Главное в математике — не ответ, а то, что придумали по дороге к нему

Флаг на Марсе. Скарчотти начинает с мысленного эксперимента: утром в новостях флаг на Марсе, но ракету никто не строил, двигатели не изобретал, астронавтов в живых держать не учился. Флаг просто появился. Это достижение? Формально да. Приблизило ли оно человечество к полётам? Нет. Так, говорит он, мы сейчас ошибаемся с математикой. Публика считает, что математика — это решение задач. AI решает сотни задач, которые десятилетиями не поддавались лучшим математикам, OpenAI объявила о решении одной из задач тысячелетия, а математики недовольны. В комментариях объяснение простое: боятся за работу. Ролик он, по его словам, и записал после такого комментария на Reddit.

Эйлер и семь мостов. В Кёнигсберге река, два острова и семь мостов. Горожане гадали, можно ли пройти по всем мостам, не ступив ни на один дважды. Эйлер доказал: нельзя. Для практики результат бесполезный. Но чтобы его получить, он выбросил из задачи длину мостов, улицы, форму реки, оставил только, какие куски суши с какими соединены, и придумал, как это записать. Отсюда теория графов. Дальше он просит представить Эйлера с мощным AI: вопрос задан, ответ «нет» получен, задача закрыта. Теория графов? Неизвестно. Важным было не то, что Эйлер ответил, а то, что он придумал, пока искал ответ. Большая часть математических исследований вообще не про поиск ответов: математики годами копают вопросы без видимого применения, и иногда то, что они изобретают по пути, оказывается важнее исходной задачи, причём через столетия после их смерти.

Аполлон и телепортация. Цель программы была одна: человек на Луне. По дороге появились компьютеры, системы наведения, материалы, двигатели, производственные и медицинские технологии. Если бы Армстронга можно было телепортировать, Луна была бы достигнута, а развитие пропущено. Так же опасно превращать математические задачи в список галочек: решили, следующая.

Навье — Стокс. Уравнения Навье — Стокса описывают движение жидкости, по ним считают самолёты и погоду. Но сама задача тысячелетия про них, по словам автора, практически бесполезна: её выбрали за способность стимулировать глубокие исследования. Вопрос в ней абстрактный: могут ли решения уравнений за конечное время «взорваться», то есть попасть в точку, где описание ломается. OpenAI построила очень специальный пример: на покоящуюся жидкость действует тщательно подобранная внешняя сила, и взрыв происходит. Впечатляющая демонстрация возможностей AI, говорит он, но это не делает результат автоматически важным для математики. Стали ли мы лучше проектировать самолёты или предсказывать погоду? Нет. Может быть, внутри доказательства есть идеи, которые кто-то потом разовьёт. Но пока мы празднуем ответ, не проверив, что он принёс. Если AI найдёт лекарство от рака или сделает термояд выгодным, это достижение с немедленными последствиями. Чистая математика работает иначе: история полна бесполезных вопросов, которые изменили мир не ответом, а математикой, созданной по пути.

17-летний школьник. Он любит математику, думает о карьере учёного. Впереди университет, аспирантура, годы постдока, и если повезёт, свои открытия. А в телефоне каждую неделю: AI решил задачу, AI открыл сотни теорем, AI за часы сделал то, на что у людей ушли бы годы. Захочет ли он стать математиком? Автор не уверен. На возражение «люди будут заниматься математикой из любви» он отвечает: исследования — это не хобби на пару часов в воскресенье, это годы работы при неясной карьере, и главная мотивация в том, чтобы добавить что-то новое к человеческому знанию. Скарчотти сам руководит аспирантами: месяцы без видимого прогресса, сомнения в себе, и держит только надежда понять то, чего никто не понимал. А теперь представьте, что посреди этого AI решает твою задачу. Потом следующую. Сколько раз это должно случиться, чтобы человек решил, что проиграл гонку заранее?

Что будет через 20 лет. Математики не появляются из ниоткуда, нужна экосистема студентов, исследователей и профессоров, построенная поколениями. Если значительная часть талантливых студентов решит не входить в неё, сначала ничего не случится: профессора на месте, университеты публикуют, AI выдаёт больше результатов, чем когда-либо. А потом сообщество людей, способных самостоятельно понимать продвинутую математику, начнёт сжиматься. Итог: знаний больше, чем у любого поколения в истории, а понимающих всё меньше.

Зачем нужны математики, если AI считает лучше. Пример с самолётом: AI спроектировал, выдал сложный математический анализ безопасности, который никто не понимает. Просим другой AI проверить: всё верно. А если исходная модель была неправильной и в уравнениях нет важного физического эффекта? Расчёты безупречны, самолёт опасен. Нужны люди, которые понимают математику настолько, чтобы ставить под вопрос допущения, спорить с методами и придумывать новые способы думать. Такая экспертиза растёт годами, и если её перестать растить, мы станем зависимы от систем, которые не можем оспорить. Заканчивает он так: математика дала нам способность понимать и менять мир не потому, что кто-то выдал список правильных ответов, а потому что поколения исследователей придумывали новые идеи, опираясь на предшественников, и новые студенты продолжали в этом участвовать. Эти две вещи мы не можем себе позволить потерять.

Рядом: что именно заявила OpenAI. Пост OpenAI, 8 сентября 2026. Решала не публичная модель, а внутренняя система, которую OpenAI называет заметно более сильной, чем GPT-6 Astra. Агентов запустили 1 сентября после слухов о том, что задача вот-вот будет решена; группа по Навье — Стоксу из порядка 10 000 одновременно работающих агентов дошла до результата 5 сентября, через 88 часов, и ещё 17 часов ушло на формализацию и проверку доказательства в Lean. Построенный пример — гладкая внешняя сила, жидкость в покое, конечная энергия. Премию в миллион долларов OpenAI заявлять не собирается. Про проверку доказательства живыми математиками на странице ни слова.

Рядом: кто ещё шёл к этому результату. Smithsonian, 10 сентября 2026. Слухи, после которых OpenAI запустила агентов, касались работы Левента Алпёге (Anthropic) и Тристана Бакмастера (NYU), у которых был значительный неопубликованный прогресс. Бакмастер пользовался в работе в том числе Codex от OpenAI и спросил у компании, не видела ли её модель его сессий. Ясного ответа, по его словам, не получил; OpenAI говорит, что исследователи не видели его работу до публикации, но «не может исключить», что обезличенные данные пользователей улучшали модели. Тимоти Гауэрс назвал результат «символически большим моментом», оговорившись, что статью ещё не читал. Теренс Тао назвал знаменитые задачи «маяками», которые притягивают усилия людей. Это ровно то, что говорит Скарчотти: ценность задачи в людях, которых она притягивает, и в том, что они изобретают по пути.

Рядом: такое уже было — четыре краски. SecurityLab, 2026. Теорему о четырёх красках (любую карту можно раскрасить четырьмя цветами так, чтобы соседние страны не совпадали) Кеннет Аппель и Вольфганг Хакен доказали в 1976 году с помощью компьютера: машина перебрала 1482 конфигурации, проверить их руками практически невозможно. Это было первое крупное доказательство, которое человек не мог прочитать целиком. В 2026 году шестеро математиков дали теореме новое доказательство и заодно показали, что раскрасить планарный граф можно почти за линейное время, O(n log n), вместо квадратичного. То есть за 50 лет из «ответ есть, понимания нет» выросло и понимание, и новый результат.

Рядом: та же мысль со стороны ремесла. Джули Чжуо, «Eye, Hand, AI», 5 августа 2026, письмо 11-летней дочери. Глаз — умение отличить отличное от просто хорошего, рука — умение сделать. Рука никогда не делает стабильно лучше, чем видит глаз, а глаз растёт из возни с деталями. AI — очень хорошая рука, и в этом опасность: девочка, которой AI сразу выдал готовый наряд, не сошьёт ни одного кривого шва и потом не отличит выдающийся наряд от посредственного. Это пара к школьнику Скарчотти: у него не появится математик, у неё не появится глаз, механизм один.