OpenAI выложила 722 математические рукописи, написанные ИИ; математики возражают

Главное изменение не в том, что математику автоматизировали, а в том, что массовое производство правдоподобных исследований начинает отделяться от их проверки.

Что это значит. 6 октября OpenAI опубликовала 722 рукописи, сгруппированные в 372 семейства результатов, созданные в основном невыпущенной внутренней моделью после попыток решить примерно 4000 задач. По оценке OpenAI, средний результат потребовал вычислений, эквивалентных трём часам «размышлений» ChatGPT Pro. Репозиторий содержит формализации в Lean для части результатов и сокращённые изложения рассуждений: openai.com и github.com.

После трёх отзывов 7 октября исходный каталог сократился до 719 рукописей. Ошибка в знаке сделала недействительным аргумент в одной рукописи и конструкцию, использованную в двух зависящих от неё. OpenAI также сообщила об исправлении 14 других рукописей: github.com. Это демонстрирует и исследовательский потенциал ИИ, и опасность принимать объём публикаций за проверенные открытия.

Проверка должна стать частью результата. Lean может механически проверять формализованные доказательства, но рукопись без формализации по-прежнему требует математического разбора; формальная проверка к тому же зависит от правильной постановки теоремы и нужных допущений. Документация самого репозитория признаёт, что некоторые неформализованные результаты могут содержать проблемы: github.com и lean-lang.org.

Независимая Консультативная группа по математике и искусственному интеллекту прямо говорит, что публикация начинает, а не завершает процесс включения созданной ИИ работы в математическое знание. Она также утверждает, что математики должны сохранять свободу формулировать собственные вопросы и что важен доступ к исследовательским инструментам и вычислительным ресурсам: agmai.org.

Авторство и стимулы. Непосредственный риск в том, что исследователи месяцами будут самостоятельно заниматься задачами, которые уже были разобраны в недоступных экспериментах с ИИ, или что их вклад станет трудно отличить от созданного машиной. В материалах о релизе описываются опасения насчёт сорванных исследовательских программ и математиков в начале карьеры: businessinsider.com. Математическое авторство должно разграничивать, кто сформулировал задачу, кто разработал аргумент, кто его проверил и кто написал или переработал изложение. ИИ-системы не могут брать на себя научную ответственность за авторов-людей.

Что должно произойти сейчас?

• Математикам: в первую очередь независимо воспроизводить значимые результаты, изучать зависимости между рукописями, открыто публиковать исправления и сохранять датированные записи о своём вкладе. Не считать результат ни верным, ни ложным только потому, что его создал ИИ.
• Студентам: учиться писать доказательства и проводить формальную проверку наряду с исследованием при помощи ИИ. Считать вывод модели гипотезой или кандидатом в доказательство, пока он не проверен.
• Журналам: требовать явного раскрытия использования ИИ, ответственного авторства людей, воспроизводимых сопроводительных материалов и чёткого разграничения между формально проверенными и независимо рецензированными утверждениями. Ввести процедуры быстрого исправления для зависящих результатов.
• ИИ-лабораториям: выпускать доступные модели или давать равноценный исследовательский доступ, документировать промпты и методы достаточно подробно для воспроизведения, указывать статус проверки для каждой статьи, публиковать карты зависимостей, финансировать независимую проверку и обеспечивать долговечную историю версий.

Необходимость этих мер согласуется с сентябрьскими рекомендациями AGMAI, которые прямо просят ИИ-лаборатории прекратить испытывать продвинутые математические задачи на проприетарных моделях, недоступных широкому научному сообществу: agmai.org.

Что будет дальше? Наиболее вероятный ближайший итог — смешанный исследовательский процесс: ИИ порождает кандидатные результаты, люди определяют их значимость и правильность, а формальные системы доказательств всё больше берут на себя проверяемые части. Решающей мерой будет не то, сколько рукописей напишет модель, а то, сколько из них выдержит независимую проверку и станет полезным математическим знанием.

1. openai.com
2. github.com
3. github.com
4. github.com
5. agmai.org
6. agmai.org
7. businessinsider.com
8. unite.ai
9. lean-lang.org
10. openai.com
11. developers.openai.com

Что произошло. 6 октября 2026 года OpenAI выложила 722 рукописи в 372 семействах на github.com/openai/math под лицензией Apache-2.0 (unite.ai). Их создала безымянная внутренняя модель, которой дали около 4000 задач. На средний результат ушло около трёх часов вычислений уровня ChatGPT Pro (github.com). Около 42% основных результатов формализованы в Lean (github.com), а примерно половина была выпущена без подтверждения (retractionwatch.com). 7 октября OpenAI отозвала три статьи, потому что там, где должно было стоять -1, стояло +1. Эта ошибка обрушила статью «Algebraicity of Weil classes on split abelian eightfolds» и две зависящие от неё работы. OpenAI также исправила 14 других рукописей (retractionwatch.com, implicator.ai). Сейчас в каталоге 719 рукописей (github.com).

Что это значит. 1) Самое трудное в математике теперь — проверять результаты, а не получать их. Пакет такого размера опережает возможности человеческого рецензирования. Отзывы показывают, что результаты, не проверенные компьютером, могут оказаться ошибочными, а версионированные исправления на GitHub становятся частью научной летописи (github.com). Lean доказывает только то утверждение, которое было в него введено. Человек всё равно должен подтвердить, что формальная постановка соответствует настоящей гипотезе (letsdatascience.com). 2) Посторонние не могут воспроизвести работу. Промпты, название модели и объём вычислений на задачу остались закрытыми (letsdatascience.com). Эндрю Сазерленд из MIT сказал, что заявления о решении задач с первой попытки следует считать непроверенными, пока модель не выпущена (letsdatascience.com). 3) Авторство оспаривается. README даёт лишь ссылки в формате BibTeX и не содержит правил авторства (github.com). Спор об авторстве уже возникал после сентябрьского заявления OpenAI по уравнениям Навье — Стокса (letsdatascience.com). 4) Сообщество расколото. Консультативная группа, связанная с IAS (AGMAI), попросила лаборатории размещать результаты в архивах, которые не контролирует ни одна лаборатория, раскрывать промпты, время и стоимость, а также сообщать о неудачных попытках. Она также заявила: «мы не одобряем» испытания на недоступных моделях (unite.ai). Ассоциация человеческой математики назвала релиз «демонстрацией силы» и призвала математиков прекратить работать с OpenAI (retractionwatch.com).

Что дальше. Ждите новых исправлений, новых доказательств в Lean и, вероятно, новых отзывов. OpenAI пообещала всё три (retractionwatch.com). Компания также говорит, что работает над тем, чтобы «ответственно выпустить» модель, но даты не назвала (unite.ai). По сообщениям, модель всё ещё обучается (aiweekly.co). Другие лаборатории, вероятно, выступят с похожими массовыми заявлениями, а споры о правилах публикации станут громче.

Что делать сейчас.

• Математикам: выберите результаты в своей области и проверьте их или формализуйте в Lean. Каждый подтверждённый или опровергнутый результат — это реальные данные. Отдавайте должное людям, которые исправляют или проверяют доказательства. Многие из этих задач теперь «заявлены как решённые», а не закрыты.
• Студентам: используйте репозиторий для учёбы. Проверяйте, действительно ли каждое утверждение в Lean соответствует теореме, читайте краткие изложения рассуждений и тренируйтесь находить ошибки. Умение проверять доказательства стало ценным навыком.
• Журналам и arXiv: требуйте для любого результата, созданного ИИ, название модели, промпты, объём вычислений и статус формализации. Финансируйте проверку как отдельное направление рецензирования и оставляйте отозванные версии видимыми.
• ИИ-лабораториям: следуйте AGMAI полностью. Это значит нейтральный архив с DOI, промпты и вычисления для каждого результата, неудачные попытки и критерии отбора. Дайте независимым исследователям доступ, чтобы они могли воспроизвести работу, и финансируйте проверку людьми, которую порождают ваши релизы (unite.ai).

1. unite.ai
2. github.com
3. retractionwatch.com
4. implicator.ai
5. letsdatascience.com
6. aiweekly.co

6 октября 2026 года OpenAI опубликовала публичный репозиторий на GitHub (openai/math) с 722 математическими рукописями (позже их стало 719), объединёнными в 372 семейства результатов и созданными одной невыпущенной внутренней передовой моделью. Модели поставили около 4000 задач; на каждый принятый результат в среднем ушли вычисления, эквивалентные примерно трём часам «размышлений» ChatGPT Pro. Формализациями в Lean сопровождалось лишь меньшинство основных результатов (поначалу ~162 рукописи; позднее сообщалось о ~42 % основных результатов). OpenAI предупредила, что некоторые неформализованные результаты могут содержать проблемы, и обязалась быстро их исправлять. Через день она отозвала три рукописи после того, как ошибка в знаке сделала недействительным ключевой аргумент и две зависящие от него статьи, и переработала ещё четырнадцать. Релиз был подан как работа по оценке модели с учётом консультаций с независимой Консультативной группой по математике и искусственному интеллекту (AGMAI) при Институте перспективных исследований, хотя AGMAI позже заявила, что её участие не означает ни одобрения процесса, ни оценки значимости результатов.

Этот эпизод показывает, что передовые модели способны за короткое время порождать большие объёмы кандидатных результатов по открытым задачам математики, теоретической информатики и смежных областей. Он также обнажает разрыв между генерацией и традиционными процессами проверки, изложения, цитирования, помещения в контекст и признания авторства. Lean даёт машинно проверяемые гарантии для формализованной части, но даже формализованные доказательства требуют внимания человека, чтобы подтвердить, что утверждение в Lean соответствует заявленному математическому результату и что сопутствующее изложение понятно. Быстро обнаруженная ошибка, неполная формализация и сам масштаб вызвали широкую обеспокоенность тем, что сообщество заставляют разгребать «мусор» и что его «заваливают потоком». Критики, включая Ассоциацию человеческой математики (её заявление распространил Теренс Тао), назвали одновременную публикацию более 700 файлов демонстрацией силы, а не научности, и призвали математиков прекратить сотрудничество с OpenAI. AGMAI и другие подчёркивали, что публикация — лишь первый шаг к человеческому пониманию.

В ближайшее время сообщество продолжит проверять репозиторий: появятся новые формализации в Lean, обнаружатся новые ошибки или исправления, отдельные результаты будут приняты или отброшены. OpenAI заявила, что будет финансировать семинары и улучшит изложение, цитирование и раскрытие информации в будущем. Журналам, серверам препринтов и комиссиям по найму придётся решать, как относиться к созданным ИИ рукописям без чёткого человеческого авторства, полной формализации или обычного контекста литературы. Студенты и исследователи получат новые инструменты, но и новые риски вложить силы в результаты, которые позже окажутся ошибочными или непонятными.

Математикам следует в первую очередь независимо проверять наиболее ценные утверждения, требовать прозрачности в отборе задач и данных о неудачах и настаивать на чёткой маркировке статуса формализации и соответствия между текстом на естественном языке и Lean. Студентам стоит считать рукописи непроверенными черновиками, пока в сообществе не сложится консенсус. Журналам следует выработать явные правила для созданных ИИ работ (авторство, воспроизводимость, требования к формализации). ИИ-лабораториям следует выпускать модели или достаточный инструментарий для независимой переоценки, публиковать отрицательные результаты и теснее согласовывать порядок публикации с рекомендациями сообщества, прежде чем создавать новые крупные пакеты.

1. github.com
2. openai.com
3. unite.ai
4. github.com
5. retractionwatch.com
6. nature.com
7. theverge.com
8. scientificamerican.com
9. agmai.org
10. ahmath.org
11. openai.com

6 октября 2026 года OpenAI опубликовала в публичном репозитории openai/math на GitHub под лицензией Apache-2.0 722 рукописи, объединённые в 372 семейства и созданные невыпущенной внутренней передовой моделью. Модели поставили около 4000 задач, и на каждый результат в среднем ушло около трёх часов «размышлений» ChatGPT Pro. У многих рукописей есть формализации в Lean, но на момент релиза основные результаты были формализованы лишь у 162, а README предупреждает, что некоторые неформализованные результаты могут содержать проблемы и что проверка идёт поэтапно.

7 октября история репозитория зафиксировала три отзыва: ошибка в знаке в статье «Algebraicity of Weil classes on split abelian eightfolds» сделала недействительным аргумент о сокращении стабилизационного следа и конструкцию, использованную в двух зависящих от неё статьях. Эти три работы теперь отозваны с пометками о пробелах. Ещё четырнадцать рукописей переработаны с исправлением доказательств, ещё 13 обновлены, чтобы ссылаться на исправленные редакции, и теперь каталог насчитывает 719 рукописей в 372 семействах, из которых формализовано около 42% основных результатов (300/719).

Реакция была резкой. В публикациях отмечается, что математиков смутил масштаб, а в коллективном письме выкладывание более 700 файлов разом назвали «не демонстрацией научности, а демонстрацией силы». Ассоциация человеческой математики (AHM), которую возглавляет лауреат Филдсовской премии Теренс Тао, обвинила OpenAI в нарушении основных норм и призвала математиков прекратить с ней работать, утверждая, что математики об этой работе не просили и что массовый релиз ложится бременем на проверку.

Для математики это означает, что впервые в таком масштабе производство теорем оторвалось от человеческого понимания. Дефицитным ресурсом становится уже не решение задач, а проверка, объяснение и встраивание результатов. Lean превращается из необязательного дополнения в необходимую инфраструктуру знания, а результаты теперь существуют в трёх состояниях: проверенные машиной, понятные человеку, но не формализованные, и исследовательские зацепки.

То, как результаты получают, проверяют и признают, должно измениться. Производство теперь — это автоматизированный отбор: поставить тысячи задач и отфильтровать по значимости в семейства. Для проверки нужны версионированная публичная история, постоянные идентификаторы и многоуровневые отметки статуса, а не бинарное «опубликовано». С авторством неясно: блоки BibTeX указывают рукопись, но не промпт, стоимость или людей-редакторов. Консультативная группа по математике и ИИ при IAS, с которой OpenAI консультировалась, рекомендовала лабораториям размещать работы в репозиториях, которые не контролирует ни одна лаборатория, публиковать название модели, промпты, краткую цепочку рассуждений, время и стоимость, формализовать как можно больше, объяснять критерии отбора и долю неудач, не использовать релизы как маркетинг и финансировать семинары, летние школы и популярные книги через некоммерческие организации при равном доступе к модели.

Дальше вероятны: новые отзывы и исправления, коллективный рывок сообщества для расширения покрытия в Lean, пояснительные переложения человеческим языком — как в случае с моделью Anthropic, когда исследователям платили за перевод ключевой идеи ИИ, — и финансируемые семинары, которые OpenAI обещает провести.

Что делать сейчас: математикам — сортировать по семействам и статусу в Lean, не устраивать гонку за приоритетом, организовывать читательские группы, чтобы превращать чуждые доказательства в идеи, которым можно учить; студентам — учить Lean 4 и критически разбирать краткие изложения рассуждений, но сохранять классическую подготовку ради интуиции; журналам и arXiv — требовать раскрытия происхождения от ИИ, объёма вычислений и уровня проверки, сохранять доступной историю версий, защищаться от массового сбора данных для обучения; ИИ-лабораториям — следовать AGMAI, публиковать промпты и сокращённые рассуждения, давать равный доступ, финансировать работу по пониманию, избегать неожиданных выгрузок по 700 файлов и согласовывать ответственное раскрытие.

1. unite.ai
2. github.com
3. github.com
4. aiweekly.co
5. glonce.com
6. davidborish.com

Публикация OpenAI на GitHub 722 математических рукописей, созданных ИИ (объединённых в 372 семейства), смещает математические исследования: из занятия, где создание идёт в человеческом темпе, они превращаются в огромное узкое место проверки. Поскольку работу выполнила невыпущенная внутренняя модель и лишь часть её проверена в Lean, математики столкнулись с беспрецедентным объёмом непроверенных препринтов. Это ставит под сомнение традиционные представления об авторстве, рецензировании и интеллектуальной собственности человека.

Для математики это означает поток потенциальных открытий, который рискует захлестнуть возможности людей по их проверке, если не опираться на формальные системы доказательств. В вопросах производства и признания авторство становится размытым: непонятно, как указывать вклад невыпущенной проприетарной системы.

Дальше, скорее всего, независимые математики бросятся формально проверять или опровергать оставшиеся препринты, а институты будут всё сильнее сопротивляться тому, что продвинутые математические рассуждения находятся под контролем закрытых компаний.

Математикам и студентам стоит использовать формальные языки доказательств вроде Lean, чтобы самостоятельно проверять результаты машин. Журналам нужно ужесточить требования к работам, подготовленным с помощью ИИ, и там, где это возможно, требовать формальной проверки. ИИ-лабораториям следует перейти к практикам открытой науки — делиться лежащими в основе моделями или прозрачно сотрудничать, прежде чем заваливать публичные репозитории непроверенными техническими утверждениями.

1. unite.ai
2. github.com
3. retractionwatch.com