ИИ решает задачи пачками. Кто покажет, куда копать дальше?

OpenAI выложила 722 математические рукописи, объединённые в 372 семейства результатов. Энтузиасты ИИ попросили GPT-6 Pro и Fable 5.1 ранжировать математические открытия последних трёх лет — и, по их подсчётам, 81% верхушки достались результатам OpenAI, опубликованным в тот же день, 6 октября. Получилось, что по мнению машин одна компания за один релиз почти переписала недавнюю историю математики.

Так рождается галлюцинация масштаба: модель внезапно стала сверхчеловеческим учёным и начала штамповать великие открытия. Результаты при этом могут быть настоящими и очень значительными. Галлюцинация начинается в переходе от сотен решённых задач к образу самостоятельного научного гения. Сгенерированный рейтинг легко склеивает новизну, громкость названия и научную важность в одну эффектную таблицу.

Современные агенты чрезвычайно быстро осваивают «генеративные озёра», которые уже нашли люди: открытые задачи, технические лакуны, направления с готовой постановкой, языком, литературой и критерием успеха. Внутри такого озера вполне можно придумать новое доказательство, неожиданный ход или сильное обобщение. Но сама исследовательская территория уже размечена. Машине есть откуда начать и по чему понять, что она продвинулась.

Это настоящий, потенциально огромный прирост научной производительности. Работа, на которую раньше уходили годы, может резко ускориться; целые направления получат продолжение, до которого у людей не доходили руки. Между быстрым исследовательским «резцом» и собственно исследованием, однако, остаётся громадная, почти неразличимая со стороны дистанция: исследовательский вкус — способность самому выбрать плодотворный вопрос, придумать язык для него и увидеть будущую программу там, где готового списка задач ещё нет.

У OpenAI есть и гораздо более приземлённая проблема. После истории с Навье—Стоксом и спора об авторстве и академических нормах компания уже около месяца разбирается, как превращать машинные результаты в нормальные научные публикации. Мы уже писали о «паспорте происхождения» ИИ-открытия, теперь узкое место — человеческий автор, в том числе автор, отвечающий за переписку по статье. Дело далеко выходит за пределы формальной академической «корочки»: некто должен понимать результат, ручаться за него, отвечать рецензентам и оставаться ответственным субъектом после публикации. Нынешняя массовая выгрузка в итоге вышла репозиторием на GitHub, а не пачкой журнальных статей с авторами. Доказательства и Lean-формализации — серьёзный материал, но путь от них до научной публикации всё равно требует человеческой работы.

«Для этого релиза мы публикуем результаты в репозитории GitHub с правилами внесения исправлений в статьи и их цитирования». — OpenAI

Накопленных задач может хватить надолго, а их быстрое решение само откроет новые направления. Но главный вопрос начинается там, где самые привлекательные озёра окажутся вычерпаны. Сможет ли машина самостоятельно найти следующую плодотворную исследовательскую программу — и понять, почему копать стоит именно там? Скорость резца уже впечатляет. Теперь интересно, кто будет выбирать место для следующего его применения.