Claude Fable 5 помог найти контрпример к гипотезе Якобиана — одной из самых известных открытых задач современной математики. Она была сформулирована Отто-Генрихом Келлером еще в 1939 г. и более 80 лет считалась одной из центральных проблем алгебраической геометрии. Позже Стивен Смейл включил ее в свой знаменитый список важнейших математических задач XXI века.
Математик Левент Альпёге совместно с Ахилом Мэтью использовал Claude Fable 5 для поиска контрпримера. Модель предложила компактное полиномиальное отображение, для которого якобиан остается постоянным, но обратное отображение не существует.
Найденный пример ученые уже проверили вручную. Статья еще ожидает рецензирования, а двумерный случай остается открытым, однако многие специалисты уже называют это самым значительным примером участия LLM в решении фундаментальной математической задачи.
Это впечатляет, но и одновременно заставляет задуматься о цене подобных успехов.
Жизненная история
Российско-шведский математик и физик-теоретик Андрей Хренников, профессор Университета Линнея, рассказал о месяце совместной работы с GPT над собственной научной задачей в формате длительного исследования: обсуждение гипотез, постоянные возвраты к предыдущим идеям, поиск ошибок.
Казалось бы, именно так и должна выглядеть работа ученого будущего. Однако по окончании эксперимента его обеспокоил не уровень интеллекта модели, а изменения в самом себе.
Хренников описывает ощущение, что мозг начинает незаметно перестраивать собственную стратегию мышления. Там, где раньше приходилось удерживать длинную цепочку рассуждений, теперь возникает желание быстрее передать эту работу модели. Постепенно меняется не только скорость работы, но и сама организация мыслительного процесса. Именно поэтому в заголовке своего рассказа он связывает ИИ с нейропластичностью мозга.
Нейропластичность — это свойство нервной системы постоянно перестраивать нейронные связи под воздействием опыта. Именно благодаря ей человек учится играть на музыкальных инструментах, осваивает иностранные языки и становится профессионалом в своей области.
Но нейропластичность не различает «хорошие» и «плохие» привычки. Она одинаково эффективно закрепляет любые регулярно повторяемые способы работы.
Если исследователь ежедневно передает модели часть когнитивной нагрузки, мозг начинает воспринимать это как новую норму. Возникает своеобразное «когнитивное разделение труда»: ИИ берет на себя все больше промежуточных рассуждений, а человек постепенно все реже тренирует соответствующие нейронные сети.
Парадоксально, но чем полезнее становится помощник, тем меньше стимул самостоятельно выполнять сложную интеллектуальную работу.
Мы уже проходили подобное. Например, навигаторы заметно снизили способность ориентироваться в городе без карты, поисковые системы уменьшили потребность запоминать факты. Теперь аналогичный процесс может начаться уже на уровне научного творчества.
Это не означает, что нужно отказаться от ИИ. Наоборот — без него современная наука уже вряд ли сможет развиваться с прежней скоростью. Возможно, меняется сама культура научной работы.
Несколько практических выводов выглядят особенно важными.
➡️ Не превращать ИИ в первый источник ответа. Полезнее сначала самостоятельно построить гипотезу, а затем использовать модель как критика и оппонента.
➡️ Решать часть задач полностью самостоятельно, чтобы поддерживать навык длинных рассуждений.
➡️ Просить модель не давать готовое решение сразу, а спорить, задавать.
➡️ Сохранять за человеком постановку проблемы и финальную интеллектуальную ответственность.
Возможно, главный вызов эпохи ИИ заключается вовсе не в том, сможет ли машина думать лучше человека. Гораздо важнее другой вопрос: сумеем ли мы использовать ИИ так, чтобы собственный мозг становился сильнее, а не постепенно передавал ему все больше своих функций?
💬 Тест Тьюринга. События в сфере ИИ. Подписаться