpenAI от 8 сентября 2026 года о предлагаемом решении задачи существования и гладкости Навье — Стокса — одной из семи задач тысячелетия.
По данным самой OpenAI, доказательство получила внутренняя система на базе модели, которая значительно мощнее публичной GPT-6 Astra. Агенты пришли к результату примерно через 88 часов после запуска, после чего формализация и проверка в Lean с помощью GPT-6 Astra заняли еще 17 часов.
Это существенное уточнение: говорить, что задачу непосредственно решила обычная GPT-6 Astra, было бы неточно. О возможностях публичной модели Postolog отдельно рассказывал в обзоре GPT-6 Astra.
Сам масштаб результата делает спор принципиальным. Когда ИИ начинает претендовать не на решение учебного примера, а на десятилетиями открытый вопрос высшего уровня, математическому сообществу приходится решать уже не гипотетическую проблему: как проверять подобные доказательства, определять приоритет, описывать вклад человека и машины и превращать результат системы в обычное научное знание.
Решена ли теперь задача Навье — Стокса?
OpenAI опубликовала доказательство, которое сама компания называет решением задачи, но это еще не равнозначно официальному признанию решения Clay Mathematics Institute.
У Clay Mathematics Institute существует формальная процедура рассмотрения решений задач тысячелетия. Институт не принимает прямые заявки. До рассмотрения предложенное решение должно быть опубликовано в квалифицируемом издании, после публикации должно пройти не менее двух лет, а результат должен получить общее признание мирового математического сообщества.
Поэтому на 12 сентября 2026 года корректно говорить, что OpenAI представила предлагаемое решение и доказательство, а не что Clay Mathematics Institute уже официально признал задачу решенной. Сама OpenAI также указывает, что не намерена претендовать на Millennium Prize за этот результат.
Это различие хорошо показывает смысл нынешней дискуссии. Техническая система может получить выдающийся результат за несколько дней, но научному сообществу по-прежнему требуется время, чтобы проверить доказательство, понять его идеи и определить его место в математике.
Математики выступают против использования ИИ?
Нет. В декларации прямо сказано, что искусственный интеллект способен улучшать и ускорять настоящее математическое исследование и понимание. Спор идет о том, какие цели будут поставлены перед этими системами и какие нормы сохранятся вокруг полученных ими результатов.
Это не первая попытка математического сообщества сформулировать такие правила. Еще в июне 2026 года появилась Leiden Declaration on Artificial Intelligence and Mathematics. Она защищает прозрачность математического аргумента, независимую проверку, ясное авторство, ответственность за корректность и автономию исследовательского сообщества. 2 июня декларацию поддержал International Mathematical Union.
Таким образом, спор развивается не по схеме «ИИ или человек». Более точный вопрос звучит иначе: как использовать ИИ так, чтобы ускорение получения результатов не разрушало механизмы, благодаря которым результат становится надежным и полезным научным знанием.
Этот принцип выходит далеко за пределы математики. В обзоре трендов ИИ в 2026 году мы уже отмечали необходимость отличать эффектную демонстрацию возможностей от повторяемого и проверяемого применения технологии. В фундаментальной науке цена такого различия становится значительно выше.
Как проверить громкое заявление об AI-прорыве в науке?
Когда появляется новость «ИИ впервые решил сложнейшую научную задачу», полезно проверять не только название модели и масштаб рекорда. Последовательность может быть такой:
- Найдите первичный результат. Нужны полное доказательство, статья, набор данных или иной материал, который можно изучить независимо от пресс-релиза.
- Отделите заявление разработчика от независимого признания. Фраза компании «мы решили задачу» и консенсус профильного научного сообщества — разные стадии.
- Проверьте, что именно нового появилось. Важен не только конечный ответ, но и новый метод, идея или объяснение, которые можно использовать за пределами одной задачи.
- Посмотрите на происхождение результата. Должны быть понятны предыдущие работы, используемые источники, роль исследователей и вклад AI-системы.
- Проверьте независимую верификацию. Формальная проверка полезна, но для крупного научного результата дополнительно важны анализ специалистами, воспроизводимость аргументации и последующее признание сообщества.
Такой фильтр не обесценивает достижения ИИ. Напротив, он позволяет отделить действительно крупный научный результат от демонстрации возможностей модели и понять, на какой стадии находится открытие.
В чем тогда реальная угроза ИИ для науки?
Предупреждение 25 лауреатов медали Филдса можно свести к одному различию: получить результат и создать знание — не одно и то же.
Если ИИ помогает быстрее находить доказательства, а затем исследователи проверяют их, выясняют происхождение идей, выделяют новые методы и передают это понимание другим, технология усиливает математику. Именно такую возможность признают сами авторы декларации.
Риск возникает, когда система оценки меняется: главным становится количество и скорость решенных громких задач, а проверка, авторство, объяснение и подготовка новых исследователей оказываются второстепенными. Тогда ИИ может успешно выполнять работу, одновременно ослабляя процессы, ради которых научная работа существовала.
Поэтому заявление математиков — не требование остановить развитие ИИ. Это попытка определить критерий успеха до того, как способность машин получать сложные научные результаты станет обычным явлением: ускорение должно увеличивать человеческое понимание, а не заменять его.
