ИИ решает геометрическую задачу 80-летней давности. Что об этом думают математики?

Восемь десятилетий спустя после того, как Пол Эрдёш поставил задачу о расстоянии в единицу в 1946 году, универсальный ИИ сгенерировал конфигурации, которые превзошли давно предполагавшиеся границы, доказав как минимум n^(1+δ) пар на единичном расстоянии при некотором δ>0. Математики из Принстона проверили результат: такие фигуры, как Тим Гауэрс и Арул Шанкар, назвали его значительным продвижением.

• Ключевые выводы:
• OpenAI решил головоломку Пола Эрдёша 1946 года, построив конфигурации с n^(1+δ) парами на единичном расстоянии.
• Принстон проверил результат, придав ИИ в математике доверие на 2026 год.
• Тим Гауэрс говорит, что это продвижение может повлиять на криптографию и доказательства за пределами геометрии.

Задача по геометрии, которой уже 80 лет, наконец сдвинулась с места, когда система OpenAI собрала маловероятную конструкцию, превзошедшую прежние ожидания. Проблема единичного расстояния, поставленная Полом Эрдёшем в 1946 году, спрашивает, сколько пар точек ровно на расстоянии одной единицы может существовать среди n точек на плоскости; ИИ нашёл конфигурации, которые растут быстрее, чем допускал классический набор правил. Математики из Принстона проверили работу, и на неё обратили внимание такие признанные авторитеты, как Тим Гауэрс и Арул Шанкар. Помимо права похвастаться, результат намекает на новый тип партнёра для математики — на того, кто использует универсальный вывод, чтобы выходить за пределы человеческих эвристик.

ИИ разгадывает 80-летнюю математическую загадку прорывным решением

Некоторые задачи постоянно подталкивают человеческое терпение к краю. Проблема единичного расстояния, поставленная в 1946 году Полом Эрдёшем, задала на первый взгляд лаконичный вопрос: при n точках на плоской поверхности, сколько пар могут находиться ровно на 1 единицу. Поколения атаковали её решётками, симметрией и упорством. Прогресс шёл крохами, но не скачками. А затем тихо вмешался ИИ.

Давно назревшая задача, наконец решённая

Классический подход расставлял точки в квадратные решётки, подстраивая масштаб, чтобы выжать больше пар на расстоянии 1. Этот метод указывал на рост чуть выше линейного: примерно n, умноженное на фактор, который едва обгоняет n по мере того, как n становится всё больше. В области укрепилась идея, что лучший нижний предел держится около n^(1+o(1)) — на ступеньку выше n, но без рывка.

Как ИИ обошёл предположения

По данным участвовавших исследователей, внутренняя модель от OpenAI предложила новую семейство конфигураций точек, которое пересекает порог, давно считавшийся недостижимым. Система получила построения как минимум с n^(1+δ) парами на единичном расстоянии: для фиксированного δ больше 0, который не исчезает по мере роста n. Это реальное полиномиальное улучшение, а не погрешность округления.

Подход сочетал геометрическую интуицию с продвинутой алгебраической теорией чисел — неожиданным набором инструментов для задачи пространственного счёта. Он не выглядел как продукт специализированного математического движка. Вместо этого он возник из универсальной модели вывода, которая проходила оценку: она предполагала более широкие рассуждательные способности, способные ориентироваться между областями, когда пространство поиска огромное.

Подтверждено экспертами, отмечено в сообществе

Независимые математики из Университета Принстона рассмотрели построения ИИ и подтвердили результат — об этом рассказали знакомые с проверкой люди. Признанные голоса, включая сэра Тима Гауэрса и Арула Шанкара, похвалили продвижение как значимый шаг для области. Именно тот случай, где новый нижний предел, долгое время стоявший на месте, наконец сдвинулся — потому что ИИ нашёл правильную «линзу».

Последствия для математики и не только

Что означает, когда универсальная модель продвигается дальше укоренившихся предположений. Во-первых, это намекает на рабочий процесс, где машины предлагают кандидатов на структуры, а люди устраивают им стресс-тест. Помимо геометрии, похожие сотрудничества могут увидеть комбинаторика, теория кодирования и криптография — особенно когда доказательства опираются на редкие конструкции.