OpenAI переключается на генерацию научных доказательств ради оправдания затрат
Решают ли внутренние модели OpenAI фундаментальные проблемы на самом деле, или это очередной маркетинговый инструмент, призванный оправдать колоссальные затраты на вычисления?
Компания OpenAI объявила о генерации доказательств в области математики, информатики и физики с использованием внутренних моделей. Сообщается, в том числе, об опровержении центрального предположения информатики и частичном доказательстве одной из задач тысячелетия. На фоне непрекращающегося давления со стороны инвесторов, требующих экономической отдачи от многомиллиардных инфраструктурных инвестиций, компания смещает фокус с традиционных маркетинговых бенчмарков на генерацию научных доказательств. Тем не менее, сама компания признает, что эти рукописи являются лишь сырыми данными, требующими внешнего аудита.
OpenAI привлекла внешних экспертов, включая нобелевского лауреата, для проверки сгенерированных математических и физических доказательств. Эти эксперты выступают в роли пастырей для рецензирования результатов, причем валидация адаптируется под каждую конкретную дисциплину. В информатике и математике доказательства дополнительно переводятся на Lean — специализированный язык программирования, который позволяет компьютеру проверять каждый логический шаг. Тем не менее специалисты отмечают, что это не гарантирует полную независимость от модели, поскольку Lean проверяет лишь соответствие формальным условиям, оставляя интерпретацию смысла за экспертами-людьми.
Пересмотр базовых алгоритмических ограничений
Поворотным моментом в информатике стало заявление OpenAI о том, что ее система опровергла гипотезу экспоненциального времени (ETH). Эта гипотеза касается задачи выполнимости булевых формул (SAT), которая лежит в основе теории вычислительной сложности. С каждой новой переменной пространство поиска удваивает общую сложность, создавая экспоненциальный барьер для вычислительных ресурсов. Согласно гипотезе, эффективных коротких путей для худшего сценария не существует — предположение, подкрепленное сотнями исследовательских работ в различных областях.
Опровержение ETH напрямую ставит под сомнение основы теории сложности и задачу о равенстве классов P и NP. Если гипотеза падает, она меняет теоретическую базу для тысяч исследований в теории графов, базах данных и вычислительной геометрии. Как отмечалось в нашей статье от 1 августа 2026 года «OpenAI Astra: Hierarchical Agents Solve Millennium-Old Problems», стоимость генерации столь масштабных результатов через API достигает существенных сумм на фоне общих операционных расходов провайдеров.
При текущих темпах, по его словам, вполне вероятно, что практическое решение задач SAT может увидеть серьезный прогресс в течение 12 месяцев.
Эту оценку практических сроков дал профессор Массачусетского технологического института Райан Уильямс, подчеркнувший сохраняющуюся неопределенность. Наряду с Расселом Импальяццо и Рамамоханом Патури из Калифорнийского университета в Сан-Диего, которые изначально сформулировали гипотезу ETH, Уильямс независимо проверяет результаты без соглашений о неглаглашении и на пробооснове. По просьбе группы OpenAI опубликовала все исходные сырые данные, включая текст доказательства и код на языке Lean.
Инфраструктурные риски и экономика доказательств
Любое изменение базовых алгоритмов запускает пересчет затрат на инференс и работу специализированного софта вроде решателей SAT, используемых при верификации чипов и программного обеспечения. Практическое влияние этого теоретического прорыва остается неопределенным, поскольку реальные прикладные задачи зачастую проще сценариев худшего случая, заложенных в ETH. Между тем математическая составляющая также затронула гипотезу локального сглаживания, изначально предложенную математиком Кристофером Согге в 1991 году и частично решенную в двух измерениях в 2019 году Гутом, Вангом и Чжаном, тогда как модели OpenAI теперь выдали доказательство для всех размерностей.
Долгосрочная жизнеспособность бизнес-моделей гигантов искусственного интеллекта зависит от их способности конвертировать сырые вычисления в проверяемые прикладные результаты. Если верификация сложных физических и математических выкладок требует нобелевских лауреатов и ручного аудита ученых мирового уровня, масштабирование этих решений на корпоративный сектор упирается в жесткие кадровые и временные ограничения. Инфраструктура требует миллиардных ежедневных вливаний, однако монетизация держится на доверии к необработанным результатам, отфильтрованным независимыми экспертами.
Переход к машинно-сгенерированной науке переопределяет методы измерения возможностей искусственного интеллекта и одновременно обнажает пределы автоматизации в фундаментальных дисциплинах. Когда машинный синтез требует персональной валидации со стороны первоначальных авторов гипотез, экономическая модель искусственного интеллекта оказывается ограничена дефицитным человеческим ресурсом, возвращая нас к фундаментальному вопросу о том, представляют ли эти результаты подлинную полезность или дорогостоящие административные накладные расходы.
Анализ редакции
Команда OpenAI объявила, что ее внутренние модели генерируют доказательства в физике, математике и информатике, включая частичный разбор одной из задач тысячелетия. В начале июля мы писали об автоматизации анализа нейросетей силами GPT-4, а уже в начале августа сообщали о запуске системы Astra — тогда, по данным самой компании, расчет решений для десяти проблем обошелся примерно в 2000 долларов по тарифам модели Sol. Чистая академическая витрина для оправдания колоссальных расходов на вычисления.
Мы писали об этом: 1 июля, 1 августа
Источник: The Decoder