Може ли изкуственият интелект да стане математик?
Може ли изкуственият интелект
да стане математик?
Машините отдавна умеят да смятат. Днес вече започват и да доказват. От сребърен медал на олимпиадата до решени задачи на Ердьош и доказателства на нови изследователски леми — AI навлезе в сърцевината на математиката. Но означава ли това, че е станал математик?
Дълго време математиката изглеждаше като една от последните крепости на чисто човешкия интелект. Компютрите можеха да пресмятат бързо, да проверяват огромен брой случаи и да намират числени приближения, но истинската математическа работа — формулиране на идеи, откриване на структури, изграждане на доказателства и създаване на нов език за нови явления — сякаш оставаше извън техния обсег.
Днес този въпрос вече не звучи като научна фантастика. За по-малко от две години изкуственият интелект извървя пътя от „справя се с учебникарски задачи“ до системи, които решават олимпиадни задачи и предлагат доказателства за нови изследователски леми. Темпото на промяна е толкова бързо, че дори самите математици признават, че трудно могат да предвидят бъдещето на собствената си наука.
Хронология на един бърз възход
За да разберем колко бързо се случи всичко, достатъчно е да погледнем хронологията:
- AlphaProof и AlphaGeometry 2 на Google DeepMind решават 4 от 6 задачи на Международната олимпиада по математика (IMO 2024) и достигат ниво на сребърен медал — 28 точки от 42. Това е исторически резултат — за пръв път AI достига такова ниво.
- Усъвършенстван Gemini Deep Think решава 5 от 6 задачи на IMO 2025 в рамките на регламентираното 4.5-часово ограничение. Резултатът — 35 точки — е на ниво златен медал.
- Статията за AlphaProof е публикувана в Nature. Описана е архитектурата: комбинация от предобучен езиков модел и алгоритъм за обучение с подсилване (AlphaZero), работеща в средата на Lean — формален доказателствен асистент.
- Google DeepMind демонстрира Aletheia — агент за автономно математическо изследване. В продължение на една седмица той атакува 700 отворени задачи от Ердьош и решава самостоятелно поне четири. Пълният препринт е публикуван на 10 февруари 2026 г.
- GPT-5.2 предлага решение на задача на Ердьош #397, което носителят на медала Фийлдс Теренс Тао обсъжда и верифицира. Оттогава се появиха няколко случая, в които AI системи получиха признание за участие в решения на задачи на Ердьош.
- Стартира First Proof — инициатива на 11 водещи математици (включително носителя на медала Фийлдс Манджул Бхаргава) с 10 непубликувани изследователски леми. Резултатите: OpenAI съобщава за 5 силни решения, а за Aletheia се обсъждат 6 според мнозинството от експертните оценки.
- Scientific American публикува анализ с думите на математика Даниел Лит от Университета на Торонто: „Способностите се подобряват наистина бързо. Не очаквам след пет години да съм безполезен. Всъщност очаквам да върша най-добрата работа в живота си, защото ще имам тези невероятни инструменти.“
Да смяташ не е същото като да мислиш математически
На пръв поглед може да изглежда, че компютрите отдавна „правят математика“. Те решават системи, смятат интеграли, оптимизират функции и проверяват сложни формули. Но в действителност това е само малка част от картината. Истинската математика започва там, където се появяват понятията, хипотезите и доказателствата.
Едно нещо е да получиш числен резултат, друго е да разбереш защо той е верен, в какъв по-общ контекст попада и как се свързва с други идеи. Математикът не просто намира отговор. Той търси структура, причина, закономерност, общ принцип.
Ключовото откритие: формалните системи
Пробивът настъпи, когато AI системите бяха поставени в средата на формалните доказателствени асистенти — преди всичко Lean. Това е решаваща крачка, защото в тази среда всяка стъпка трябва да бъде строго верифицирана. Няма място за скрити прескачания, неясни аргументи или стилистична убедителност.
Точно така работи AlphaProof. Системата съчетава предобучен езиков модел с алгоритъма AlphaZero — същия, с който DeepMind преди години се научи да играе шах, шоги и Го. Разликата е, че тук вместо игрални ходове системата търси стъпки в доказателството, а вместо победа — завършено формално доказателство.
„Фактът, че програмата може да се сети за подобна неочевидна конструкция, е наистина впечатляващ и далеч надхвърля това, което мислех за реалното ниво на AI.“ — Проф. сър Тимъти Гауърс, носител на медала Фийлдс и сребърен медалист на IMO, след оценяването на резултатите на AlphaProof
Важна иновация в AlphaProof е техниката, наречена Test-Time RL (TTRL): когато системата се сблъска с трудна задача, тя генерира милиони опростени варианти на проблема, решава ги, а натрупаният опит я насочва към решението на оригиналната задача. Именно тази техника позволи на AlphaProof да реши задача P6 от IMO 2024 — задачата, решена с пълен брой точки само от петима от 609 участници.
IMO: тестът с граници
Представянето на AI системи на Международната олимпиада по математика привлече огромно медийно внимание. И справедливо — постижението е реално и значително. Но тук трябва да направим важно разграничение.
Олимпиадната математика и изследователската математика не са едно и също нещо. Олимпиадната задача представлява внимателно конструиран затворен проблем. Той има ясен текст, ясен край и обикновено предполага, че съществува елегантно решение, което може да бъде намерено в ограничено време. Задачите са проектирани така, че да са нови — не може да се решат с простото намиране на аналогия в литературата.
При все това олимпиадната математика е различна от изследователската. Дори при IMO 2024 AlphaProof имаше нужда от 2–3 дни изчислително време вместо 4.5 часа. И нещо важно: системата не подбра сама кои задачи да атакува — задачите бяха формализирани от хора в Lean, преди да бъдат подадени на системата.
First Proof: по-честният тест
Именно затова проектът First Proof е толкова важен. Той е замислен като по-реалистичен тест за способностите на AI в математиката.
Инициативата стартира на 5 февруари 2026 г. с публикацията на препринт от екип от 11 водещи математици, включително Манджул Бхаргава (Fields Medal), Даниел Спийлман и Лорън Уилямс (MacArthur Fellows). Вместо да използват стари състезателни задачи или вече познати теореми, те предложиха 10 нови въпроса, възникнали естествено в тяхната реална изследователска работа.
Резултатите бяха едновременно впечатляващи и отрезвяващи. OpenAI съобщава за 5 силни решения, а при Aletheia мнозинството от експертните оценки приемат 6 решения (с дискусия за валидността на едно от тях). По значителна част от задачите бяха предложени сериозни AI решения, но окончателната оценка на всички опити не е напълно еднозначна.
„Представянето беше по-добро, отколкото очаквах. Ясно е, че способностите се подобряват наистина бързо.“ — Даниел Лит, математик от Университета на Торонто, цитиран в Scientific American, март 2026
Задачите на Ердьош: хиляди отворени проблеми
Паул Ердьош е може би най-плодовитият математик на XX век. Той е оставил над 1179 открити конюнктури и задачи, поддържани онлайн в базата данни erdosproblems.com. Те варират от относително достъпни до дълбоки отворени проблеми в теорията на числата и комбинаториката.
В края на 2025 г. Aletheia атакува систематично 700 от тях в продължение на седмица. Системата реши самостоятелно поне четири. Малко по-късно GPT-5.2 беше свързан с решение на задача #397, верифицирано от Теренс Тао, а след това се появиха и други обсъждани AI-асистирани решения в базата данни на Ердьош.
Теренс Тао отбеляза нещо важно: тези задачи са сред най-лесно достъпните проблеми в колекцията. Те могат да се решат със стандартни техники и не представляват дълбоки пробиви. Но символичното значение е голямо: Тао дори създаде общностна уики за проследяване на AI-асистираните решения на задачите на Ердьош.
Aletheia и автономното изследване
В края на 2025 г. Google DeepMind представи Aletheia, а на 10 февруари 2026 г. публикува подробен препринт за системата. Той маркира нов праг.
Системата демонстрира три нива на AI-асистирана математическа работа:
Ниво А — напълно автономно. Статия, генерирана от AI без никаква човешка намеса, изчисляваща определени структурни константи в аритметичната геометрия (наречени „тегла на собствени вектори“). Резултатите са подадени за публикуване.
Ниво Б — AI-насочвана колаборация. Изследователска статия, в която AI и математик доказват заедно граници на системи от взаимодействащи частици.
Ниво В — систематично полуавтономно изследване. Обстойна атака на 700 задачи на Ердьош, с фокус върху напредъка, неуспехите и поуките от целия процес.
Всичко това е само за последните месеци. Скоростта на развитие кара дори скептиците да преосмислят прогнозите си.
Разбиране или имитация?
Тук неизбежно възниква философският въпрос: когато AI дава добър математически резултат, какво всъщност е направил? Разбрал ли е идеята? Или е намерил статистически успешен път през огромно пространство от символи?
Математиката има поне три различни нива:
- да получиш верен резултат;
- да можеш да обясниш защо той е верен;
- да създадеш нова концепция, която отваря цяла нова теория.
Днешният AI понякога достига първото ниво, а формалните системи го правят верифицируемо. Той частично започва да навлиза и във второто. Но третото — създаването на нови математически светове — остава голямата загадка.
„Мисля, че това ще промени областта. И това е наистина вълнуващо нещо.“ — Мехтааб Суни, математик от Колумбийския университет, цитиран в Scientific American, 2026. Суни е взел академичен отпуск, за да работи в OpenAI.
Математиците гледат напред без страх
Ако очакваме паника сред математиците, ще бъдем изненадани. Повечето от тях гледат на развитието с внимателен оптимизъм.
Даниел Лит от Университета на Торонто формулира особено красив мисловен експеримент: представете си, че напреднал AI е генерирал хипотетична библиотека с всички възможни доказателства в математическата вселена. Обикновен математик би могъл да разглежда всички томове, но сам не би могъл да създаде ново доказателство. Дали това би означавало, че работата му е свършена?
„Математиците биха били невероятно развълнувани и веднага биха се захванали за работа“, пише Лит. „Математическата вселена е толкова огромна, че радостта е в изследването — независимо дали четеш готово доказателство или пишеш ново. Работата ми изобщо нямаше да се промени.“
Андрю Съдърланд от MIT, участвал в инициативи за AI in Mathematics финансирани от NSF, казва нещо подобно: „Мисля, че най-голямото влияние на AI върху математиката тази година няма да е в решаването на велики открити проблеми, а в проникването му в ежедневния живот на работещите математици — което до голяма степен все още не се е случило.“
Каква е ценността на AI в математиката днес?
Може би най-важният извод е, че AI вече носи реална стойност не като самостоятелен математик, а като силен помощник. Математическата работа включва огромно количество технически труд: проверка на литература, търсене на сходни резултати, изчислителни експерименти, генериране на примери и контрапримери, проверка на формулировки, редактиране на отделни стъпки в доказателството, формализация на аргументи. Точно тук AI вече е наистина полезен.
- Проверка на съществуващи доказателства в Lean за грешки
- Генериране на контрапримери за проверка на хипотези
- Навигация и синтез на обширна математическа литература
- Формализиране на аргументи, формулирани на естествен език
- Системно изследване на семейства от проблеми
Mathlib — общностната библиотека за Lean 4 — расте бързо, а AI инструментите правят навлизането в тази среда все по-лесно.
Какво предстои?
Няколко математици прогнозират, че 2026 ще е годината, в която AI-асистирани резултати за пръв път ще преминат рецензия във водещи математически списания. Ако се случи, това ще е наистина исторически момент — не защото машините са завоювали математиката, а защото ще означава, че научната общност е приела AI като легитимен сътрудник в изследователския процес.
Системи като Aletheia вече са способни да генерират оригинални изследователски статии без човешка намеса — поне на определено ниво. Технически такива резултати вече са представени публично. Но истинският въпрос е дали математическата общност ще ги признае за значими. „Всеки отделен резултат е бил огромно надценен от определени кръгове в интернет“, признава Лит, „но прогресът е реален.“
MIT и NSF финансират 29 проекта за AI in Mathematics с цел свързване на огромни бази данни от математически факти с формалните системи за доказване. Смисълът е ясен: дай на агента не само способността да доказва, но и знанието какво вече е доказано. Резултатът може да бъде мощен синергетичен ефект.
Заключение
Изкуственият интелект още не е самостоятелен велик математик. Но вече е преминал границата, отвъд която не можем да го смятаме просто за бърз калкулатор или за система, която красиво подрежда думи. Той започна да навлиза в сърцевината на математическата дейност: доказателства, леми, формални системи, изследователски въпроси, верификация на идеи.
Пътят от убедително представяне на олимпиадни задачи до сериозни опити върху непубликувани изследователски леми беше извървян само за около 18 месеца. Ако темпото се запази, следващите 18 месеца ще бъдат още по-впечатляващи.
Но дали AI „разбира“ математиката? Вероятно въпросът е зададен погрешно. Може би по-правилният въпрос е следният: когато AI доказва теорема в Lean и всяка стъпка от логическата верига е автоматично верифицирана, има ли изобщо смисъл да използваме същото понятие за разбиране? Математиката е наука за истината, не за преживяването на истината. И формалното доказателство, независимо кой го е написал, остава формално доказателство.
Може би именно тогава ще разберем не само на какво са способни машините, но и какво в математическото мислене е най-дълбоко човешко.
Източници
- Google DeepMind. AI achieves silver-medal standard solving International Mathematical Olympiad problems. Blog, юли 2024. deepmind.google
- Hubert, T. et al. Olympiad-level formal mathematical reasoning with reinforcement learning. Nature, ноември 2025. nature.com
- Google DeepMind. Advanced version of Gemini with Deep Think achieves gold-medal standard at IMO. Blog, юли 2025. deepmind.google
- Google DeepMind. Towards Autonomous Mathematics Research (Aletheia). arXiv, февруари 2026. arxiv.org
- Blumberg et al. First Proof. Препринт, февруари 2026. 1stproof.org
- Conover, E. Mathematicians launch First Proof. Scientific American, февруари 2026. scientificamerican.com
- Conover, E. As AI keeps improving, mathematicians struggle to foretell their own future. Scientific American, март 2026. scientificamerican.com
- Tao, T. The story of Erdős problem #1026. What’s new blog, декември 2025. terrytao.wordpress.com (Заглавие: #1026; URL slug: #126 — вероятно URL е сгрешен в WordPress)
- Brandom, R. AI models are starting to crack high-level math problems. TechCrunch, януари 2026. techcrunch.com
Още от поредицата „Любопитно от математиката“
Запишете урок
Индивидуални и групови онлайн уроци по математика за цялата страна
- ›НВО по математика след 7 клас
- ›НВО по математика след 10 клас
- ›Кандидатстудентски изпити по математика
- ›Прием в университети в чужбина (ISEE, SAT, A-Level)
- ›Усвояване на текущия учебен материал (всички класове)
- ›Студенти: Мат. анализ, Линейна алгебра, Аналитична геометрия, Диф. уравнения, Теория на вероятностите, Статистика и др.
Харесва ли ви съдържанието?
Ако тази статия ви е харесала, можете да подкрепите създаването на нови безплатни материали.
Коментари
Публикуване на коментар