OpenAI опубликовала заявление о том, что её внутренняя модель — якобы более мощная, чем GPT-4o — предложила решение одной из семи Millennium Prize Problems. Речь идёт о классических задачах математики, за решение каждой из которых Математический институт Клея пообещал миллион долларов. Это серьёзное событие, если оно подтверждится, но пока это скорее маркетинговый ход, чем готовый результат.
Суть проблемы в том, что OpenAI пока не раскрыла детали решения, а сообщество математиков — включая серьёзных исследователей — уже поднимает вопросы о том, насколько это решение действительно независимо получено моделью. История ИИ полна историй о том, как системы находят ответы потому, что уже видели их где-то в обучающих данных или в промежуточных результатах предыдущей работы. Без полной прозрачности по архитектуре и данным никакой такой результат нельзя считать научным достижением.
Контекст здесь важен: OpenAI последний год активно нагнетает ожидания по своим возможностям. Сначала была история про o1, потом про Astra, теперь про решение Millennium Prize Problem. Каждый раз компания демонстрирует впечатляющую демку, но каждый раз выясняется, что либо функциональность уже ограничена, либо речь идёт про узкий случай, отчасти подготовленный под задачу. С точки зрения редакции, которая ежедневно работает с такими моделями, это выглядит как классический случай: красивое заявление первое, ответы на критические вопросы — потом (если вообще).
Математики требуют увидеть полный ход решения, промежуточные шаги и доказательство того, что модель действительно независимо проделала работу, а не воспроизвела что-то из данных обучения или получила подсказку в другой форме. Это справедливо: научный результат должен быть воспроизводим и проверяем. Если OpenAI серьёзна, она выложит всё в открытом виде — если же будет отнекиваться ссылками на конфиденциальность или сложность архитектуры, значит, за красивыми словами реального достижения нет.
Для бизнеса в России это пока не имеет прямого значения — но показывает общий тренд: ИИ становится всё более полезным для сложного аналитического труда, включая научные задачи. В институтах и R&D-центрах имеет смысл уже экспериментировать с моделями для помощи в доказательстве лемм, оптимизации алгоритмов, анализе сложных данных. Даже если модель не решит задачу целиком (что вероятнее), она может значительно сократить рутину и помочь структурировать подход. Отечественные исследовательские группы могут использовать доступные ИИ-сервисы (включая локальные модели через облако или собственные инфраструктуры) для ускорения научно-технических работ.
Главное — не верить громким заявлениям на слово. В науке, как и в бизнесе, результат — это то, что прошло проверку и воспроизводимо. Если OpenAI раскроет детали и математики подтвердят работу, это действительно важный шаг в развитии ИИ. Пока же это просто пресс-релиз, который нужно ждать в очереди с сотней других обещаний Big Tech.