Hacker News Digest

AI достигла уровня решения сложных математических задач, что вызывает у математиков тревогу за свою роль и смысл работы. Прорыв ИИ в продвинутой математике воспринимается как фундаментальное изменение, заставляющее переосмыслить профессиональную идентичность. Большинство считают, что, как в прошлых технологических революциях, ИИ откроет больше возможностей, чем закроет, хотя переходный период будет болезненным. Использование математики как бенчмарка ускорило прогресс ИИ; без усилий OpenAI аналогичные тесты появились бы от других игроков. Экономическая тревога растёт: люди опасаются потери работы и финансовой нестабильности из-за автоматизации. Есть спор: одни видят в ИИ угрозу креативности и смыслу математической работы, другие — инструмент для ускорения решений и фокуса на практике. Эксперты подчеркивают необходимость человеческой верификации доказательств, генерируемых ИИ. Есть разочарование из-за ограниченного доступа к самым мощным моделям: даже при платных подписках пользователи не могут воспроизвести заявленные результаты.

Математикам сейчас стоит заниматься своей наукой: никогда ещё для этого не было лучшего времени. Главная мысль в том, что автоматические системы доказательства теорем уже всерьёз меняют то, как устроена математика, и это не повод для тревоги, а наоборот — источник возможностей.

Автор разбирает, чем работа математика отличается от простого перебора шагов: ценность в постановке задач, интуиции и понимании, а не в механическом выводе. Он показывает, как выглядит «машина доказательств», и разбирает, что она умеет и где пока беспомощна. Отдельно он отталкивается от поста с сотней реакций математиков на сотню решённых задач — своего рода срез настроений сообщества, где одни видят угрозу, а другие — инструмент. Общий вывод оптимистичный: рутинные и технические участки работы можно переложить на машины, а людям останется более творческая часть.

AI увеличит спрос на математиков, которым потребуется интерпретировать автоматические доказательства и формулировать новые задачи, поскольку человеческое понимание и постановка проблем остаются необходимыми. Это делает картину неоднозначной: с одной стороны, AI лишает математику смысла, демотивирует и дегуманизирует профессию (nritchie, zkmon, zarzavat); с другой — позволяет сосредоточиться на постановке задач, новых областях и работе небольших команд (PixelForg, Valakas_, koik). AI упрощает сложность: простые задачи становятся тривиальными, средние — лёгкими, ранее невозможные — достижимыми, что открывает возможности для малых команд, но усложняет вход новичкам. Практикующие математики (rubikscube09) отмечают, что работа с LLM выглядит бездушной и не соответствует ожиданиям личных открытий, вызывая ощущение потери творческого вклада. Опыт студентов подтверждает, что автоматизация меняет мотивацию и чувство собственного вклада, требуя переосмысления целей. Чтобы оставаться востребованным, необходимо развивать навыки формулирования проблем, сотрудничества с LLM и интерпретации машинных доказательств. AI делает математику более похожей на естественную науку, расширяя прикладные возможности и требуя новых методов верификации и экспериментов. Некоторые оптимисты (margorczynski, nathanfig) считают этот переход естественной эволюцией, аналогичной принятию генеративных инструментов в программировании, тогда как другие называют их взгляды наивными из-за сравнения с отказом от ручного кодирования.

Математика переживает переход от эпохи дефицита доказательств к эпохе их изобилия благодаря развитию ИИ. Традиционно поиск и проверка доказательств требовали глубокой экспертизы и были редки, что формировало институты и стимулы математической науки. Однако доказательства обладают уникальными свойствами: они объективно проверяемы, легко оцифровываются и могут быть верифицированы машинами, например, в системах типа Lean. Это делает математику идеальной мишенью для современных ИИ-моделей, которые уже способны решать многие открытые задачи за короткое время без специального prompting от пользователя. Однако способности ИИ крайне неровны: впечатляющи в формальных, данных-rich задачах, но слабы там, где требуется субъективная оценка или взаимодействие с реальным миром.

Несмотря на прогресс, большинство проблем на переднем крае математики остаются нерешёнными — пространство задач бесконечно, а их сложность неограниченна. Поэтому будущее математики — «Math 2.0» — должно выходить за рамки простого поиска доказательств. Нужно смещать фокус с количества на качество: использовать ИИ для выявления новых принципов, методов и инсайтов, улучшать существующие доказательства, исследовать «окрестности теорем», строить интерпретируемые и безопасные открытые математические модели. Примеры включают Maththon — студенческий марафон по улучшению доказательств, IEANTN — динамическую сеть результатов в аналитической теории чисел, и ablation studies — проверку устойчивости théorems при удалении посылок. Главное препятствие для Math 2.0 — не технологии или культура, а воображение: умение видеть, как ИИ может углубить понимание, а не просто автоматизировать поиск.

Кризис в математике — не технологический, а культурный: утрата смысловых стимулов, идентичности и институциональных механизмов признания. Математики теряют традиционные пути к признанию — решение открытых задач, коллаборации, приглашения на конференции — из-за того, что AI-лишает их этих возможностей. AI-доказательства часто не интегрируются в математическую «кодовую базу», поскольку строятся с нуля, без опоры на существующие теории, что делает их бесполезными для дальнейшего развития. Спор: одни считают, что понимание механизма AI не требуется для его применения (как в медицине), другие — что понимание остаётся фундаментальной целью чистой математики, и его отказ разрушает её суть. Сравнение с программированием: математики сталкиваются с доказательствами, которые не могут интерпретировать, как разработчики с непонятным кодом — это эволюция профессиональной реальности. Современная наука (медицина, инженерия) уже работает с полуэмпирическими моделями (SPICE, анестезия), и это не мешает использованию. Критика Тао за пример с раком — проекция страха; его аргументы о стерильности поля и разрушении путей признания остаются релевантными. Математика как культура переживает трансформацию: ценности, стимулы и иерархии изменятся, но сама математика выйдет сильнее. AI не заменяет понимание, а меняет его природу: люди могут переключиться с решения на анализ, интерпретацию и улучшение AI-доказательств — удовольствие от математики в понимании, а не в решении. Опасение: AI может генерировать «бесполезные» доказательства (экспоненциально сложные, без инсайтов), отвлекая от глубоких закономерностей. Эпистемологическая проблема: если AI «бегает» по доказательству, но человек не видит этапов, как доверять результату? Это не решается только формальной верификацией. AI уже меняет практику: исследователи переписывают гранты, бросают годы работы, чувствуют себя ненужными — реальное поведенческое смещение. Тао не против AI — он предупреждает, что человечество может перестать развивать «путь к свету», а будет только добираться до «светильников» без понимания их работы. Сравнение с программированием: «vibe proving» AI может привести к хаотичному, неподдерживаемому математическому «коду», как «vibe coding» разрушает качество ПО. Наука всегда адаптировалась к новым инструментам (калькуляторы, компьютеры); кризис — это переход, а не конец, но адаптация требует осознанности. Совет: математикам следует переключиться с решения задач на анализ, рефакторинг и объяснение AI-доказательств — это новая форма творчества, сохраняющая человеческую роль.

Теренс Тао сравнивает традиционный процесс усвоения математических breakthrough'ов с текущей практикой использования ИИ. В прошлом доказательство открытой гипотезы запускало цепную реакцию: доклады, семинары, совместные работы, приток новых исследователей и постепенное упрощение результата для учебников. Сейчас же ИИ часто выдаёт ответ без понимания контекста, а пользователи, сосредоточенные только на решении своей задачи, не вникают в детали, не делятся знаниями и не встраиваются в математическое сообщество. Это приводит к изоляции результатов: меньше последующих исследований, меньше сотрудничества, а открытые направления скрываются из страха быть «перехваченными». Тао подчеркивает, что ответственное использование ИИ могло бы поддержать не только генерацию решения, но и весь традиционный цикл его осмысления и распространения, чего сейчас почти не происходит.

Кризис не в ИИ, а в трансформации научной культуры: ценность смещается от понимания к решению, а сообщество теряет институты передачи инсайтов, угрожая сути математики как искусства и диалога. ИИ эффективен в комбинировании существующих результатов, но не способен на качественный сдвиг — требующий пересмотра проблемы с нового угла, что остаётся прерогативой человека. Современные AI-доказательства часто лишены объяснения, интерпретации и взаимодействия с сообществом, лишая их научной ценности — как если бы пригласили только менеджера на доклад о работе инженера. Математика как искусство требует понимания и красоты, а не просто решений; автоматизированное доказательство без человеческого осмысления — как массовое производство копий статуи Давида. Снижение внимания к упрощению доказательств и построению интуиции сделает математику недоступной, как если бы преподаватель сказал: «Вот доказательство — больше ничего не нужно». Ограничения когнитивной памяти человека (7±2 элемента) делают ИИ не угрозой, а необходимым инструментом для обработки объёмов, превышающих человеческие возможности. Проблема не в ИИ, а в системе стимулов: гонка за решениями ради публикаций и грантов вытесняет глубокое исследование — характерно не только для математики, но и для всего технологического сектора. Следующая фаза математики — разделение ролей: фронтовые математики доказывают теоремы, чистые математики объясняют их, превращая несвязанные доказательства в понятные структуры. Исторически научные прорывы (например, работы Эйнштейна) часто выходили без рецензирования — значит, формальные процедуры не условие ценности, но отсутствие диалога — уже проблема. Применение ИИ в прикладной математике менее драматично, так как фокус там на решении практических задач, а не на абстрактном понимании — кризис уникален для чистой математики. Современные грантовые циклы (3–5 лет) несовместимы с медленным развитием математических идей, вынуждая искать быстрые, автоматизируемые результаты. ИИ-доказательства, как упрощённые коды в MVP, — только первый этап; настоящая ценность появится на этапе рефакторинга, когда человеческие математики упростят, объяснят и обобщат результаты. Потеря традиций передачи знаний (как танцы с палками) — не ностальгия, а утрата социального механизма, обеспечивавшего безопасность и глубину развития дисциплины. Сообщество математиков не против ИИ, но против замены им диалога, понимания и культурной преемственности — это вопрос ценностей, а не технологий. Публикация доказательств без контекста — это театр: впечатляющие результаты, но без вклада в понимание, ставящий под вопрос цель математики как науки. История с уравнением пятой степени показывает: даже если решение найдено, его ценность раскрывается только тогда, когда появляется теория, объясняющая «почему» — а ИИ пока не способен на это.

OpenAI выпустила 372 математических результата, среди которых доказательство Уникальной игры-гипотезы (UGC) — центральной проблемы в теории приближённых алгоритмов, над которой работала жена автора, теоретик сложности Дана Мошковиц. Хотя доказательство сопровождается сертификатом в системе Lean, оно настолько запутанно и плохо написано, что пока не понятно ни одному человеку без помощи ИИ. Дана описывает текст как «написанный кем-то на психоделиках», полный бессвязных ссылок и рекурсивных конструкций, напоминающих «чужеродный код», и отмечает, что даже базовые утверждения о полноте и корректности приходится вытягивать из разных частей работы с помощью ИИ-ассистента Astra. Однако она также отмечает важный побочный результат: авторы получили прямое доказательство NP-трудности аппроксимации для Max CSP и других задач, обходя UGC, что само по себе является прорывом. Несмотря на шок от того, что машина решила проблему всей её карьеры, Дана чувствует и облегчение — гипотеза оказалась верной, как она всегда верила. Автор подчеркивает, что теперь всё математическое сообщество оказалось в одной лодке: предстоит долгая работа по осмыслению и проверке этих доказательств, что может открыть новую эру сотрудничества человека и ИИ в математике, где творческие идеи человека будут проверяться и реализовываться машиной. Помимо UGC, среди результатов есть доказательства L = BPL и другие, которые также требуют тщательного анализа. Сообщество должно оценить, насколько соблюдены принципы ответственного выпуска таких систем, и решить, какие дальнейшие шаги нужны для equitable доступа к этим инструментам.

Тред добавляет практические цифры о стоимости решения открытых задач, критикует качество и проверяемость AI‐доказательств, подчёркивает необходимость человеческой проверки и адаптации подходов к выбору задач, а также обсуждает возможные ошибки в Lean и перспективы доступа математики к моделям. По данным @ZeljkoS, модель решает ~5 % от 8 000 тестовых задач, что эквивалентно 60 часам вычислений и примерно $810 за одно доказательство при текущих ценах GPT‐Pro. Многие участники отмечают, что доказательства не проверены: Lean‐код может быть сформулирован неверно, а сам текст слишком запутан, чтобы понять без ИИ. AI‐генерируемые доказательства описываются как «мусорный» код, требующий тщательной проверки, что делает работу благодарственной, но малоценной. Совет: Математики должны пересмотреть выбор задач, ориентируясь на те, которые модель может решить за ограниченное время, чтобы эффективно использовать AI. Использовать AI для объяснения, проверки и написания более понятных доказательств, а не только для их генерации. Обеспечить доступ математики к моделям, чтобы они могли участвовать в процессе, а не только наблюдать. Спор: Некоторые считают доказательства достоверными, другие сомневаются из‐за неясного изложения и возможных ошибок в Lean. @olalonde и @d--b поднимают вопрос о том, что AI мог найти и использовать баг в Lean, что ставит под сомнение надёжность проверок. @TMWNN цитирует DCKP, что PhD‐студенты могут решать задачи с публичными моделями за 15 минут, но остаётся вопрос эффективности в ограниченное время. Совет: PhD‐студенты, обеспокоенные утратой навыков, должны искать новые роли, где AI служит инструментом, а не заменой.

Когда я был студентом, я видел, как талантливые ребята сдавались перед темпом усвоения сложной математики: они могли понять идеи, но им требовалось гораздо больше времени, и в итоге они оставляли мечту о научной карьере. Теперь, с появлением ИИ, способного генерировать глубокие и оригинальные математические идеи, мы все начинаем ощущать то же самое — невозможность поспевать за потоком новых концепций. Если мы отреагируем на это уходом из науки, как те студенты, мы предадим нашу коллективную ответственность перед человечеством: обеспечить, чтобы люди могли не только использовать, но и по-настоящему понимать прорывы, которые изменят мир.

Особенно остро это встаёт перед гипотетическими сценариями вроде предложения ИИ проекта термоядерной установки мощностью в тераватт — источника почти неограничимой чистой энергии. Чтобы принять решение о её строительстве, оценить риски, понять поведение накопленной энергии при аварии или оценить долговечность материалов, нам понадобится глубокое понимание лежащих в основе принципов — принципов, которые мы сами не придумали. Это невозможно без широкой матерированной общественности, способной совместно осваивать такие идеи, поддерживаемой институционально и социально. Нам нужны не просто больше математиков, а сообщества, где struggle — совместная работа над пониманием — становится нормой. Только так мы сохраним человеческую агентность в эпоху ускоряющегося открытия.

Рост возможностей ИИ не требует больше математиков, а требует глубокого понимания со стороны людей, способных интерпретировать и проверять его выводы — иначе результаты станут черными ящиками, недоступными для ответственного применения. Спор: Некоторые считают, что люди не смогут понять сложные математические выводы ИИ, и это неизбежно — как в физике или биологии, где мы смирились с непониманием систем, которые используем; другие настаивают, что без понимания ИИ становится опасным инструментом, а не помощником. Спор: Один участник утверждает, что ИИ делает людей бесполезными, и человечество обречено на вымирание, как бактерии, если не будет нуждаться в нас; другой возражает, что проблема не в понимании, а в экономике — люди боятся потерять доход, а не знания. Многие согласны, что способность понимать сложные идеи становится критически важной, и это требует не просто обучения, а глубокой, многолетней практики — ИИ не заменяет мышление, а делает его еще более необходимым. Пользователи отмечают, что ИИ уже поднимает порог простых задач, которые раньше были надежны для проверки — теперь даже базовые функции требуют проверки, и это снижает доверие к автоматизированным решениям без человеческого контроля. Совет: Опыт показывает, что коллеги, передающие задачи ИИ без глубокого понимания, получают плохие UX, XY-проблемы и перегруженные решения — это можно исправить только через осознанное проектирование, а не через автоматизацию. Совет: Нужны не просто математики, а «развертываемый интеллектуальный резерв» — сообщества людей, способные интерпретировать и проверять прорывы ИИ, особенно в критически важных системах, таких как ядерная энергетика или безопасность. ИИ не заменяет язык математики — без понимания его терминов и структуры невозможно даже сформулировать правильный запрос или оценить, что является значимым результатом, а что — артефактом. Спор: Один участник считает, что ИИ уже превосходит человеческие возможности, и мы близки к пределу — другие возражают, что это не предел, а сдвиг фокуса: вместо генерации мы должны учиться проверять и интерпретировать. Совет: Пользователи с опытом разработки отмечают, что доверие к ИИ — это не свойство модели, а процесс, зависящий от намерений и контекста пользователя — доверие строится через повторяющиеся проверки, а не через автоматическое принятие. ИИ не делает математику проще — он делает ее глубже, и если мы не развиваем способность понимать эти глубины, мы теряем контроль над тем, что используем, даже если оно работает. Спор: Некоторые считают, что ИИ будет принимать ключевые решения, а люди останутся лишь на уровне вкуса; другие настаивают, что ответственность за безопасность и этику всегда должна оставаться за людьми — иначе это не прогресс, а самоуничтожение. Исторически люди не чувствовали «смирения» от новых технологий — но сейчас ситуация иная: ИИ генерирует идеи, которые мы не можем проверить, а не просто ускоряют то, что мы уже понимаем. Совет: Если ИИ будет использоваться в критических системах, то недостаточно иметь математиков — нужны инженеры, физики и специалисты по безопасности, способные связать абстрактные доказательства с физической реальностью. Спор: Один участник утверждает, что ИИ-генерируемые идеи обогатят только богатых, а массы останутся без изменений; другой возражает, что проблема не в распределении, а в том, что мы не умеем оценивать ценность этих идей.

Математика часто сводится к доказательствам, но их ценность как прокси для понимания снижается, если доказательства генерируются без осмысления. Автор предлагает формализовать и вознаграждать «мотивированные объяснения» — работы, отвечающие на вопрос «как бы ты пришёл к этому?», а не просто подтверждающие истинность теоремы. В отличие от доказательств, где определения даются сначала, в мотивированных объяснениях они появляются по мере необходимости, а путь может начинаться с ошибочной идеи, которая затем уточняется — как в жанре «дискавери фикшн» (открывательной прозы), где идея evolves через исправления и новые вопросы. Такие объяснения не только показывают, почему теорема верна, но и почему она естественна, полезна и вписывается в более широкий контекст. Хотя их сложнее формализовать и оценивать, такие вклады уже существуют: учебники, пояснительные статьи, образовательные материалы. Автор предлагает включить их в систему академического признания — например, через гранты, tenure-треки или премии вроде Steele Prize, но с фокусом на раннюю карьеру и пояснительную работу. Это особенно важно сейчас: внешний мир может воспринимать математиков как устаревших из-за ИИ-генерируемых доказательств, но если сообщество будет ценить объяснение и мотивацию, оно покажет, что суть математики — в понимании, а не только в формализме. Это поможет привлечь и удержать талантливых людей, показав, что они могут формировать будущее поля, а не просто следовать за автоматикой.

Из обсуждения

• @ForgotMyUUID: I’m reminded of that famous debate between Poincaré and Hilbert at the International Congress of Mathematicians in Paris in 1900. It was then that everyone decided to follow Hilbert’s path, and proof came to be valued more than intuition. I think modern math at school and at applied university kind of lost this intuitive part.I try to teach my students that mathematics is, first and foremost, a very precise language of communication. It’s sometimes amusing to ask those who don’t like math to do without it entirely, just to see how much harder it becomes to describe the things around them.Second thing I tell them, formulas are the essence of mechanisms in their purest form. And in this form, they’re much easier to grasp and mentally manipulate. It always amused me, after taking a mechanics course, to imagine that for any formula, you could visualize a mechanism or process that implements it.And third thing, I suppose, the ability to verify one’s own statements as proof. Although, of course, mathematicians would probably tear me apart here for my heresy:sorry, I’m not a mathematician, but an engineer. You can make mistakes by using incorrect assumptions, but at some point, analysis itself will show you that you were mistaken. There’s a wonderful book, How to Prove It by Daniel Velleman, which provides an introduction to proof for the uninitiated like me. I really enjoyed it.
• @sweezyjeezy: The math field is confronting something that coders have been dealing with for a few years now, only far more violently. Today's moat for software seems to be that AI can automate tasks but not a full job (yet). But for a large proportion of mathematicians, doing these tasks really was _the_ job. It's the bit they wanted to do, and if they completed a sufficiently difficult set of tasks, they got tenure. Now this model is failing, they frantically need to pivot the role of humans to save their profession from funding cuts.I remember when "writing code was never the point" became a mantra here. There was truth in it, but removing the coding has certainly taken away a lot of the texture of the work and enjoyment of the craft. Many of us feel this loss as we tech-lead teams of agents as our source of income. I am not optimistic the mathematics pivot is going to work, but I'm certain that most will be depressed with the outcome even if they succeed.We are all staring at the same existential dread, just seeing it unfold slower. We're being told that utopia is to be obsolete, and that is a jarring idea to contend with.

Теренс Тао обсуждает, как ценные открытые математические задачи становятся дефицитным ресурсом, несмотря на бесконечное множество возможных вопросов. Он сравнивает это с нехваткой питьевой воды в окружении океана: хотя можно сгенерировать бесконечно много задач (например, найти 10^10^10-ю цифру числа π), большинство из них неинтересны — они либо слишком просты, либо недостижимы, либо не ведут к новым связям и пониманию.
Ценность задачи определяется не формально, а через исторический опыт и субъективную оценку: важно понимать «ландшафт сложности» в области — какие вопросы решаются тривиально, какие требуют усилий, а какие недоступны текущими методами. Иногда задача приобретает значение только после неожиданной связи с другой областью, как гипотетическая связь между дзета-функцией Римана и цифрами π, которая может превратить ранее бессмысленный вопрос в значимый.

Обсуждение дополняет статью Тао: проблема не в исчерпании математических задач, а в изменении природы ценности — теперь редким ресурсом стало формулирование значимых вопросов и понимание процесса, а не само решение. Это ставит под угрозу традиционные пути академического развития. Математики согласны: идентификация перспективной проблемы — теперь редкий и ценный ресурс, как подчеркивает Тао и подтверждают @thymine_dimer и @_alternator_. @vessenes оспаривает идею о «мирной» истории математики, напоминая, что соревновательность (Гаусс, Ньютон-Лейбниц) всегда была частью дисциплины, и текущая ситуация — не новая, а эскалация старого паттерна. Многие участники (@jfengel, @twotwotwo, @jijji) отмечают, что современные ИИ-модели решают, но не объясняют — отсутствие трасс рассуждений уничтожает возможность обучения и реверс-инжиниринга, угрожая накоплению знаний. Сравнение с шахматами (@david-gpu) и программированием (@thomascountz) показывает: инструменты не убивают дисциплину, но меняют её — ценность смещается от решения к интерпретации, формулированию и контексту. @nadermx возражает: утверждение о «невозобновляемости» математических задач нелогично — пока есть физические явления, требующие математического описания, задачи не могут исчерпаться; это игнорирует прикладную природу прогресса. Участники (@colinhb, @esafak, @randomImmigrant) отмечают: ИИ-эксплуатация уничтожает возможность накопления опыта — если ИИ решает всё, новые математики не получат навыков для будущих открытий. Существует консенсус: ИИ-лаборатории используют математические задачи как источник данных для обучения, а не для прогресса — @bwfan123 и @xelxebar указывают на систематическое «скуппинг» и возможное использование приватных переписок в обучении. @pvillano предлагает: Институт Клэя не должен признавать формальные доказательства без человечески читаемых объяснений — это создаст экономический стимул для ИИ-лабораторий генерировать понимающие, а не просто корректные решения. Многие (@olalonde, @gowld) подчеркивают: даже неинсайтные доказательства ИИ могут быть полезны — как в шахматах, где анализ ходов движка обогащает понимание, и математики могут извлекать новые инсайты из структуры ИИ-доказательств. Участники (@ozgung, @fwlr) расширяют проблему за пределы математики: ИИ превращает общие ресурсы (код, искусство, знания) в частные, создавая «трагедию общин» — открытые данные становятся выжатыми, а создатели — обесцененными. @ltbarcly3 утверждает: Тао страдает от «падения статической вселенной» — будущее не в сохранении старых практик, а в переоценке того, что значит «решить задачу»; если ИИ решает, то человеческое решение перестанет быть доверенным. Согласно @jdoliner, ИИ уже достиг уровня 2 (дана теорема — найди доказательство), но уровень 3 (самостоятельная формулировка теоремы) остаётся недостижимым — именно здесь человеческая интуиция и остаётся незаменимой. @thymine_dimer и @silver92bullet отмечают: ИИ не может интуитивно находить смежные проблемы — это ключевое отличие: человек генерирует вопросы, ИИ отвечает на заданные, и именно эта способность теперь редка.

Главная мысль: вместо использования радиан и даже ту (tau) можно избавиться от любого упоминания круга в коде, перейдя к «оборачиваниям» (turns) — единицы, где полный оборот = 1. Это упрощает формулы: вместо sin(h * 2π) достаточно передать h в функцию, которая уже работает с половинным оборотом (например, sincospi).

Яркий факт: в AVX2‑реализации sin входное значение умножают на 4/π ≈ 1.27323954473516, то есть наоборот «переводят» из полного круга в радианы, а затем библиотека делит на то же самое — лишняя операция, которую можно убрать, если избавиться от радиан.

Если же нужна совместимость с устаревшим кодом, достаточно добавить обёртки, которые преобразуют старые радианные вызовы в новые «оборачивающие» функции, а в остальных местах просто удалить мультипликацию на π или τ. Такой переход требует лишь нескольких строк изменений и делает код чище и понятнее.

Тред обсуждает использование turns (обороты) вместо радиан в математике и программировании. Радианы — естественная единица для анализа: переход на turns ломает формулу Эйлера (требует замены e на ~535.49) и вносит множители 2π во все производные и ряды Тейлора, усложняя вычисления. Для малых углов радианы эффективнее: ряды Тейлора для turns требуют дополнительных умножений на 2π, снижая точность и скорость. В программировании turns полезны для избежания ошибок округления: sin(0.5) в turns может быть точно нулём, в то время как sin(π) в радианах даёт ~1.2e-16. В играх и DSP (Pico-8, 8-битные системы) широко используются turns (0–1) или BRADs (0–255) для упрощения логики. Fortran 2023 вводит SINPI/COSPI, работающие с половинами оборотов, легитимизируя отказ от явного умножения на π. В артиллерии применяют 'mil' (6400 в круге) для прямого перевода смещения в метрах в поправку прицела. Для turns рекомендуется фиксированная запятая (16+16 бит) с быстрым целочисленным AND для обертки углов. Проблема единиц решается типизацией: создание типа Angle, принимающего turns, минуты, секунды, избавляет от согласования форматов. Противники turns подчеркивают, что радианы связывают угол с длиной дуги, а в DSP и физике входы часто не геометрические. Вопрос: можно ли компилятору автоматически устранять умножение/деление на π при конверсии между turns и радианами без сложных доказательств.

Математики обнаружили первую фигуру, которая не может пройти сквозь саму себя после более чем трехвековой истории проблемы. Открытие разрешает загадку, связанную с пари принца Руперта Рейнского в конце XVII века, когда было доказано, что куб может пройти сквозь себя при определенном расположении туннеля. Новая фигура, созданная путем модификации куба, сохраняет объем, но не может быть перемещена через себя в любом направлении.

Решение пришло после того, как исследователи изучили все возможные конфигурации пространственных фигур. Интересно, что все платоновы тела (куб, октаэдр, додекаэдр и икосаэдр) могут проходить сквозь себя, а новая фигура стала первым исключением. Это открытие не только разрешает историческую задачу, но и открывает новые направления в изучении топологических свойств трехмерных объектов.

• Публикация описывает первый найденный полиэдр, который не может пройти через себя, и тем самым решает давнюю проблему, хотя название статьи вводит в заблуждение.
• Обсуждение в комментариях охватывает широкий спектр тем — от исторического контекста до практического применения 3D-моделей и печати.
• Некоторые комментаторы поднимают вопросы о том, почему такой полиэдр не может пройти через себя, в то время как другие спрашивают, какие еще формы могли бы быть найдены в будущем.
• Обсуждение также затрагивает вопрос о том, как такой полиэдр может быть использован в образовательных целях, особенно для детей, и о том, какие еще формы могли бы быть напечатаны на 3D-принтере.
• Некоторые комментаторы также поднимают вопрос о том, какие еще формы могли бы быть найдены в будущем, и о том, какие из них могли бы быть напечатаны на 3D-принтере.