Недавнее заявление компании OpenAI о достижении значительного прогресса в решении уравнений Навье-Стокса, одной из семи «проблем тысячелетия», столкнулось с серьезными препятствиями. Ученые, проводившие независимую верификацию работы с помощью системы формальной проверки Lean, обнаружили существенные расхождения между текстовым описанием доказательства и его машинной реализацией, что ставит под вопрос корректность полученных результатов.
1. Суть проблемы Навье-Стокса и роль искусственного интеллекта
Уравнения Навье-Стокса описывают движение жидкостей и газов и лежат в основе современной гидродинамики, метеорологии и авиастроения. Несмотря на их широкое практическое применение, математическая строгость решений для трехмерного случая до сих пор остается предметом дискуссий. Задача заключается в доказательстве того, что для любых начальных условий существуют гладкие решения, не имеющие разрывов или сингулярностей. Это фундаментальный вопрос, за решение которого Математический институт Клэя назначил премию в один миллион долларов.
Компания OpenAI попыталась использовать свои нейросетевые архитектуры для поиска логических шагов в сложных математических выводах. Использование ИИ в доказательных задачах — это перспективное направление, которое обещает ускорить научный прогресс. Однако автоматизация математики требует абсолютной точности: даже малейшая ошибка в логической цепочке может сделать все доказательство недействительным. В данном случае система Lean, предназначенная для формальной верификации, должна была стать гарантом того, что каждый шаг рассуждений является неоспоримым.
2. Почему возникли сомнения в корректности доказательства
Основная проблема заключается в несоответствии между тем, что было представлено в теоретической статье, и тем, что удалось формализовать в коде Lean. Исследователи, занявшиеся проверкой, отметили, что в ключевых точках аргументации машинная версия доказательства использует значительно более слабые предположения, чем заявлено в основном тексте. Это означает, что для прохождения проверки в системе Lean алгоритму пришлось упростить задачу, фактически отказавшись от доказательства исходного, более сильного утверждения.
Такое расхождение в математической науке считается критическим. Если исходное утверждение требует строгого обоснования определенных свойств функций, а реализованный алгоритм работает лишь с ограниченным подмножеством этих свойств, то результат нельзя считать полным решением проблемы. Ученые подчеркивают, что в математике «почти верное» доказательство не является доказательством вовсе. Малейший пропуск в логике, который не замечает нейросеть, может привести к тому, что вся конструкция рухнет при попытке применить ее к реальным физическим процессам.
3. Роль формальной верификации в современной науке
Система Lean представляет собой интерактивный помощник для доказательства теорем, который заставляет автора формализовать каждый шаг рассуждений с помощью логического языка. Это исключает двусмысленность естественного языка, на котором написаны обычные статьи. В 2026 году использование таких инструментов становится стандартом для проверки сложных математических работ, претендующих на статус прорывных. Процесс формализации требует огромных интеллектуальных усилий и времени, что делает его своеобразным «фильтром» для сомнительных публикаций.
Текущий инцидент с OpenAI показывает, что нейросети, обладая колоссальной способностью к генерации текста и поиску закономерностей, все еще испытывают трудности с глубоким пониманием математической логики. Модели могут имитировать стиль академического письма и строить правдоподобные цепочки выводов, но они часто упускают граничные условия и тонкие логические переходы. Это создает риск «галлюцинаций», когда ИИ выдает желаемый результат за доказанный факт, не имея под собой реального логического фундамента.
4. Чего избегать при оценке научных новостей
Читателям и пользователям технологий важно избегать излишнего оптимизма при столкновении с заголовками о «решении великих проблем» с помощью нейросетей. Первое заблуждение — считать, что если ИИ написал математическую статью, она автоматически верна. Математика требует верификации человеком, а лучше — независимой верификации несколькими экспертными группами. Не стоит доверять результатам, которые еще не прошли рецензирование в профильных научных журналах и не были подтверждены сообществом через системы формальной проверки.
Второе заблуждение — восприятие ИИ как субъекта, обладающего интуицией. Нейросеть не «понимает» суть уравнений Навье-Стокса, она лишь оперирует вероятностными связями между токенами. Поэтому при оценке подобных прорывов необходимо смотреть не на громкие заявления компании-разработчика, а на отчеты независимых экспертов, которые пытались воспроизвести результат. Если в отчетах упоминаются расхождения или необходимость «упрощения» условий задачи, это прямой сигнал к тому, что до настоящего триумфа еще далеко.
Итог
Ситуация с доказательством OpenAI служит важным напоминанием о том, что автоматизация научного поиска имеет свои пределы. Несмотря на мощь современных вычислительных ресурсов, математическая строгость остается областью, где человеческий контроль и формальная верификация незаменимы. Для научного сообщества этот эпизод — не повод для отказа от использования ИИ, а стимул к совершенствованию методов проверки машинных результатов. В будущем мы, вероятно, увидим более тесную интеграцию между генеративными моделями и системами формальной логики, но на текущий момент любое «решение» сложнейших проблем тысячелетия требует крайне критического отношения и тщательного аудита каждого шага.
