Представь себе: над задачей бьются лучшие математики и специалисты по теоретической информатике годами. Публикуют статьи, где честно пишут — “открытая проблема, решение неизвестно”. А потом кто-то запускает модель, кидает на это две тысячи долларов вычислений — и получает формальное доказательство. Не подсказку, не намётку решения. Готовое доказательство, которое можно проверить.
Именно это, по данным из внутренних тестов OpenAI, недавно сделала их следующая флагманская модель — рабочее название Astra. Ей дали 10 открытых задач в математике и теоретической информатике — то есть задач, которые до этого момента не мог решить никто, — и она справилась с ними, опубликовав формальные доказательства.
Я это увидел и завис на пару минут. Потому что тут разница не в том, что модель “стала умнее” — это мы слышим каждый месяц. Разница в том, что она перешла черту между “выполняет задачи” и “делает открытия”.
Почему это вообще другая история
До сих пор весь разговор про ИИ крутился вокруг одного: он делает то, что человек уже умеет делать, только быстрее. Написать текст, который человек написал бы сам. Посчитать то, что посчитал бы бухгалтер. Ответить клиенту так, как ответил бы менеджер. Полезно, экономит время — но потолок понятен: ИИ дотягивается до уровня человека и на этом останавливается.
Открытые научные задачи — это другое поле. Это вещи, которые люди пытались решить и не смогли. Не потому что ленились, а потому что не хватало то ли метода, то ли терпения, то ли способа перебрать нужное количество вариантов. Когда модель находит доказательство там, где человеческий интеллект застрял, — она уже не имитирует экспертность, она её превышает в конкретной узкой точке.
И вот тут важный нюанс, который часто теряется в заголовках: это не “искусственный интеллект теперь умнее всех учёных”. Это конкретная модель, на конкретных 10 задачах, в конкретных областях. Обобщать до “ИИ обошёл науку” — это как сказать, что калькулятор обошёл математиков, потому что он быстрее считает в столбик. Инструмент стал мощнее в конкретном классе задач. Не более, но и не менее.
Два тысячи долларов — вот что реально ломает шаблон
Тут я зацепился не за факт решения, а за цену. $2000 вычислений — это не бюджет исследовательского института. Это стоимость хорошего ноутбука. Или пары месяцев подписки на курс. Раньше “решить нерешённую научную задачу” означало годы работы лаборатории, гранты, штат аспирантов. Сейчас — это вычислительная задача с ценником, который может себе позволить один человек с картой.
Вот это и есть настоящий сдвиг, а не абстрактное “ИИ поумнел”. Стоимость получения нового знания рухнула на порядки. И если сегодня это работает в математике и computer science — узких, формализуемых областях, где есть чёткие правила проверки доказательства, — вопрос не “будет ли это работать в других сферах”, а “когда”.
Где тут подвох
Есть нюанс, который стоит держать в голове, прежде чем нести эту новость дальше как “ИИ = решение всех проблем”. Математика и теоретическая информатика — удобные для ИИ области именно потому, что там есть формальная система проверки. Доказательство либо логически верно, либо нет — это можно проверить механически, без субъективных оценок. В большинстве других сфер бизнеса, медицины, права такой чистой проверки нет — там результат оценивают люди, с их предвзятостью и контекстом.
Поэтому “ИИ решил научные задачи” — это не то же самое, что “ИИ примет за тебя решение о найме” или “ИИ поставит верный диагноз без врача”. Прорыв реальный, но он в конкретной нише — задачах с формальной проверкой правильности. Расширение на всё остальное — это отдельная, куда более сложная история.
При чём тут обычный бизнес
Я много занимаюсь внедрением ИИ-агентов в малый и средний бизнес — и вижу похожую логику в куда более приземлённых масштабах. Не “решить нерешённую теорему”, а обработать тысячу однотипных обращений клиентов так, как раньше это делал бы штат сотрудников. Разница в порядках, а не в сути: то, что раньше требовало недель работы человека, теперь стоит копейки и занимает минуты.
Тренд один и тот же на любом уровне — от нерешённых теорем до записи клиента на приём. Стоимость получения результата, который раньше требовал дорогого человеческого труда, продолжает падать. Кто это использует раньше других — получает преимущество, пока остальные ещё спорят, “а точно ли ИИ на такое способен”.