В сентябре 2026 года математики столкнулись с проблемой, которую не планировали решать. OpenAI опубликовала машинное доказательство одного из вариантов задачи об уравнениях Навье-Стокса — одной из самых сложных открытых проблем современной науки. Две недели спустя компания объявила о ещё сотне решённых задач.

Скорость удивила даже разработчиков. Около 10 тысяч взаимодействующих ИИ-агентов работали над задачей Навье-Стокса примерно 88 часов. За это время агенты обменялись 2,7 млн сообщений и сгенерировали около 130 млрд выходных токенов. Формальная проверка доказательства заняла ещё 17 часов.

Доказательство показало, что при специально подобранных условиях трёхмерная жидкость способна достичь сингулярности за конечное время — скорость неограниченно растёт, хотя энергия системы остаётся конечной. Формально результат закрывает два варианта из официальной постановки задачи тысячелетия.

Но именно слово «формально» здесь ключевое. Самый известный вариант задачи, где жидкость развивается без специально подобранной внешней силы, остался открытым. Институт Клея признал решение в рамках официальной формулировки, но не объявил его окончательно принятым и начал проверку по установленным правилам. OpenAI заявила, что не претендует на премию в $1 млн.

То, что последовало дальше, встревожило математиков сильнее. На протяжении лета модели разных компаний находили доказательства и контрпримеры для задач, остававшихся открытыми десятилетиями. Иногда машина действительно открывала новое, иногда переоткрывала давно известные результаты, которые люди не смогли найти в литературе.

Эта проблема не решается одной формальной проверкой. Логически корректное доказательство — ещё не гарантия, что результат новый, что метод оригинален, или что предложенное решение связано с прежними исследованиями правильно.

После сентября математики начали открыто обсуждать последствия. На выступлении в Беркли около 150 студентов, аспирантов и преподавателей провели в обсуждении более двух часов — встреча была запланирована на 50 минут. Молодых исследователей волновало не столько качество конкретной модели, сколько собственное будущее в профессии.

Реакция была эмоциональной, потому что чистая математика никогда не сводилась к финальному ответу. Ценность сложной задачи заключалась в пути к решению. Математики создавали инструменты, связывали отдалённые области, формулировали новые определения и постепенно строили понимание предмета.

ИИ способен разрушить эту последовательность. Машина иногда практически сразу приносит вершину, не оставляя маршрута наверх. Формальная система подтверждает логическую корректность, но само доказательство может быть тяжёлым для чтения, плохо объяснять, откуда взялась ключевая идея, и почти не показывать связь с остальной математикой.

Разница между «доказано» и «понято» становится центральной проблемой для научного сообщества. Раньше доказательство одновременно служило результатом и демонстрацией понимания. Теперь функции расходятся. Машина получает формально правильный ответ, а человеку нужно выполнить отдельную работу, чтобы превратить результат в математическое знание.

Одновременно ломается система академических стимулов. Карьера математика традиционно строилась вокруг собственных теорем. Аспирант учился решать всё более сложные задачи, публиковал результаты, получал работу и гранты. Если техническое доказательство станет дешёвой операцией вычислительного кластера, количество доказанных теорем перестанет показывать уровень исследователя.

Проблему усиливает то, что передовые системы закрыты. OpenAI и Anthropic нанимают профессиональных математиков, используют открытые задачи для проверки моделей и располагают вычислительными ресурсами, которых нет у университетских групп. 25 ведущих математиков, включая лауреатов Филдсовской премии, предупредили в сентябре, что корпоративная гонка за известными задачами повредит открытой науке, правилам авторства и проверке результатов.

Опасения уже влияют на поведение исследователей. Некоторые математики перестали публиковать незаконченные идеи и списки открытых вопросов в конце статей. Раньше это приглашало коллег продолжить работу. Теперь автор рискует фактически подготовить набор задач для ИИ-агентов. Другие, напротив, спешат выкладывать препринты, чтобы зафиксировать собственный приоритет.

Одновременно растёт поток работ, где авторы применили ИИ. Исследование 32 944 математических препринтов показало: в марте 2026 года содержательное применение ИИ встречалось в 1,39% работ, а к августу доля выросла до 14,09%. В 1712 случаях модели внесли значимый вклад в математику.

Журналам это создаёт новую проблему. Хорошо оформленный текст больше не гарантирует, что указанный автор способен объяснить собственное доказательство. Главный редактор одного журнала провёл эксперимент с десятью слабыми рукописями и предложил авторам обсудить содержание. Авторы трёх работ не ответили на базовые вопросы, три группы понимали общую идею, но терялись в деталях. Только один исследователь уверенно ответил на все вопросы — хотя редактор обнаружил серьёзный дефект в работе.

Рецензентам теперь нужно проверять не только математику, но и степень участия человека, происхождение доказательства и способность автора отвечать за результат.

Меняется даже неформальное общение. Форумы вроде MathOverflow десятилетиями сохраняли публичные обсуждения, где опытные исследователи отвечали студентам и развивали чужие идеи. Студент теперь может задать вопрос модели и получить ответ за секунды. Для конкретного студента удобнее, но для сообщества разговор исчезает вместе со всеми случайными идеями, которые раньше оставались доступными другим.

Часть математиков ответила организованным сопротивлением. Association for Human Mathematics выступает за сохранение математики как человеческой интеллектуальной деятельности. Участники обязуются не предоставлять коммерческим ИИ-компаниям экспертизу и не публиковать тексты, сгенерированные моделями. На начало октября в ассоциации состояли 752 человека.

OpenAI пошла в противоположную сторону и сформировала консультативную группу из известных математиков. Компания обещает обсуждать последствия быстрого прогресса и правила публикации. Сам факт появления такого совета показывает масштаб перемен. Разработчику ИИ теперь приходится решать не только техническую задачу, но и вопрос о том, что делать, если модель производит научные результаты быстрее, чем профессиональное сообщество способно их осмыслить.

Самый опасный сценарий связан не с заменой математиков алгоритмами. Гораздо хуже потеря следующего поколения специалистов, способных понимать доказательства на глубоком уровне. Если студенты слишком рано передадут трудную часть обучения машинам, через 20 или 30 лет может быть меньше людей, умеющих самостоятельно проверять сложные аргументы и видеть связи между теориями.

Тогда человечество рискует получить огромную библиотеку формально правильных результатов и всё меньше людей, понимающих, зачем результаты нужны. Математическое знание продолжит расти, но культура, которая превращает набор теорем в связанную картину мира, начнёт разрушаться.

Альтернативный сценарий выглядит иначе. ИИ заберёт рутинный перебор, длинные вычисления и часть технических доказательств, а работа человека сместится к постановке вопросов, интерпретации, поиску обобщений и созданию новых теорий. Математический вкус, способность увидеть перспективное направление и объяснить смысл могут стать ценнее скорости доказательства.

Университетам придётся иначе учить студентов, журналам менять правила рецензирования, научным организациям искать новые критерии оценки исследователей. Количество опубликованных теорем может уступить место качествам вроде глубины понимания, оригинальности вопросов и способности связывать результаты в новую теорию.

Остаётся вопрос, заинтересует ли такая профессия людей, которые идут в математику ради самого процесса открытия. Многие готовы получать меньше, чем в индустрии, потому что хотят самостоятельно найти неизвестный результат. Мир, где машина первой приносит доказательство, а человеку остаётся объяснять и систематизировать, предлагает совсем другую мотивацию.

Исчезновение человеческой математики остаётся крайним сценарием, не прогнозом. Но события 2026 года разрушили уверенность, что передовые доказательства надолго останутся территорией людей. Спор о том, способен ли ИИ делать математику, закончился. Теперь перед исследователями стоит вопрос посложнее: зачем миру человеческий математик, если доказательство вскоре может оказаться самой дешёвой частью математики.