Модель OpenAI опровергла центральную гипотезу дискретной геометрии20.05.2026 00:00

Почти 80 лет математики изучали обманчиво простой вопрос: если разместить nn точек на плоскости, сколько пар точек могут находиться ровно на расстоянии 11 друг от друга?

Это планарная задача о единичных расстояниях, впервые поставленная Полом Эрдёшем в 1946 году. Это один из самых известных вопросов в комбинаторной геометрии — его легко сформулировать, но исключительно трудно решить. В книге 2005 года Research Problems in Discrete Geometry («Исследовательские проблемы дискретной геометрии»), написанной Брассом, Мозером и Пахом, она названа «возможно, самой известной (и простой для объяснения) задачей в комбинаторной геометрии». Нога Алон, ведущий специалист по комбинаторике из Принстона, описывает ее как «одну из любимых задач Эрдёша». Эрдёш даже предлагал денежный приз за ее решение.

Сегодня мы объявляем о прорыве в решении задачи о единичных расстояниях. С момента появления оригинальной работы Эрдёша преобладало мнение, что «квадратные решетчатые» конструкции, показанные ниже, в основном оптимальны для максимизации числа пар на единичном расстоянии. Внутренняя модель OpenAI опровергла эту давнюю гипотезу, предоставив бесконечное семейство примеров, которые дают полиномиальное улучшение. Доказательство было проверено группой независимых математиков. Они также написали сопроводительную статью, объясняющую рассуждения и предоставляющую дополнительный контекст о значимости этого результата.

Этот результат также примечателен тем, как он был получен. Доказательство исходит от новой универсальной модели рассуждений, а не от системы, специально обученной для математики, запрограммированной на поиск стратегий доказательства или нацеленной именно на задачу о единичных расстояниях. В рамках более широких усилий по проверке того, могут ли передовые модели внести свой вклад в передовые исследования, мы оценили ее на коллекции задач Эрдёша. В данном случае она выдала доказательство, разрешающее открытую проблему.

Это доказательство — важная веха для математического и ИИ-сообществ. Оно знаменует собой первый случай, когда известная открытая проблема, лежащая в центре определенной подобласти математики, была решена искусственным интеллектом автономно. Оно также демонстрирует глубину рассуждений, которые теперь поддерживают эти системы. Математика представляет собой особенно четкий полигон для проверки рассуждений: задачи точны, потенциальные доказательства могут быть проверены, а длинное рассуждение работает только тогда, когда логика выстроена от начала и до конца. Метод, с помощью которого была решена проблема, также примечателен. Доказательство привлекает неожиданные, изощренные идеи из алгебраической теории чисел для решения элементарной геометрической задачи.

Обладатель Филдсовской премии Тим Гауэрс в сопроводительной статье называет этот результат «вехой в математике ИИ». По словам ведущего теоретика чисел Арула Шанкара, «на мой взгляд, эта работа демонстрирует, что современные ИИ-модели выходят за рамки простых помощников математиков-людей — они способны генерировать оригинальные, гениальные идеи, а затем доводить их до конца».

Доказательство доступно здесь⁠. Сопроводительная статья ведущих независимых математиков доступна здесь⁠. Сокращенную версию цепочки рассуждений модели можно найти здесь⁠.

Пусть u (n)u (n) — максимально возможное количество пар с единичным расстоянием среди nn точек на плоскости. Примеры, достигающие линейной скорости роста, легко построить: размещение nn точек на прямой дает n−1n-1 пар, в то время как квадратная решетка дает около 2n2n пар. Лучшая из ранее известных конструкций, получаемая из масштабированной квадратной решетки, дает еще больше: n1+C/log⁡log⁡(n)n^{1 + C / \log \log (n)} для некоторой константы CC. Поскольку log⁡log⁡(n)\log \log (n) стремится к бесконечности с ростом nn, дополнительный член в показателе степени стремится к 00, а это означает, что такие конструкции обеспечивают рост лишь немного быстрее линейного. На протяжении десятилетий широко распространялось мнение, что этот показатель по сути является наилучшим возможным, и никакая конструкция не может существенно превзойти квадратную решетку. Говоря техническим языком, Эрдёш высказал гипотезу о верхней границе n1+o (1)n^{1+o (1)}, в которой дополнительный член o (1)o (1) указывает на величину, стремящуюся к 00 с ростом nn.

Наш новый результат опровергает эту гипотезу. Точнее говоря, для бесконечного числа значений nn в доказательстве строятся конфигурации из nn точек с как минимум n1+δn^{1+\delta} парами на единичном расстоянии для некоторого фиксированного показателя δ>0\delta > 0. (Само исходное доказательство ИИ не дает явного значения δ\delta, однако в готовящемся к выходу уточнении профессора математики из Принстона Уилла Совина было показано, что можно взять δ=0.014\delta=0.014.)

История этой задачи помогает понять, почему результат столь удивителен. Лучшая известная нижняя граница оставалась практически неизменной со времен оригинальной конструкции Эрдёша 1946 года. Лучшая верхняя граница, O (n4/3)O (n^{4/3}), восходит к работам Спенсера, Семереди и Троттера 1984 года, и, несмотря на более поздние уточнения и связанные структурные работы Секея, Каца и Силье, Паха, Раза, Солымоши и других, верхняя граница осталась практически неизменной. В качестве аргумента в пользу гипотезы Матоушек и Алон–Буцич–Зауэрманн изучили задачу с неевклидовыми расстояниями на плоскости и доказали, что «большинство» из этих неевклидовых расстояний в определенном смысле удовлетворяют гипотезе.

Удивительно, но ключевые ингредиенты конструкции происходят из совершенно другой области математики, известной как алгебраическая теория чисел, которая изучает такие понятия, как разложение на множители в расширениях целых чисел, известных как поля алгебраических чисел.

На высоком уровне доказательство начинается со знакомой геометрической идеи и развивает ее в неожиданном направлении.

Исходную нижнюю границу Эрдёша можно понять с помощью гауссовых целых чисел: чисел вида a+bia+bi, где aa и bb — целые числа, а ii — квадратный корень из −1–1. Гауссовы целые числа расширяют обычные целые числа и, подобно им, обладают такими свойствами, как уникальность разложения на простые множители. Такие расширения обычных целых или рациональных чисел известны как поля алгебраических чисел. В новом рассуждении гауссовы целые числа заменяются более сложными обобщениями из алгебраической теории чисел с более богатыми симметриями, которые способны порождать гораздо больше разностей единичной длины.

В точном рассуждении используются такие инструменты, как башни полей классов бесконечного типа и теория Голода — Шафаревича, чтобы показать, что поля алгебраических чисел, необходимые для доказательства, действительно существуют. Эти идеи были хорошо известны специалистам по алгебраической теории чисел, однако стало большим сюрпризом то, что эти концепции имеют последствия для геометрических вопросов на евклидовой плоскости.

Этот результат знаменует собой важный момент во взаимодействии ИИ и математики: система искусственного интеллекта автономно разрешила давнюю открытую проблему, находящуюся в центре активно развивающейся области. Он также предлагает предварительный взгляд на новый вид сотрудничества между ИИ и математиками-людьми. В данном случае сопроводительная работа сторонних математиков рисует гораздо более богатую картину, чем одно лишь оригинальное решение.

Как пишет Томас Блум в сопроводительной заметке:

»Оценивая важность и влияние доказательства, сгенерированного ИИ, я задаю себе вопрос: узнали ли мы что-то новое об этой проблеме? Понимаем ли мы дискретную геометрию лучше теперь? Я думаю, ответ будет сдержанно утвердительным: это показывает, что конструкции теории чисел могут сказать об этих типах вопросов гораздо больше, чем мы предполагали; к тому же требуемая теория чисел может быть очень глубокой. Несомненно, в ближайшие месяцы многие специалисты по алгебраической теории чисел внимательно изучат другие открытые проблемы в дискретной геометрии.»

Неожиданная связь между алгебраической теорией чисел и дискретной геометрией, выявленная решением, — это отчасти то, что делает результат примечательным. Он не просто закрывает конкретную гипотезу, а может предоставить математикам мост для начала изучения других связанных задач.

Блум также указывает на более широкую перспективу:

»Границы знаний очень изрезаны, и нет сомнений, что в ближайшие месяцы и годы мы увидим аналогичные успехи во многих других областях математики, где давние открытые проблемы будут решаться с помощью ИИ, который раскрывает неожиданные связи и доводит существующий технический аппарат до предела. ИИ помогает нам более полно исследовать собор математики, который мы возводили на протяжении веков; какие еще невидимые чудеса поджидают нас за кулисами? »

Этот результат служит многообещающим примером: ИИ вносит вклад не только в виде решения, но и в виде математического открытия, значимость которого становится яснее и богаче благодаря последующему осмыслению человеком.

Значение этого события выходит далеко за рамки конкретного результата. Улучшенные способности к математическим рассуждениям могут сделать ИИ более сильным партнером по исследованиям: способным удерживать в поле зрения сложные логические цепочки, связывать идеи из удаленных друг от друга областей знаний, находить перспективные пути, которым эксперты могли не придать первостепенного значения, и помогать исследователям продвигаться в решении задач, которые в противном случае были бы слишком сложными или трудоемкими.

Эти возможности важны не только в математике. Если модель способна сохранять последовательность сложного аргумента, связывать идеи из отдаленных областей знаний и создавать продукт, способный выдержать экспертную проверку, это также полезные навыки в биологии, физике, материаловедении, инженерии и медицине. Они являются частью нашего долгосрочного пути к более автоматизированным исследованиям — системам, которые могут помочь ученым и инженерам исследовать больше идей и решать более сложные технические задачи.

ИИ вот-вот займет очень серьезную роль в творческих аспектах исследований, и, что самое главное, в самих исследованиях в области ИИ. Хотя этот прогресс вполне ожидаем, он подчеркивает ту остроту, с которой мы осознаем необходимость понимания этого нового этапа развития ИИ, проблем выравнивания (alignment) высокоинтеллектуальных систем и будущего сотрудничества между человеком и ИИ.

Это будущее по-прежнему зависит от человеческого суждения. Экспертиза становится только ценнее, а не наоборот. ИИ может помогать искать, предлагать и проверять. Люди же выбирают важные проблемы, интерпретируют результаты и решают, какие вопросы исследовать дальше.

Автор