ИИ выходит за пределы математики в науку

Исследование Лаборатории MIT показывает, что вслед за математикой под удар автоматизации могут попасть и другие теоретические дисциплины. Нил Томпсон, изучающий прогресс в области вычислений и ИИ, представил данные, согласно которым с середины 2024 по середину 2026 года лучшие модели научились решать около 35% теоретических задач в ряде областей — против примерно 2% ранее. Речь идёт о теории вероятностей, статистике, экономической теории, физике высоких энергий, гравитации и космологии, а также квантовой физике.

Исследование Томпсон провёл вместе с аспирантом Габриэлем Мансо и научным сотрудником Клаудио Майринком Вердуном. Они взяли задачи из научных статей, опубликованных в сети с декабря 2025 по май 2026 года, и проверили, способны ли модели OpenAI — o1, o3, GPT-5, GPT-5.1, GPT-5.4 и GPT-5.5 — их решить. Ключевая деталь: решения этих задач появились в работах, опубликованных уже после отсечки обучения GPT-5.5, поэтому модели не могли подсмотреть ответ в тренировочных данных. Доступ в интернет на время тестов также блокировался.

«Через несколько лет мы ожидаем, что множество теоретических вопросов будет полностью преобразовано с точки зрения способности ИИ их решать», — заявил Томпсон. Ограничение исследования в том, что авторы выбрали только те области, где модель может рассуждать без симуляций и реальных экспериментов. Тем не менее работа указывает, что волна, накрывшая математику, распространится и на другие теоретико-математические направления науки.

Контекст для этих выводов задаёт история вокруг математики. В прошлом месяце OpenAI объявила, что невыпущенная модель решила давнюю задачу о уравнениях Навье — Стокса, описывающих движение жидкости. Скандал добавил математик из NYU, работавший с учёным, связанным с Anthropic: он обвинил OpenAI в том, что компания перехватила приоритет, узнав об их продвижении. После этого OpenAI и другие игроки заявили о сотнях решённых математических задач, что вызвало в сообществе кризис и призывы ограничить применение ИИ.

Томпсон предупреждает, что, как и в математике, у прогресса будут и плюсы, и минусы. Теоретические прорывы иногда ведут к практическим результатам, и более активное использование ИИ может ускорить такой путь. Уже появились лаборатории, ориентированные на ИИ для науки, а крупные игроки наращивают исследования в этой сфере, включая попытки совместить теоретический анализ с проведением реальных экспериментов.

Мансо подчёркивает, что эксперты всё равно останутся нужны: «Нам по-прежнему нужны люди, которые генерируют хорошие идеи и соединяют точки». По его словам, на очень сложных задачах ИИ может ошибаться — показательно, что OpenAI после публикации отозвала несколько решений из своего последнего набора данных. «Нам также нужны способы проверять сделанное, потому что модель легко говорит „это правильный ответ“, а когда смотришь на всё решение, начинаешь видеть, что, возможно, это не так», — добавил он.