Математические исследования с помощью LLM

К маю 2026 года вопрос о том, способна ли LLM предложить математическую идею исследовательского уровня, перешёл из разряда слухов в документированный кейс. Наиболее конкретный пример - chatgpt-5-5-pro-mathematical-research: Тим Гауэрс (Tim Gowers) скормил ChatGPT 5.5 Pro задачу из статьи Мела Натансона (Mel Nathanson) 2026 года и получил полиномиальную верхнюю оценку для $N(h,k)$, улучшившую экспоненциальную оценку из схемы Айзека Раджагопала (Isaac Rajagopal). Оценка самого Раджагопала: ключевая идея (использование $h^2$-диссоциированных множеств для контроля аддитивных соотношений низкого порядка) оказалась "абсолютно оригинальной".

Эта страница фиксирует данный случай и его структурные последствия.

Что здесь означает "оригинальная"

Здесь важно точно определить, в чём заключалась новизна. Конструкция целиком задействует схему Раджагопала: конструкцию с непересекающимся объединением, учёт через производящие функции и доказательство того, что подходящая комбинация компонентов даёт все значения $|hA|$. Новым элементом стала одна конкретная подстановка: там, где Раджагопал использовал геометрические прогрессии $S, T$ (с экспоненциальным диаметром элементов), ChatGPT предложил множества $G, H$, построенные на основе $h^2$-диссоциированного множества с полиномиальным диаметром. Интуицию, которую Раджагопал восстанавливает задним числом (вдвое меньше соотношений вида $mx=y$, отсутствие других соотношений низкого порядка благодаря диссоциации), он называет "оригинальной" в том смысле, что раньше её не встречал и сам не смог бы придумать за отведённое время.

Это принципиально отличается и от "LLM решила открытую проблему", и от "LLM решает задачи уровня бакалавриата". Речь идёт о другом: LLM предлагает замену внутри уже существующей конструкции, до которой не додумался сам автор, и эта замена переводит оценку в другой асимптотический класс.

Проблема задач для обучения аспирантов

Главный вывод Гауэрса носит структурный, а не технический характер. Исторически аспиранты-первокурсники начинали с "мягких задач" - открытых вопросов, ответ на которые реально получить без многолетней подготовки. Таких задач всегда хватало: статьи, вводящие новый комбинаторный параметр, обычно содержат список сопутствующих вопросов, на глубокую проработку которых у авторов просто не хватило времени.

Если LLM могут решать такие мягкие задачи, одновременно меняются две вещи:

Пул учебных задач сокращается. Нижней планкой для задачи, имеющей смысл для начинающего исследователя, становится "то, с чем справится связка человека и LLM, но не LLM в одиночку", - такие задачи труднее нащупать, и для обучения они подходят хуже.
Навык оценки потенциальной задачи теперь требует предварительной проверки через LLM. А это само по себе исследовательский навык, который студентам придётся осваивать.

Гауэрс делает здесь две оговорки: студенты тоже могут пользоваться LLM, а комбинаторика может быть особенно уязвима, поскольку она отталкивается от задач (рассуждение от поставленного вопроса назад), а не от прямого вывода ("посмотрим, куда приведут идеи"). Области с прямым выводом, где нужно почувствовать, какое именно наблюдение представляет интерес, моделям, по крайней мере пока, даются сложнее.

Место в контексте смежных тем

В рамках anti-llm-discourse это редкий позитивный прецедент. Эта страница отчасти и создана для того, чтобы зафиксировать: тезис инженерного лагеря ("LLM лишь рекомбинируют, но не способны рассуждать") гораздо труднее защищать в конкретном сценарии строго очерченной математической задачи внутри готового формализма. Тезис не обобщается на всё подряд (см. следующий раздел), но это реальный факт.

Фокус на усилении навыков (skill leverage) согласуется с average-is-all-you-need (когда генерация становится дешёвой, фокус смещается на предварительную экспертную оценку) и building-syntaqlite-ai (vibe-collaboration работает для тех, кто уже понимает, как выглядит качественный результат). Гауэрс прямо обращается к логике усиления навыка: люди, которые сами умеют решать задачи, скорее всего, будут более эффективны и в совместном решении задач с ИИ.

Чего этот случай не доказывает

Он не доказывает, что LLM способны сами ставить задачи. Вопрос сформулировал Гауэрс.
Он не доказывает, что LLM могут оценивать собственный результат. Раджагопалу пришлось вычитывать препринт, чтобы подтвердить корректность; рассуждения ChatGPT о возможностях дальнейшего обобщения были полезны, но верификацию выполнял человек.
Он не доказывает, что LLM способны работать без качественного теоретического базиса. Предыдущая статья Раджагопала предоставила весь вспомогательный аппарат. LLM сделала внутри него ровно одну подстановку.
Он не доказывает, что LLM эффективны при низкой квалификации пользователя или без верификации. Оба участвовавших математика (Гауэрс и Раджагопал) обладают исключительным уровнем. Тот же промпт от менее подготовленного пользователя мог бы выдать уверенно звучащий текст, который тот не сумел бы оценить - ровно тот же сценарий сбоя, что описан в skill-atrophy-supervision-paradox.

Что он доказывает

LLM способны предлагать технически выверенные ходы внутри существующего математического формализма.
Предлагаемые идеи могут быть оригинальными в нетривиальном смысле: автор исходной работы их не видел и признаёт их оригинальность.
Разрыв между "комбинированием известных методов" и "исследовательской идеей" меньше, чем предполагает пессимизм инженерного лагеря, по крайней мере в областях, сфокусированных на решении конкретных задач.

Открытые вопросы

Как это переносится на области с прямым выводом (алгебраическая геометрия, геометрическая топология, математический анализ)? Гауэрс прямо отмечает, что не знает ответа.
Откуда берутся оригинальные идеи LLM? Это действительно новая комбинация или воспроизведение чего-то из обучающей выборки, чего просто не видел человек? Рассматриваемый случай допускает обе трактовки.
Какой должна быть инфраструктура модерации для математических результатов, полученных с помощью LLM? Предложение Гауэрса создать отдельный репозиторий с проверкой человеком - пока единственная высказанная в публичном поле идея.

Ссылки на связанные страницы

chatgpt-5-5-pro-mathematical-research (основной кейс), gowers-blog (автор), anti-llm-discourse, average-is-all-you-need, building-syntaqlite-ai, skill-atrophy-supervision-paradox, neurosymbolic-ai (верификация через proof assistant'ы), claude-emotion-concepts (по теме внутреннего устройства моделей).