Математики начали всерьёз обсуждать, как должна выглядеть их профессия после резкого скачка возможностей ИИ. Перелом наступил 8 сентября, когда OpenAI опубликовала доказательство для одного из вариантов задачи тысячелетия об уравнениях Навье-Стокса. Через две недели компания заявила ещё о сотне решённых открытых проблем. Вопрос быстро вышел за пределы соревнования человека и машины. Если получение сложного доказательства превращается из многолетней исследовательской работы в вычислительную задачу на несколько суток, менять придётся обучение, публикации, научную карьеру и само представление о том, чем занимается математик.
Масштаб эксперимента OpenAI показал, насколько сильно изменилась скорость математического поиска. Для задачи Навье-Стокса компания использовала систему взаимодействующих ИИ-агентов, которым разрешили читать сохранённую копию интернета, выполнять код и обмениваться находками. В группе, добравшейся до результата, одновременно работало около 10 тысяч агентов.
Первые агенты стартовали 1 сентября, а решение появилось примерно через 88 часов. Ещё 17 часов потребовались для формализации и проверки доказательства в системе Lean с помощью GPT-6 Astra. Только при работе над Навье-Стоксом агенты обменялись 2,7 млн сообщений и сгенерировали около 130 млрд выходных токенов. Во всём эксперименте с несколькими математическими задачами счёт дошёл до 4,9 млн сообщений и примерно 300 млрд токенов.
Полученное доказательство показывает, что изначально гладкое движение трёхмерной жидкости при специально подобранной гладкой внешней силе способно за конечное время прийти к сингулярности. Скорость жидкости неограниченно растёт, хотя энергия системы остаётся конечной. Формально результат закрывает варианты C и D официальной постановки задачи тысячелетия.
Именно слово «формально» здесь принципиально. Наиболее известный вариант вопроса, где жидкость развивается без специально подобранной внешней силы, доказательство OpenAI не закрывает. Поэтому после громкого объявления возник парадокс. Один из вариантов официальной задачи, судя по всему, решён, но центральный физический вопрос, который десятилетиями интересовал многих специалистов, остаётся открытым.
Институт Клея 11 сентября признал, что задача Навье-Стокса, по всей видимости, действительно получила решение в рамках официальной формулировки. Организация при этом не объявила результат окончательно принятым и начала предусмотренную правилами проверку. OpenAI отдельно заявила, что не собирается претендовать на премию в $1 млн.
Ещё сильнее математиков встревожило продолжение. 21 сентября OpenAI объявила, что новая внутренняя модель, обучение которой началось 28 августа, уже решила более 100 давно открытых задач из большинства областей математики. Темп оказался неожиданным даже для математиков внутри компании.
Большая часть результатов пока не опубликована, поэтому внешнее сообщество не может независимо проверить их корректность, новизну и научную значимость. Возникла необычная ситуация, когда исследователь способен месяцами работать над задачей, не зная, что закрытая корпоративная модель уже получила решение, которое лежит на сервере компании.
Предупреждающие признаки появились задолго до сентября. Весной и летом модели OpenAI, Google DeepMind и других разработчиков начали находить доказательства и контрпримеры для задач, остававшихся открытыми десятилетиями. Особенно заметным испытательным полигоном стали задачи Эрдёша. ИИ иногда действительно находил новые результаты, а иногда независимо переоткрывал давно опубликованные решения, которые люди не смогли вовремя найти в литературе.
Последний случай показал проблему, которую нельзя решить одной формальной проверкой. Машина способна построить логически корректное доказательство, но проверяющим всё равно приходится выяснять, существует ли результат уже несколько десятилетий, насколько предложенный метод оригинален и как новая работа связана с прежними исследованиями.
После сентября тревога стала заметна уже не только в профессиональных дискуссиях. На выступлении математика Кена Оно в Калифорнийском университете в Беркли около 150 студентов, аспирантов и преподавателей несколько часов обсуждали последствия происходящего. Запланированная примерно на 50 минут встреча растянулась более чем на два часа. Молодых исследователей интересовало не столько качество конкретной модели, сколько собственное будущее в профессии.
Реакция оказалась настолько эмоциональной потому, что чистая математика никогда не сводилась к получению финального ответа. Ценность сложной задачи обычно заключалась в пути к решению. Математики создавали инструменты, связывали прежде далёкие области, формулировали новые определения, находили неожиданные побочные результаты и постепенно строили понимание предмета.
ИИ способен нарушить такую последовательность. Машина иногда практически сразу приносит вершину, не оставляя человеку карты дороги наверх. Формальная система подтверждает логическую корректность цепочки рассуждений, но само доказательство может оставаться тяжёлым для чтения, плохо объяснять происхождение ключевой идеи и почти не показывать связь с остальной математикой.
Для исследовательского сообщества разница между «доказано» и «понято» становится центральной проблемой. Доказательство раньше одновременно служило результатом и демонстрацией понимания. Теперь две функции начинают расходиться. Машина может получить формально правильный ответ, а человеку приходится выполнять отдельную работу, чтобы превратить результат в математическое знание.
Одновременно начинает ломаться система академических стимулов. Карьера математика традиционно строилась вокруг собственных теорем. Аспирант учился решать всё более сложные задачи, публиковал результаты, получал работу, гранты и признание. Если техническое доказательство станет дешёвой операцией для вычислительного кластера, количество доказанных теорем перестанет надёжно показывать уровень исследователя.
Проблему усиливает закрытость передовых систем. OpenAI и Anthropic нанимают профессиональных математиков, используют открытые задачи для проверки моделей и обладают вычислительными ресурсами, которых нет у университетских групп. В сентябре 25 ведущих математиков, включая лауреатов Филдсовской премии, предупредили, что корпоративная гонка за знаменитыми задачами способна повредить открытой науке, правилам авторства и нормальной проверке результатов.
Опасения уже влияют на поведение исследователей. Некоторые математики стали осторожнее публиковать незаконченные идеи и списки открытых вопросов в конце статей. Раньше такой раздел приглашал коллег продолжить работу. Теперь автор рискует фактически подготовить бесплатный набор задач для очередного запуска агентов. Другие исследователи, наоборот, стараются быстрее выкладывать незавершённые препринты, чтобы успеть зафиксировать собственный приоритет.
Параллельно резко растёт поток математических работ, где авторы применяли ИИ. Авторы августовского исследования изучили 32 944 математических препринта, опубликованных на arXiv с 1 марта по 20 августа 2026 года. В 3575 работах авторы прямо раскрывали применение ИИ, а в 1712 случаях модели внесли содержательный вклад в математику.
Темп роста оказался особенно заметным. В марте содержательное применение ИИ встречалось примерно в 1,39% математических препринтов, а к 20 августа доля достигла 14,09%. Исследователи также нашли сотни случаев, когда модели применяли непосредственно к именованным открытым проблемам.
Для журналов такой поток создаёт отдельную головную боль. Хорошо оформленный текст больше не гарантирует, что указанный автор способен объяснить собственное доказательство. Главный редактор Transactions on Machine Learning Research Нихар Шах провёл эксперимент с десятью слабыми рукописями и предложил авторам лично обсудить содержание работ. Авторы трёх статей не смогли ответить на базовые вопросы, ещё три группы понимали общую идею, но терялись в технических деталях. Только в одном случае исследователь уверенно ответил на все вопросы, хотя редактор всё равно обнаружил серьёзный дефект в работе.
Сам по себе эксперимент не доказывает, что рукописи написал ИИ. Проблема шире. Рецензентам приходится проверять уже не только математику, но и степень участия человека, происхождение доказательства и способность автора отвечать за опубликованный результат.
Меняется даже неформальное общение между математиками. Форумы вроде MathOverflow десятилетиями сохраняли публичные обсуждения, где опытные исследователи отвечали студентам, предлагали ссылки на старые работы и развивали чужие идеи. Теперь студент может задать вопрос модели приватно и получить ответ за секунды. Для конкретного студента такой путь удобнее, но для сообщества разговор исчезает вместе со всеми случайными идеями и пояснениями, которые раньше оставались доступными другим.
Часть математиков ответила на перемены организованным сопротивлением. Association for Human Mathematics выступает за сохранение математики как человеческой интеллектуальной деятельности. Участники объединения обязуются не предоставлять коммерческим ИИ-компаниям математическую экспертизу и не публиковать тексты, сгенерированные моделями. На начало октября в ассоциации состояли 752 человека, 496 из которых вошли в отдельную группу и полностью отказались применять ИИ для поиска доказательств, примеров и исследовательских вопросов.
OpenAI после критики пошла в противоположную сторону и сформировала независимую консультативную группу из известных математиков. Компания обещает обсуждать с группой последствия быстрого прогресса и правила публикации результатов. Сам факт появления такого совета показывает масштаб перемен. Разработчику ИИ теперь приходится решать не только техническую задачу повышения качества модели, но и вопрос о том, что делать, если модель начинает производить научные результаты быстрее, чем профессиональное сообщество способно их осмыслить.
Самый мрачный сценарий связан не с тем, что математиков заменят алгоритмы. Гораздо опаснее потеря следующего поколения специалистов, способных понимать доказательства на глубоком уровне. Если студенты слишком рано передадут машинам трудную часть обучения, через 20 или 30 лет может стать меньше людей, умеющих самостоятельно проверять сложные аргументы, замечать скрытые предположения и видеть связи между теориями.
Тогда человечество рискует получить огромную библиотеку формально правильных результатов и всё меньше людей, понимающих, зачем результаты нужны и как использовать найденные идеи дальше. Математическое знание продолжит расти, но культура, которая превращает набор теорем в связанную картину мира, начнёт разрушаться.
Оптимистичный сценарий выглядит иначе. ИИ заберёт рутинный перебор, длинные вычисления и часть технических доказательств, а работа человека сместится к постановке вопросов, интерпретации, поиску красивых обобщений и созданию новых теорий. Математический вкус, способность увидеть перспективное направление и объяснить смысл результата могут стать ценнее скорости доказательства очередной теоремы.
Университетам при таком сценарии придётся иначе учить студентов, журналам менять правила рецензирования, а научным организациям искать новые критерии оценки исследователей. Количество опубликованных теорем может постепенно уступить место менее удобным для подсчёта качествам вроде глубины понимания, оригинальности вопросов и способности связывать отдельные результаты в новую теорию.
Остаётся вопрос, заинтересует ли такая профессия людей, которые сегодня идут в чистую математику ради самого процесса открытия. Многие готовы получать меньше, чем в индустрии, именно потому, что хотят самостоятельно найти неизвестный результат и представить его коллегам. Мир, где машина первой приносит доказательство, а человеку остаётся объяснять и систематизировать чужую находку, предлагает совсем другую мотивацию.
Исчезновение человеческой математики пока остаётся крайним сценарием, а не прогнозом. Но события 2026 года уже разрушили прежнюю уверенность, что передовые доказательства надолго останутся территорией людей. Ещё несколько месяцев назад спор шёл о том, способен ли ИИ делать настоящую математику. Теперь перед исследователями стоит куда более неприятная задача. Им нужно решить, зачем миру человеческий математик, если доказательство вскоре может оказаться самой дешёвой частью математики.
