Современные языковые модели всё чаще применяются для решения математических задач, однако их способность к строгому доказательству теорем остается предметом дискуссий. Несмотря на успехи в генерации кода и поиске закономерностей, текущие архитектуры сталкиваются с фундаментальными проблемами верификации логических цепочек, что требует переосмысления подходов к интеграции ИИ в академическую математику и научные исследования.
Основная сложность заключается в том, что нейросети работают на основе вероятностных предсказаний, в то время как математика требует абсолютной точности. В отличие от написания программного кода, где результат можно проверить компилятором, математическое доказательство требует формальной верификации каждого шага. Исследователи отмечают, что текущие модели часто «галлюцинируют» в сложных логических выводах, создавая правдоподобные, но ошибочные конструкции.
Тем не менее, ИИ уже находит применение в качестве инструмента для поиска контрпримеров и выдвижения гипотез, которые затем проверяются экспертами-людьми. Развитие специализированных систем, способных работать в связке с интерактивными пруверами (инструментами для формальной проверки доказательств), может стать следующим этапом автоматизации математического поиска, превращая ИИ из генератора текста в полноценного ассистента исследователя.
Ключевые факты
- ИИ-модели демонстрируют высокую эффективность в решении стандартных олимпиадных задач, но часто терпят неудачу при работе с задачами исследовательского уровня.
- Основным барьером для внедрения ИИ в математику является отсутствие встроенных механизмов строгой логической проверки внутри архитектур LLM.
- Интеграция ИИ с системами формальной верификации (например, Lean) рассматривается как наиболее перспективное направление для минимизации ошибок.
- Использование нейросетей для поиска новых математических гипотез уже привело к ряду публикаций в рецензируемых научных журналах, где ИИ выступил в роли соавтора.