Искусственный интеллект в математике переживает тот же «момент пощёчины», что и мир го десять лет назад.
Схожего мнения придерживается не кто иной, как Демис Хассабис, соучредитель DeepMind, который десять лет назад продвигал проект AlphaGo.
Хотя Хассабис недавно пережил ряд изменений в статусе — перейдя с поста генерального директора DeepMind на должность ведущего учёного Google и председателя совета директоров DeepMind.
Но когда речь заходит о том, как ИИ меняет человеческое познание, он по-прежнему остаётся одним из самых авторитетных экспертов.
Десять лет назад он лично стал свидетелем того, как AlphaGo благодаря своему ошеломляющему 37-му ходу победила легендарного игрока Ли Седоля.
Спустя десять лет, находясь на передовой проникновения ИИ в математику и научные исследования, он высказал новое суждение:
Если ИИ сможет решить одну из задач на премию тысячелетия в математике, это станет прорывом уровня «37-го хода». На данный момент кажется, что достижение ИИ такого уровня — лишь вопрос времени, я не вижу причин, почему этого не произойдёт.
37-й ход, момент, который символизирует первое «поражение» человечества от ИИ, навсегда остался в памяти мира.
Но мало кто помнит, что 37-й ход был не единственным ответом, оставленным тем матчем человек против машины.
После двух партий, уже проиграв три игры подряд, Ли Седоль совершил 78-й ход.
Этот ход также имел вероятность всего в одну десятитысячную по меркам человеческих игроков, но ему удалось дезориентировать AlphaGo и помочь Ли Седолю одержать единственную победу для человека в пятиматчевом поединке.
Оглядываясь на тот матч спустя десять лет, невольно поражаешься:
Отношения между человеком и ИИ подобны этим двум числам.
Одно заставило человечество переосмыслить ИИ, другое — переосмыслить само себя.
Унизивший человечество 37-й ход
Вернёмся в март 2016 года. В Сеуле, Южная Корея, проходит пятиматчевое противостояние AlphaGo и Ли Седоля.
В первой партии Ли Седоль уступил AlphaGo, начав с поражения.
Ко второй партии весь мир ждал контратаки от этого легендарного игрока.
В середине игры Ли Седоль ненадолго вышел, чтобы выкурить сигарету и успокоиться. Но когда он вернулся к доске, чёрный камень был уже поставлен.
37-й ход.
Ли Седоль не сел сразу. Он стоял и смотрел на доску, почти не веря своим глазам.
Причина проста: этот ход был совершенно непохож на человеческий.
AlphaGo поставила камень на пятую линию, отклонившись от интуитивных представлений о расстановке, которые формировались у профессиональных игроков на протяжении сотен лет. Согласно обычному человеческому пониманию го, камни должны занимать как можно более высокие позиции для контроля над всей доской, но AlphaGo поставила камень в область, где ещё не началась непосредственная борьба.
Комментаторы на месте сначала даже усомнились, не ошиблась ли AlphaGo.
Профессиональный игрок 9 дана Майкл Редмонд, комментировавший игру, долго не мог оценить этот чёрный камень и лишь сказал:
Я не знаю, хороший это ход или плохой. Он очень странный.
Его напарник был более прямолинеен:
Я думал, это ошибка.
Команда DeepMind позже подсчитала, что вероятность выбора этого хода человеком-игроком составляет лишь одну десятитысячную.
Но по мере развития игры люди постепенно начали понимать: это не плохой ход, а гениальный ход, который изменил ход битвы в большем масштабе.
Примерно через 100 ходов этот, казалось бы, неуместно поставленный чёрный камень стал ключом к победе AlphaGo во второй партии.
Позже этот момент коллективного человеческого заблуждения стали в шутку называть «моментом пощёчины» —
Сначала думали, что ошибся ИИ, но на самом деле ошиблись сами люди.
Однако помимо «пощёчины» этот ход впервые заставил весь мир осознать, что ИИ умеет не только имитировать человеческую игру, но и делать ходы, о которых человек никогда не задумывался.
И ровно через десять лет «37-й ход» действительно снова появился, и на этот раз он связан с древней дисциплиной:
Математикой.
Для ИИ у го и математики есть одно важное сходство — это возможность верификации.
Поскольку логика и правила в этих областях достаточно чёткие, ИИ может бесконечно повторять простой процесс:
Попробовать идею, протестировать её, изучить результат, а затем продолжать попытки до успеха (это подход обучения с подкреплением).
Этот механизм также объясняет, почему математика стала первой дисциплиной, подвергшейся «бомбардировке 37-ми ходами» от ИИ.
В таких областях, как разработка лекарств, биология, чтобы проверить, работает ли идея, часто требуются долгие эксперименты.
С математикой всё иначе: доказательство можно проверять шаг за шагом, правильно — значит правильно, неправильно — значит неправильно, поэтому ИИ может неустанно вести поиск.
Итак, по мере роста возможностей ИИ перемены начали ускоряться, измеряясь годами.
Начиная с рождения ChatGPT, в 2023 году большие языковые модели всё ещё спотыкались на простых арифметических задачах. Сцены провалов вроде «9.11 и 9.9 — что больше?» вызывали смех.
Но к 2024 году AlphaProof и AlphaGeometry 2 от DeepMind уже прорвались на Международную математическую олимпиаду.
Две системы решили 4 из 6 задач, набрав 28 баллов, что соответствует уровню серебряной медали (всего на 1 балл меньше золотой медали того года).
А всего через год Gemini Deep Think за отведённые официальными правилами 4,5 часа решил 5 задач, набрав 35 баллов, достигнув уровня золотой медали ММО.
За два года ИИ прошёл путь от новичка до золотого медалиста ММО — поразительная скорость.
Но это только экзаменационная арена.
Настоящее ощущение наступающего прилива в математическом сообществе вызвало то, что ИИ начал переходить от «решения задач» к «исследованиям».
В 2025 году GPT-5 участвовал в решении задачи Эрдёша 848, предложив ключевую оценку, необходимую для доказательства.
Математики исправили и уточнили её, в итоге завершив полное доказательство.
В том же году математик из UCLA Эрнест Рю с помощью GPT-5 нашёл путь к решению открытой проблемы в теории оптимизации, которая оставалась нерешённой 40 лет.
На этом этапе ИИ уже не просто вычислял ответы, он начал вносить ключевые идеи.
Затем наступил 2026 год, и начались прорывы в ряде серьёзных математических проблем.
Первой тяжёлую бомбу сбросила, как и прежде, OpenAI.
Внутренняя модель общего рассуждения обратила внимание на задачу о единичных расстояниях на плоскости. Эту проблему, поставленную математиком Палом Эрдёшем в 1946 году, изучает, сколько пар точек с расстоянием ровно 1 можно получить, разместив n точек на плоскости.
За последние почти 80 лет в математическом сообществе широко считалось, что конструкции типа квадратной решётки близки к оптимальным.
Но ИИ прямо из, казалось бы, не связанной теории алгебраических чисел взял набор инструментов, построил совершенно новый набор точек и опроверг эту давнюю гипотезу.
Всё доказательство впоследствии было проверено внешними математиками.
OpenAI заявила, что это первый случай, когда универсальный ИИ самостоятельно решил открытую проблему, имеющую важное значение в разделе математики.
Вслед за этим последовал ход от Anthropic.
В июле 2026 года математик Anthropic Левант Альпёге с помощью Claude Fable 5 нашёл явный контрпример для гипотезы Якоби.
Так гипотеза, мучившая математическое сообщество 87 лет, была за одну ночь опровергнута ИИ.
Были даже совместные проекты OA (OpenAI и Anthropic).
Буквально пару дней назад GPT-5.6 и Fable 5 совместными усилиями решили математическую задачу, остававшуюся открытой 25 лет.
(Подобных историй немало...)
Но самым впечатляющим остаётся Google, где DeepMind превращает такие прорывы в конвейер.
Его математический агент Aletheia не просто генерирует ответ один раз, а многократно предлагает доказательства, проверяет их на уязвимости, опровергает сам себя и заново ищет путь.
DeepMind использовала его для сканирования 700 открытых проблем из базы данных гипотез Эрдёша.
ИИ самостоятельно решил 4 ранее нерешённые проблемы, а также поучаствовал в создании нескольких математических работ качества научных статей.
Этот эксперимент показывает, что ИИ начал систематически исследовать белые пятна в математическом мире.
Нетрудно представить:
Решение ИИ большего числа серьёзных математических проблем — действительно лишь вопрос времени.
От решения задач к исследованиям, от повторения известных знаний к предложению неизвестных ответов — 37-е ходы в области математики следуют один за другим.
В поисках 78-го хода человечества
И перед этой высокой вероятностью наступления такого момента человечество неизбежно столкнётся с фундаментальным вопросом:
Если ИИ будет продолжать прокладывать новые, невиданные человеком пути, что же тогда делать человеку?
Ответом, возможно, является 78-й ход, появившийся в том противостоянии десять лет назад.
В четвёртой партии пятиматчевого поединка Ли Седоль, уже проигравший три партии подряд, вбил белый камень в центр построения AlphaGo.
Этот ход также отклонялся от нормы, и AlphaGo оценивала вероятность его совершения человеком всего в одну десятитысячную.
Затем машина потеряла ориентацию.
Ли Седоль в итоге одержал единственную победу для человека, и 78-й ход стали называть «ходом бога».
Эта победа не означала, что человек снова победил ИИ.
Но она, по крайней мере, показала, что человек, поняв машину, может найти следующий ход, которого машина не ожидала.
Именно в этом заключается откровение, которое оставил нам 78-й ход.
Когда ИИ становится всё лучше в предоставлении ответов, ценность человека будет всё больше смещаться в сторону постановки вопросов, определения направления и решения, какие ответы действительно стоит искать.
Используя концепцию «шахмат-кентавров» в шахматах, где человеческий игрок и компьютерный движок сражаются вместе.
Примечание: После победы IBM «Deep Blue» над человеческим чемпионом мира Каспаровым в 1997 году, Каспаров в 1998 году выступил инициатором и провёл первый турнир по «шахматам-кентаврам», исследуя возможности сотрудничества человека и ИИ.
Хассабис считает, что наука вступает в аналогичную «эпоху кентавров»:
Мы вступаем в эпоху совместной работы человека и компьютера, я не знаю, как долго продлится этот цикл. Но для таких очень сложных областей это время может быть долгим. Например, разработка лекарств, биология, химия — эти области очень сложны, ситуация изменчива, и невозможно всё проверить. Вот тут и нужна человеческая интуиция и проницательность, чтобы решить, в каком направлении двигаться.
Последующие изменения в го подтвердили это.
После появления AlphaGo ИИ быстро стал инструментом анализа для профессиональных игроков. Игроки могут использовать ИИ для перепроверки старых дзёсэки, выявляя, какой опыт на самом деле ненадёжен, а также изучая новые ходы, которые ранее считались необоснованными.
Исследование, проанализировавшее более 5,8 миллионов решений профессиональных игроков, показало:
После появления супер-ИИ качество ходов человека-игрока значительно повысилось, а новых, нестандартных ходов стало больше.
Однако у медали есть и обратная сторона, а именно:
Люди начинают полагаться на ИИ в предоставлении ответов, постепенно теряя способность их оценивать.
Как сказал Ли Седоль, уходя из профессии, столкнувшись с непобедимым противником, ему уже трудно продолжать наслаждаться некогда любимым го.
Возможно, это и есть самая настораживающая проблема эпохи ИИ.
Когда на всё больше областей помимо математики начинает влиять ИИ, сделают ли нас более мощные системы более креативными, эффективными и более человечными?
Или заставят людей отказаться от усилий?
В будущем ИИ будет продолжать делать 37-е ходы.
Оставшийся вопрос: сможет ли человечество найти свой 78-й ход.
Ссылки:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Статья из публичного аккаунта WeChat «Квантовый бит», автор: Гуаньчжу Цяньянь Кэцзи (关注前沿科技)
