dsgeНет, мне не кажется это волшебством. Судя по всему, это именно вы считаете решение ИИ сложных математических проблем волшебством - и поэтому отрицаете его. Что касается калькулятора, то кроме фейспалма на это сравнение ответить больше нечем - вы ровным счетом ничего не поняли. Как и многие другие мои оппоненты в подобных спорах, имеющие очень смутное представление об ИИ, вы воображаете LLM этаким брутфорсом. Увы и ах - нет, LLM работают по совершенно другому принципу. Благодаря чему, с достижением LLM определенного уровня, они и стали генерировать вышеупомянутые решения.
Вот что об этом говорит в недавнем
интервью непосредственно Теренс Тао. Он вовсе не разделяет восторга некоторых своих коллег и отзывается об ИИ весьма сдержанно - и в частности указывает на текущие проблемы ИИ:
Цитата:
На задачах Эрдёша мы видим замечательный прогресс. Всего около тысячи задач. В сентябре было решено около 380 – в основном из литературы или людьми, а затем всё чаще ИИ. Зелёная линия показывает число решённых задач. Был хаотичный период в начале 2026 года, когда поток решений (людских, ИИ, гибридных) привёл к тому, что решили около 50 задач. Затем наступило плато: все лёгкие задачи, которые не были рассмотрены ранее, теперь просмотрены и ИИ, и людьми. А в последний месяц прогресс снова ускорился – выпуск GPT-5.5 сыграл большую роль. Появляется новая волна решённых задач. Но остаётся ещё 600–700 нерешённых задач разной сложности: от тех, что решаются на одной странице, до тех, где требуется статья на уровне Annals of Mathematics. Это сырые числа, не взвешенные по сложности.
ИИ стал полезен для решения этих задач разными способами: поиск литературы, верификация и формализация существующих доказательств, рефакторинг (сжатие сложного доказательства или оптимизация констант), генерация вариантов существующих работ, численные эксперименты, а теперь всё чаще – полуавтономная или полностью автономная генерация частичных или полных решений. Но мы сталкиваемся с проблемой несоответствия (impedance mismatch). В решении математической задачи три этапа: генерация доказательства (получение полного верного доказательства), верификация доказательства (проверка отсутствия ошибок) и, как я говорил, переваривание доказательства (понимание основных идей, связь с литературой, повествование, как бы вы сами пришли к доказательству, какие будущие вопросы можно ответить). Ещё год назад все три этапа были трудными, и люди делали практически всё. Поскольку они были примерно одинаково сложными, можно было сосредоточиться на генерации: если вы потратили несколько месяцев на генерацию доказательства, вы, вероятно, проделали достаточно работы и для верификации, и для переваривания, чтобы объяснить другим. Нам не нужно было разделять эти цели. Но сейчас, с развитием ИИ и формальной верификации, первые два компонента становятся автоматизированными и гораздо более быстрыми. А третий компонент не сдвинулся с места. Впервые мы испытываем «несварение доказательств» (proof indigestion). Мы получаем множество доказательств, верифицируем их, но решение не закончено, потому что никто не понимает доказательство достаточно хорошо, чтобы прочитать доклад и объяснить другим. Мы не учимся на этих доказательствах. Это только две трети доказательства. Правильный показатель – не сгенерировано ли доказательство и не верифицировано ли оно, а может ли кто-то прочитать о нём лекцию и ответить на вопросы. Современные ИИ-решения выполняют только две трети этой задачи.
Редактура и автоперевод выполнены DeepSeek, надеюсь обошлось без галлюцинаций.
