GPT-5 решил 4 задачи, над которыми математики бились десятилетиями

Когда поисковик становится коллегой

Представьте: вы работаете над сложной научной задачей, и рядом появляется коллега, который не просто подсказывает, где искать ответ, а помогает его найти. Именно так ведет себя GPT-5 в новом исследовании, охватившем математику, физику, биологию и информатику.

Модель продемонстрировала способности, выходящие за рамки обычного поиска данных. Она генерирует оригинальные доказательства, находит неочевидные связи между далекими друг от друга научными областями и превращает месяцы кропотливой работы в несколько продуктивных часов.

Четыре нерешенных задачи - решены

GPT-5 справился с четырьмя математическими проблемами, которые раньше считались открытыми. Речь не о приблизительных решениях или предложенных подходах - модель действительно их решила.

Особенно впечатляет история с задачей Эрдёша под номером 848. Математики бились над ней десятилетиями, но GPT-5 применил анализ устойчивости, который человеческий разум почему-то упускал из виду. Правда, это решение появилось не само по себе - оно возникло в процессе диалога с учеными, объединив машинную логику и человеческую интуицию.

Но давайте не будем преувеличивать. Тимоти Гауэрс, обладатель Филдсовской премии, участвовавший в исследовании, сравнил вклад GPT-5 с работой опытного научного руководителя: полезно, иногда проницательно, но пока недостаточно для соавторства в большинстве публикаций.

Фактор сжатия времени

Настоящее волшебство проявляется в том, что исследователи назвали "фактором сжатия". Брайан Спирс из Ливерморской национальной лаборатории использовал GPT-5 для моделирования термоядерного горения в экспериментах по синтезу.

Шесть часов совместной работы с искусственным интеллектом заменили шесть человеко-месяцев труда команды аспирантов. Это не просто повышение эффективности - это фундаментальное изменение того, как может выглядеть научная работа в будущем.

Хотите узнать больше о практическом применении AI в бизнесе и науке? Загляните на AI Projects - там собраны реальные кейсы и рекомендации экспертов.

Революция в поиске научной литературы

Возможно, самое практичное применение GPT-5 - это "глубокий поиск по литературе". Модель идет далеко за пределы простого подбора ключевых слов.

Она обнаружила, что новый результат в оценке плотности математически идентичен работам по "приближенным множествам Парето" в многокритериальной оптимизации. Эту связь пропустили сами авторы, потому что разные научные области используют совершенно разную терминологию.

В другом случае GPT-5 нашел решения десяти задач Эрдёша, ранее помеченных как открытые. Среди находок оказались статьи на немецком языке, опубликованные десятилетия назад. Модель даже обнаружила решение, спрятанное в коротком комментарии между двумя теоремами в статье 1961 года - деталь, которую люди упускали более 60 лет.

Где человеческая экспертиза остается незаменимой

Исследование также высветило критические ограничения модели. Эксперименты Дерьи Унутмаз в иммунологии показывают и перспективы, и опасности.

GPT-5 правильно определил, что 2-дезокси-D-глюкоза влияет на N-связанное гликозилирование, а не просто на гликолиз в Т-клетках. Это механистическое понимание ускользнуло от исследовательской группы, несмотря на их глубокую экспертизу в области. Однако модель требовала постоянного человеческого надзора, чтобы отлавливать излишне самоуверенные утверждения и ошибочные рассуждения.

Работа Кристиана Кёстера над онлайн-алгоритмами демонстрирует другую закономерность: GPT-5 превосходен в конкретных, четко определенных подзадачах, но спотыкается на открытых теоретических вопросах.

Когда его попросили доказать или опровергнуть, что определенный алгоритм может достичь конкретной производительности, модель создала элегантный контрпример с использованием теоремы Шевалле-Уорнинга. Но при попытке получить более общие результаты она часто генерировала ошибочные аргументы, требующие человеческой коррекции.

Эффект строительных лесов

Во всех дисциплинах проявилась интересная закономерность: GPT-5 работает драматически лучше при правильной "подготовке почвы". Алекс Лупсаска обнаружил это, когда модель сначала не смогла найти симметрии в уравнениях черных дыр.

Но после проработки более простой задачи в плоском пространстве GPT-5 успешно вывел сложные симметрии искривленного пространства, воспроизведя за минуты результат месяцев человеческой работы.

Эта потребность в подготовке раскрывает нечто фундаментальное о текущих возможностях ИИ. Модели обладают огромными знаниями и вычислительной мощью, но им нужна человеческая экспертиза для эффективного направления этой способности.

Это как иметь двигатель Формулы-1: невероятно мощный, но вам все равно нужно знать, как построить остальную часть машины и управлять ею. Больше практических советов по работе с AI-инструментами вы найдете на AI Projects.

Предостерегающая история

Не все истории в исследовании триумфальны. Опыт Венкатесана Гурусвами и Парикшита Гопалана с "кодами, избегающими клик" служит важным предупреждением.

GPT-5 предоставил корректное доказательство для задачи, над которой они размышляли годами. Восторг сменился смущением, когда они обнаружили точно такое же доказательство в статье трехлетней давности.

Искусственный интеллект, по сути, совершил плагиат, не осознавая этого. Это подчеркивает критическую проблему AI-ассистированных исследований: обеспечение правильной атрибуции, когда модель не всегда может идентифицировать свои источники.

Что это значит для AI-специалистов

Для тех, кто работает в области искусственного интеллекта, эти находки указывают на переломный момент. GPT-5 - это не просто улучшенный GPT-4, а качественный скачок в возможностях. Но, возможно, еще важнее то, что он показывает: путь вперед лежит не в замене человеческого интеллекта, а в создании новых форм человеко-машинного сотрудничества.

Исследователи неоднократно подчеркивали: эффективное использование GPT-5 требует глубокой экспертизы в предметной области. Вам нужно знать, когда модель галлюцинирует, когда оспаривать ее утверждения и как правильно структурировать задачи. По сути, чем лучше вы разбираетесь в своей области, тем больше пользы можете извлечь из этих AI-коллег.

Будущее науки - это партнерство

Двигаясь вперед, главный вопрос в том, как мы адаптируем наши рабочие процессы, системы атрибуции и понимание креативности, чтобы включить этих новых коллег.

Если судить по этим ранним экспериментам, будущее науки будет выглядеть не как противостояние людей и машин, а как синтез лучшего из обоих миров, работающих в тандеме для расширения границ знания.

Модель уже сейчас находит решения в забытых статьях, сжимает время исследований и открывает неожиданные связи между дисциплинами. Но она делает это не вместо ученых, а вместе с ними - усиливая человеческий интеллект, а не заменяя его.