Hacker News Digest

Появление больших языковых моделей уже приносит реальные математические результаты: построение решения с конечным временем обострения для уравнений Навье–Стокса с вынуждающим членом и предложенное доказательство квази-гипотезы Римана заслуживают самого пристального внимания математиков. Однако их значимость требует постоянной независимой проверки и осмысления сообществом. Особенно хорошо модели работают с доказательствами на языке Lean, но для по-настоящему трудных теорем такие формальные доказательства достигают сотен тысяч строк кода. Тревожная тенденция: чем длиннее Lean-доказательство, тем более запутанным и менее точным оказывается его машинный перевод на естественный язык — и никто не понимает почему. В итоге для важнейших задач мы получаем корректные формальные доказательства, которые невозможно прочесть напрямую, и хаотичные пересказы, требующие огромных усилий для человеческого понимания. Возникает фундаментальный вопрос: без человеческого понимания зачем вообще заниматься математикой и получать доказательства, кроме как для тестирования моделей?

Автор рассматривает два сценария. «Золотой век» — осторожная интеграция моделей в научную экосистему с приоритетом поддержки нового поколения учёных, развития экспертизы и сохранения открытой, коллаборативной и интеллектуально независимой науки. «Тёмный век» — впечатляющий рост научной продукции в краткосрочной перспективе при прогрессирующем ослаблении самостоятельной человеческой научной деятельности: производство знаний сосредоточится в немногих руках, а сами эти руки будут всё хуже понимать созданное. Настоящая тьма — знание, ставшее чуждым человеческому пониманию.

Реальность, вероятно, соединит оба сценария. Конкретные шаги к «золотому веку»: доступ исследователей к передовым моделям, стандарты воспроизводимости и раскрытия для созданной с их помощью науки, ресурсы на осмысление и распространение таких результатов, изучение влияния моделей на научное образование и подготовку кадров, а также устойчивые инвестиции в публично управляемую инфраструктуру. Математикам автор отводит особую ответственность — сохранить математику живой частью человеческой культуры, принимая неопределённость, используя все инструменты для открытия нового и создавая лучшие профессиональные стандарты для следующих поколений.

Главная проблема ИИ в математике — не отсутствие ответов, а отсутствие процесса обучения человека через объяснение и интуицию. Спор: ИИ умеет решать, но не обучать (@ttul, @curt15) vs. если результат достигнут, человеческое понимание становится вторичным (@0c3ca83, @charcircuit). Риск: научные открытия могут превратиться в закрытые проприетарные патенты корпораций (OpenAI, Anthropic), создавая новые «дзайбацу» и ограничивая доступ к знаниям (@jacquesm). Опыт @rustyhancock: «вайб-кодинг» с ИИ лишает разработчика глубокого изучения паттернов и ошибок, degradируя навыки обучения в работе. Спор: ИИ — заслуженный удар по интеллектуальному снобизму и гейткипингу (@augment_me, @hbcdbff) vs. утрата культурного наследия. Будущее науки зависит от выбора между моделью жесткой конкуренции (ведущей к «темным векам» и закрытости) и моделью сотрудничества (@itsalwaysgood, @joe_the_user). ИИ может демократизировать математику, убрав барьеры сложной нотации и иерархической системы именования теорем в честь авторов (@grandpajoey).

За последние месяцы OpenAI опубликовала сотни математических результатов — в теории чисел, теоретической информатике и логике, — которые десятилетиями, а то и веками не поддавались лучшим математикам мира. Реакция сообщества оказалась смесью возмущения, изумления и горя. Лауреат Филдсовской премии Юго Дюминиль-Копен признался, что плакал ночью после октябрьского релиза: «Они аннигилировали мою область исследований». Стивен Строгац из Корнеллского университета говорит о «дизориентации» и «огромном горе», а его коллеги используют выражения вроде «они выпотрошили наш предмет» и «они выжгли ландшафт».

Автор задаётся вопросом, что делает человека особенным, и отвечает: не интеллект и не социальность по отдельности — вороны решают многошаговые задачи, муравьи специализируются, слоны оплакивают умерших, — а их умножение друг на друга. Люди с необычайной точностью имитируют и затем дорабатывают, а социальность распространяет этот процесс на группы и поколения, позволяя знаниям накапливаться. Шимпанзе в Западной Африке колют орехи камнями одинаково 4000 лет, тогда как люди за тот же срок прошли путь от вавилонских глиняных табличек до космических ракет и машинного интеллекта.

Наука — одновременно ремесло и разговор, и ИИ может забрать первую половину. Но остаётся вторая: радость встречи с другим умом, обсуждение доказательств, перевод чужой логики в человеческое понимание и передача его ученикам. Когда машины найдут все истины, искать останется только друг друга.

Математики переживают горе из‐за утраты статуса и чувства потери лет труда, когда ИИ решает задачи, над которыми они работали десятилетиями. Однако ИИ пока лишь ускоряет решение известных задач и не способен создавать новые проблемы или участвовать в концептуальных играх, требующих долговременных обязательств. Для дальнейшего роста ИИ нуждается в новых человеческих открытиях. Некоторые считают, что ИИ в конечном итоге исчерпает свой потенциал без такого вклада, другие опасаются полной замены математики. Чтобы оставаться востребованными, математикам советуют осваивать навыки работы с ИИ — становиться промпт‐инженерами и проверяющими выводы — а также развивать новые способы мышления и пройти процесс скорби. В отличие от инженеров, математики в университетах пока менее подвержены массовым увольнениям из‐за ИИ.

OpenAI выпустил препринт, в котором утверждается, что принцип разбиения не влечёт аксиому выбора — задача, открытая более века. Автор, специалист по теории множеств и аксиоме выбора, внимательно ознакомился с работой и пришёл к выводу, что её качество крайне низко: текст запутан, терминология неточна, структура странная, а леммы, такие как 7.4 и 8.1, выглядят неуместно и непонятно. Список литературы вызывает серьёзные сомнения: в нём цитируются unpublished лекционные заметки, включая собственные материалы автора, вместо признанных источников, что неприемлемо для серьёзного математического труда.

Автор подчёркивает, что даже без глубокого знания ниши любой математический препринт по теории множеств должен позволять понять общую стратегию и идею — здесь этого нет. Если бы такая работа была отправлена в журнал, её следовало бы отклонить на этапе desk review из-за неприемлемого уровня изложения. Он сравнивает ситуацию с подачей статьи на шведском в PAMS: ответственность за доступность лежит на авторе, и OpenAI её не несёт. Хотя автор не против ИИ как инструмента, он считает, что компании вроде OpenAI стремятся навязать свои стандарты научному сообществу, а не адаптироваться к ним. Это создаёт опасную иллюзию, что машины могут заменить математиков, тогда как на самом деле требуется глубокое экспертное понимание, которое ИИ пока не демонстрирует. В связи с этим он отказывается выполнять своё шутливое обещание отправить Саму Алтману виски и призывает сообщество критически относиться к подобным заявлениям.

Обсуждение раскрывает конфликт между академическими нормами и ИИ-результатами, генерируемыми без учёта этики. Эксперты тратят ресурсы на анализ непонятных работ, несмотря на отсутствие обязательств. Спор: Некоторые считают, что математики обязаны разбираться с ИИ-результатами из-за общественного давления и сотен запросов — это вынужденная реакция. Другие возражают: у них есть свои исследования, студенты и ограниченные ресурсы — требование разбираться с такими работами нереалистично и несправедливо. Многие отмечают: плохое качество написания ИИ — не уникальная проблема. Академические статьи также часто плохо написаны, но их игнорируют из-за авторитета авторов. ИИ-работы вызывают ярость из-за отсутствия статуса автора. Согласие: ИИ-результаты создают «сервисную нагрузку» — эксперты вынуждены тратить время на проверку, интерпретацию и восстановление смысла, что не было частью традиционной практики. Спор: Одни считают, что ИИ должен улучшать качество через итерации и обратную связь, как программисты с кодом. Другие утверждают: ИИ не может заменить научную ответственность за ясность и структуру. Совет: Публиковать ИИ-результаты в отдельных журналах с собственными редакторами и рецензентами — чтобы не перегружать академическое сообщество и создать отдельную экосистему для машинных открытий. Совет: Молодым математикам использовать ИИ как инструмент анализа (консолидация информации, визуализация, редактирование), но не как источник фундаментальных результатов — чтобы не заменять глубокое понимание. Опыт комментаторов: «Голодные» молодые исследователи заняты поиском работы на худшем за десятилетие рынке труда — у них нет времени и желания разбираться с непонятными ИИ-работами. Спор: Если бы OpenAI написал понятные доказательства, математики были бы ещё злее — это сделало бы ИИ-открытия неотъемлемой частью академического дискурса, угрожая статусу и идентичности исследователей. Сравнение с ранними днями ИИ в программировании: сначала возмущения, потом адаптация — текущий кризис — переходный этап, а не конец математики. Использование Lean для формальной верификации повышает надёжность, но снижает доступность — доказательства становятся корректнее, но понятнее только для немногих специалистов по формальным системам. Совет: Использовать потребительские модели ИИ (например, GPT) для переписывания и улучшения структуры ИИ-работ — чтобы снизить барьер для понимания, даже если исходный текст создан другим ИИ. Согласие: OpenAI не «снабжает» математиков результатами, а «сбрасывает» их — без контекста, без объяснений, без ответственности — что нарушает принципы научного обмена знаниями. Спор: Некоторые считают, что сопротивление ИИ связано с потерей статуса и идентичности — математики не против знаний, а против того, что они приходят от машины. Другие утверждают: это не о статусе, а о научной этике. Сравнение с «крэнками»: ИИ-работы теперь занимают место непроверенных заявлений от аутсайдеров в академическом потоке — но с масштабом и ресурсами корпорации.

OpenAI выпустила результаты, полученные внутренней frontier-моделью в математике, включая формализацию доказательств в Lean и детали о вычислениях. Результаты опубликованы в GitHub-репозитории с протоколами для правок и цитирования, разработанными при консультациях с Advisory Group on Mathematics and Artificial Intelligence при Institute for Advanced Study. Для прозрачности добавлены 10 суммариев рассуждений модели, статистика по решённым задачам и оценка вычислений: средний результат потребовал эквивалент трёх часов работы ChatGPT Pro. OpenAI планирует улучшать качество публикаций через лучшую экспозицию и цитирование, а также финансировать workshops и конференции по理解 AI-генерированных математических результатов. Компания продолжит оценивать свои модели на научных задачах и действовать на основе обратной связи от сообщества, стремясь ответственно делиться передовыми возможностями для ускорения прогресса в науке.

Обсуждение подтверждает, что OpenAI достигла беспрецедентного прогресса в формализованной математике, решив десятки открытых проблем, включая Unique Games Conjecture и Barnette's Conjecture, что вызывает у математиков эмоциональную и профессиональную дислокацию, а также ставит под сомнение будущее академической исследовательской работы.

• Unique Games Conjecture теперь считается доказанной, что переписывает основы теории приближённых алгоритмов и делает алгоритмы вроде Goemans-Williamson оптимальными в пределах полиномиального времени.

• Barnette's Conjecture, над которой пользователь @jboggan работал 24 года, был решён, что вызывает у него и других исследователей чувство утраты, несмотря на признание значимости результата.

• Средний результат требовал эквивалент трёх часов вычислений ChatGPT Pro, что демонстрирует невероятную эффективность и масштабируемость подхода OpenAI.

• Решены четыре из семи задач тысячелетия: Hodge, Birch-Swinnerton-Dyer, Riemann и Navier-Stokes, при этом P vs NP и Yang-Mills остаются нерешёнными, что указывает на ограничения текущих методов.

• Доказательства, опубликованные OpenAI, отличаются читаемостью и структурой, в отличие от генерируемого ChatGPT, что говорит о специфической настройке модели для математической формализации.

• Согласно @qnleigh, многие результаты подтверждают давно предполагаемые физические гипотезы, но формализуют их строго, что имеет значение для математической физики, но не всегда для физиков.

• Решена задача трёхмашинного планирования unit-job, открытая с 1979 года, что демонстрирует способность модели решать давние проблемы в теории расписаний.

• Каталанова константа доказана иррациональной — результат, признанный значимым, хотя и не относящийся к задачам тысячелетия, но важный для теории чисел.

• OpenAI решила 90 из 500 наиболее значимых открытых проблем математики, включая Hilbert’s tenth problem over Q, Hadwiger и Nonexistence of Landau–Siegel zeros.

• Математики, такие как @Turneyboy, сообщают, что их собственные многолетние проекты были полностью обесценены одним релизом, что вызывает глубокую депрессию в академическом сообществе.

• Автономный математический агент @kbr- уже решил 12-летнюю открытую проблему в proof complexity, что подтверждает, что подобные достижения не уникальны для OpenAI.

• Решение задачи умножения целых чисел ниже n log n (задача 109) и невозможность раскраски плоскости пятью цветами (задача 158) показывают неожиданные прорывы в фундаментальных областях.

• Публикация на GitHub, а не в платных журналах, воспринимается как революционный шаг к открытой науке, особенно в контексте критики @karahime о gatekeeping в академии.

• Совет: Пользователь @open592 задаёт вопрос о будущем PhD-студентов, чьи работы были обесценены — это указывает на необходимость пересмотра структуры академического обучения и защиты диссертаций.

• Спор: @nuclearsugar ссылается на статью Quanta, где исследователи соревновались с ИИ в доказательстве Unique Games, тогда как @nuclearsugar и другие считают, что ИИ опередил их, а не сотрудничал — это вызывает спор о природе сотрудничества между человеком и ИИ.

As Kevin Buzzard recently said:> In a 2020 piece in the Notices of the AMS, I asked the following question: “If one human had an understanding of all of modern pure mathematics simultaneously, how much further would they immediately be able to see?” Six years later we are beginning to understand… — @xanderlewis

Перевод: Как недавно сказал Кевин Баззард: «В статье 2020 года в Notices of the AMS я задал вопрос: „Если бы один человек обладал полным пониманием всей современной чистой математики, насколько дальше он смог бы заглянуть?“ Шесть лет спустя мы начинаем понимать ответ на этот вопрос.

Джон фон Нейман — выдающийся математик, чьи работы охватили квантовую физику, теорию игр, компьютерные науки и экономику. Родившийся в 1903 году в Будапеште в богатой еврейской семье, он ещё в детстве поражал феноменальной памятью и скоростью мышления: в шесть лет делил в уме восьмизначные числа, а к восьми уже свободно владел историей, включая детали гражданской войны в США и процесса Жанны д’Арк. Он мог запомнить весь телефонный справочник Нью-Йорка — и шутил, что ему не хватает только знания, кому принадлежат номера.

Его гениальность заключалась не в сверхъестественных способностях, а в безупречной логике и ясности мышления. Фон Нейман мастерски применял аксиоматический метод: он не просто формализовал, а проникал в суть проблем, выделяя фундаментальные принципы, из которых логически следовали все следствия. В отличие от интуитивных гениев вроде Винера, он мыслил чётко, последовательно и без туманности. Его вклад — в теории игр, архитектуре ЭВМ, функциональном анализе — остался в основах современной науки, потому что он не просто решал задачи, а переосмысливал их структуру. Его сила — в способности видеть мир через призму точных, непротиворечивых и универсальных законов.

Обсуждение дополняет статью о фон Неймане, подчеркивая его беспрецедентную широту влияния в математике, физике, информатике и экономике. Многие считают его самым влиятельным математиком XX века, превосходящим Эйнштейна и Планка по охвату вкладов. Его сравнивают с «марсианином» из-за нечеловеческой памяти, скорости мышления и способности мгновенно осваивать новые дисциплины — даже общаться на равных с трёхлетним ребёнком, как отметил Эдвард Теллер. Это породило легенду о его сверхъестественных способностях, отражённую в анекдотах и восклицаниях типа «John f***ing Neumann, AGAIN!», свидетельствующих о его всепроникающем присутствии в науке. Фон Нейман был частью группы венгерских еврейских учёных — «The Martians» — что объясняет концентрацию гениальности в одном культурном контексте. Рекомендуемые книги: «The Man from the Future» и «Turing's Cathedral» как доступные и глубокие источники; «The MANIAC» Бенджамина Лабатута — художественное, но точное отражение его личности и эпохи; «The Computer and the Brain» — уникальный взгляд на связь биологии и вычислений, доступный неспециалистам. Он был одним из первых, кто применил суперкомпьютеры для метеорологического моделирования, проложив путь вычислительной науке вне чистой математики. Обсуждается, кто сегодня может быть «новым фон Нейманом», и как институциональная фрагментация мешает поддержке таких редких гениев. Его последнее выступление было отменено из-за деменции — трагичное напоминание о хрупкости разума. Автор статьи, Пол Халмос, математик и автор стандартного учебника по линейной алгебре, добавляет авторитета как наблюдатель и коллега. Совет: читать книги о фон Неймане, написанные до эпохи ИИ, чтобы избежать искажений современными технологиями. Спор: некоторые утверждают, что сегодня в компаниях вроде Jane Street и Anthropic сотни людей с эквивалентным интеллектом, но другие настаивают, что охват дисциплин и глубина вклада фон Неймана остаются неповторимыми. Стиль статьи отмечается как чёткий, лишённый претенциозности и ориентированный на передачу информации — в отличие от Википедии — что делает его особенно ценным для понимания сложных идей.

arXiv получил многолетние филантропические обязательства на сумму $17,2 млн от Simons Foundation International, XTX Markets и Siegel Family Endowment для поддержки перехода к статусу независимой некоммерческой организации. Средства будут направлены на укрепление технической инфраструктуры, развитие платформы — включая управление AI-сгенерированным контентом — и обеспечение устойчивой работы организации в долгосрочной перспективе. За 35 лет arXiv стал ключевой площадкой для обмена научными результатами в физике, математике, информатике, биофизике, финансовой статистике и смежных дисциплинах, обслуживая миллионы пользователей ежегодно.

Инвестиции поддержат три приоритетных направления: текущую эксплуатацию и улучшение сервисов для исследовательского сообщества, техническое развитие платформы с учётом новых вызовов вроде AI-генерированного контента, а также укрепление организационной структуры и управления как независимой НКО. Филантропы подчеркнули значение открытой науки и равного доступа к знаниям, отметив, что arXiv остаётся критически важной инфраструктурой для глобального научного сотрудничества и инноваций. Поддержка дополняет существующую модель финансирования через членскую программу, спонсоров и индивидуальных доноров.

ArXiv ценен как бесплатный архив препринтов, обеспечивающий доступ к исследованиям без платных стен, но его репутация под угрозой из-за потока AI-сгенерированных работ и отсутствия модерации, что ставит под сомнение научную достоверность. Большинство препринтов идентичны опубликованным версиям, но доступны бесплатно, что делает платформу незаменимой для исследователей. Однако ArXiv не проходит рецензирования, поэтому не является гарантией качества — ценность определяется только чтением работы. Публикация на ArXiv — это размещение, а не рецензируемая публикация, хотя её цитируют как источник. После 2023 года многие автоматически подозревают работы независимых авторов из-за загрязнения AI-сгенерированным контентом. Аналогично, некоторые рецензенты на OpenReview используют LLM для отзывов, подтверждая распространение автоматизации и снижение качества рецензирования. Критика платных журналов как причины проблем науки неуместна: отказ от рецензирования и переход на ArXiv не решает системную проблему «публикуй или погибни». Для эффективного использования ArXiv рекомендуется: настраивать тематические фиды, использовать Semantic Scholar, отслеживать авторов с проверенной репутацией, анализировать цитационные сети и рассматривать систему «веба доверия» — подписку на списки проверенных работ от доверенных организаций. ArXiv может создавать ложное впечатление научной достоверности, используемое для пропаганды, но это ошибка пользователя, а не платформы. Исследователи, чьи карьеры начались благодаря ArXiv, должны поддерживать его, так как напрямую извлекли выгоду из бесплатного доступа.

Po‑Shen Loh предлагает, чтобы математики и специалисты любой отрасли приняли фундаментальный принцип: «Мы (люди) должны помогать человечеству процветать». По его мнению, такой гуманистический приоритет позволит сохранить человеческое лидерство даже в эпоху мощного ИИ. Он отмечает, что уже сейчас в математическом сообществе растёт тревога из‑за успехов ИИ — например, решения вариантов задачи Миллениума про уравнения Навье‑Стокса, что привело к множеству открытых писем и деклараций (Лейденская — 4000+ подписей, Math and AI — 7000+, письмо против Mathathon — 2000+). Критики из технологий и экономики призывают математиков адаптироваться и уступить контроль ИИ, но Loh считает, что такая позиция ошибочна: если человечество ставит своё процветание выше чисто технологического прогресса, то развитие ИИ само замедлится, потому что появится огромный спрос на человеческий труд в областях, где нужны этические, педагогические и управленческие навыки — например, в преподавании, работе с реальными социальными проблемами и государственном управлении. Он приводит примеры математиков‑практиков: премьер‑министр Сингапур Ли Сяньлун, президент Румынии Никушор Дан и папа Лев XIV, показывая, что аналитическое мышление ценно в руководстве страной. Loh призывает математическое сообщество открыто провозгласить гуманистический axiom, сделать преподавание и работу с людьми ключевыми критериями при найме и tenure, а также применять свои навыки к решению глобальных проблем — тогда общество сможет доверять, что математика служит благу людей.

Участники дискуссии считают, что ИИ ускоряет математику, но люди остаются необходимы для интуиции, верификации, постановки вопросов и генерации данных для обучения моделей. @Planktonne и @groundzeros2015 подчеркивают, что без человеческого понимания и инсайта технические доказательства ИИ не создают нового знания. @Mbarley добавляет, что ИИ в основном перебирает варианты, тогда как люди находят новаторские решения. @qubex на примере CAS (Derive, Mathlab, Mathematica) предлагает делегировать рутинные вычисления инструментам, чтобы сосредоточиться на интуиции. @strideashort призывает сделать математику более доступной, преодолев институциональные барьеры. @ThePhysicist отмечает, что ИИ может как демократизировать область, так и усилить элитарность и зависимость от статуса. О возможности полной автоматизации спорят: @bananaflag полагает, что ИИ заменит всех специалистов, но @daxfohl и @elendilm (ссылаясь на теоремы Гёделя и Тарского) утверждают, что пространство истин бесконечно, поэтому «финальный» сборник знаний невозможен. @retrocog напоминает о важности человеческих навыков на случай отказа технологий. @immmmmm предупреждает, что потребность в больших вычислительных ресурсах может сместить исследования в сторону богатых стран. @twelve40 и @biimugan сомневаются, что технологические компании примут аксиому «помогать человечеству процветать», ставя прибыль выше ценностей. Поддержку сообщества подтверждает @lnrd: Leiden Declaration собрала более 4000 подписей, а инициативы Math and AI — более 7000.

Теренс Тао вспоминает, как в 11 лет пытался доказать последнюю теорему Ферма, изучая разности кубов и открывая для себя свойства конечных разностей полиномов. Хотя доказательство не получилось, этот опыт глубоко повлиял на его понимание математики и иллюстрирует мысль, что ценность заключается не только в решении задачи, но и в процессе её исследования — именно эту идею подчеркивает письмо, подписанное 25 лауреатами Филдсовской премии, поддерживающее свободу математического поиска без давления на результат.

Однако Тао отказался подписать это письмо, несмотря на согласие с его основным посылом. Он считает, что настоящая кризисная ситуация в математике связана не с недостатком вдохновения или свободы, а с предстоящим потоком результатов, генерируемых искусственным интеллектом. По его мнению, попытки остановить или замедлить выпуск ИИ-моделей бессмысленны: даже если компании задержат релизы из-за опасений безопасности, результаты всё равно появятся, и лучше подготовиться к адаптации, чем вступать в бесполезную конфронтацию. Он выступает за признание неизбежности изменений и поиск наименее болезненного способа сосуществования с ИИ в математике, избегая поляризации сообщества.

ИИ поднимает планку для математиков: задачи становятся сложнее, но и возможности расширяются — это сдвиг не в сторону упрощения, а в сторону расширения масштаба исследований. Ценность математики не только в решении теорем, но и в развитии человеческого мышления, что требует сохранения человеческого участия в процессе, даже если ИИ может решать задачи быстрее. Спор: Одни считают, что ИИ уничтожит карьерные лестницы в математике, как в софте, лишая молодых исследователей опыта и приводя к дефициту экспертов; другие полагают, что роль математика просто сместится к формулированию гипотез и интерпретации результатов ИИ. Спор: Некоторые утверждают, что корпорации вроде OpenAI эксплуатируют математические задачи как природные ресурсы, не заботясь о развитии науки, а только о прибыли; другие возражают, что это преувеличение — нет доказательств, что ИИ-компании нацелены на решение всех крупных проблем. Если ИИ будет генерировать доказательства, непонятные человеку, это не улучшит понимание — математика как культура требует доступности и усвоения, а не просто наличия ответов. Исторически новые инструменты (например, калькуляторы) вызывали сопротивление, но не уничтожили профессию — аналогично, ИИ может изменить методы, но не устранить необходимость человеческого понимания. Социальная структура математики — сообщество, обмен идеями, обучение через участие — находится под угрозой, если ИИ заменит человеческое взаимодействие в процессе открытий. Математика ценна не только для практических применений, но и как способ развития человеческого интеллекта — это основание для её финансирования независимо от её полезности. Спор: Некоторые считают, что если ИИ превзойдёт человека, то человеческая математика станет несущественной, как математика обезьян — другие возражают, что культура и понимание не сводятся к эффективности решения задач. Проблема петиции в том, что она не объясняет, как именно финансировать математиков, если их роль перестанет быть связана с доказательствами — отсутствует конкретная модель поддержки. ИИ может ускорить генерацию результатов, но не гарантирует их глубокое усвоение — это создаёт риск накопления «непереваренной» математики, которая не вносит вклад в коллективное понимание. Корпорации могут использовать математику как ресурс, но не инвестируют в её развитие — они извлекают выгоду из открытых проблем, не внося вклад в сообщество, что угрожает устойчивости науки. Совет: Необходимо создать новые модели финансирования, где математики получают поддержку за развитие понимания, а не только за публикацию доказательств — иначе система исчезнет, как и карьерные лестницы в софте. Если ИИ будет решать всё, а люди перестанут учиться и участвовать, математика превратится в чёрный ящик — полезный, но не понятый, что уничтожит её как культурное наследие.

Автор утверждает, что ИИ уже способен решать сложные математические задачи на уровне золотой медали IMO и начинает автономно решать открытые проблемы, что требует переосмысления роли человека в математике. Он отвергает как пессимистичный сценарий, при котором развитие ИИ приводит к застою человеческого понимания из-за институциональной инерции, так и наивный оптимизм, сводящий математику к автоматизированному доказательству теорем. Вместо этого предлагает позитивное видение: даже если производство математических текстов станет менее зависимым от человеческого понимания, мы можем и должны углубить само понимание математики как дисциплины и практики.

Цель математики, по мнению автора, не сводится к доказательству теорем — это слишком формализуемо и лишено смысла без понимания. Настоящая математика направлена на производство высококачественной математики и воспитание высококачественных математиков, включая образование широкой публики. Теоремы и открытые проблемы — лишь инструменты; их ценность определяется тем, насколько они углубляют наше понимание математических структур, а не сами по себе. Автор подчеркивает, что ИИ может взять на себя рутинное производство текстов, но только человек способен осмыслить, оценить и передать математическое понимание — и именно это должно стать центральным в будущей математической культуре.

ИИ генерирует формально корректные доказательства, но их проверка требует длительного человеческого участия — иногда месяцев или лет — и остаётся узким местом. Мнения разделяются: одни считают, что ИИ ускорит исследования и откроет новые области, другие опасаются, что дистанция между человеческим пониманием и фронтиром математики увеличится. Многие предлагают переориентировать оценку учёных с написания диссертаций на живое понимание: устные защиты, решение задач и передачу знаний, считая их более точными показателями компетентности, чем написанный текст. AI‐генерируемые доказательства часто синтаксически верны, но лишены интуиции и объяснительной силы, требуя «рефакторинга» в доступный человеку формат. Рост AI‐инструментов может превзойти возможности человеческой верификации из-за ограниченного числа исследователей. Предлагается использовать AI для автоматизации рутинных задач («грин‐ворк»), освобождая учёных для оригинального мышления. Для повышения вовлечённости в живые форматы (семинары, защиты) нужны явные стимулы. Следует реформировать академические практики: ввести устные экзамены уже на уровнях бакалавриата и магистратуры, чтобы быстрее интегрировать выпускников в экономику и адаптировать институты к новым возможностям AI, избегая застоя из‐за инерции.

Современные ИИ-модели всё чаще решают сложные математические задачи, но это угрожает самой сути математики как науки. Вместо глубокого понимания структур и построения новых идей, ИИ производит «истинные/ложные» утверждения в ускоренном режиме, обходя процесс коллективного осмысления, обсуждения и передачи знаний — ключевой элемент математической культуры. Решения, публикуемые без детальных доказательств, без ссылок на предыдущие работы и без участия математиков, не становятся частью научного канона и не обучают новое поколение.

Поле математики — это не просто набор задач, а живая система, где студенты и идеи развиваются через человеческое взаимодействие. ИИ, используемый как инструмент для бенчмаркинга, разрушает эту систему: он заменяет обучение на результат, а понимание — на скорость. Подписавшие декларацию 22 лауреата Филдсовской медали предупреждают, что без этического и институционального регулирования ИИ может лишить математику её человеческой сущности — и это предупреждение относится ко всем творческим и интеллектуальным профессиям.

Угроза ИИ для математики — не в технологии, а в смещении ценностей: от глубокого понимания к признанию результатов, что подрывает мотивацию исследователей и студентов. Некоторые считают, что необъяснимые доказательства ИИ, как и доказательство Мочизуки, могут стимулировать обсуждение — как это уже происходило. Другие указывают, что ИИ заставляет студентов сомневаться в ценности собственных исследований, угрожая целому поколению. Традиционный способ измерения вклада — решение открытых задач — утратил смысл, сделав систему признания несправедливой. Параллели с фотографией и компьютерами в шахматах показывают: технологии меняют практику, но не убивают искусство. Проблема — в системе образования, ценящей решение головоломок, а не развитие интуиции. Цель ИИ — сделать человеческое понимание нерелевантным, что соответствует интересам компаний. Суть математики — в процессе, а не в результате: достижение без пути лишено смысла. Сопротивление ИИ часто — защита элитарности, а не забота о студентах; история показывает, что технологии меняют профессии, но не уничтожают их. В программировании уже наблюдается генерация кода без понимания — мир не рухнул. Потеря глубины при решении сложных задач (например, Navier-Stokes) реальна: они раньше порождали новые теории. Критика декларации как консервативной — обоснована: старые системы устарели. Недостаточное объяснение ИИ не является препятствием — необъяснённые доказательства могут стать основой для будущих открытий. ИИ заставляет переосмыслить математику как формирование вопросов, а не поиск доказательств. ИИ-компании проводят двойные стандарты: заявляют о благе, но вытесняют специалистов и усиливают неравенство. Реакция 25 лауреатов Филдсовской медали — признак отчаяния: они сами были архитекторами этих технологий, теперь чувствуют себя слабыми.

OpenAI объявил о доказательстве, решившем давнюю задачу по уравнениям Навье-Стокса, но ключевой момент, упущенный в обсуждениях, — это одновременная публикация формального доказательства в системе Lean 4 alongside человекочитаемой версии. Это отражает растущую тенденцию: многие недавние математические доказательства, поддержанные ИИ, теперь сопровождаются машинно-проверяемыми формализованными версиями, особенно в Lean 4. До недавнего времени создание таких доказательств было крайне трудоёмким процессом — по оценкам 2005 года, формализация одной страницы учебника по математике требовала около сорока часов работы, что делало её непрактичной для плотных научных статей, где одна фраза может ссылаться на десятилетия предшествующих исследований. Однако прогресс в инструментах и ИИ-ассистентах начал снижать этот барьер, делая формальную верификацию всё более осуществимой даже для сложных результатов. Это изменение может трансформировать математическую практику, повышая надёжность и прозрачность доказательств в эпоху ИИ.

Помимо формального доказательства, обсуждаются огромные вычислительные затраты (до $40 млн на агентный кластер, $132 млн против человеческого труда), сомнения в оригинальности (возможное копирование шагов из чужих работ), медленная верификация Lean-кода (15 часов против 11 дней генерации), риски багов в системе и необходимость проверки, что код действительно формализует заявленную теорему. Традиционная формализация 166-страничного текста требует 132 800 человеко-часов. Несмотря на важность автоформализации, её применение требует глубокого опыта в Lean и математической базе. Рекомендуется оптимизировать верификатор, использовать параллельные вычисления и развивать компактные модели, работающие на потребительском железе. Вопрос о возможности человеческой верификации AI-доказательств остаётся открытым — одни сомневаются в понимании, другие полагаются на формальные системы.

GPT-6 Astra от OpenAI демонстрирует значительный скачок в производительности, особенно в 3D-рендеринге и анимации, а также в математических и кодинговых задачах. На ARC-AGI-3 бенчмарке модель достигает 99,9% точности — резкий контраст с 7,8% у предшественника GPT-5.6 Sol. Хотя в общих индексах интеллекта и кодинг-агентов Astra находится на переднем крае, её преимущество не является подавляющим, что указывает на постепенное, а не революционное улучшение в некоторых областях.

Архитектурно, Astra, вероятно, использует вариант looped transformer — архитектуры, где слои трансформера повторно используются в цикле для увеличения эффективной глубины обработки при фиксированном вычислительном бюджете. Такой подход улучшает моделирование, но может приводить к более коротким цепочкам рассуждений (reasoning traces), поскольку модель становится способна выполнять больше вычислений внутренне, полагаясь меньше на внешние «скретчпады». Это аналогично тому, как опытный студент решает задачу на экзамене, реже пользуясь черновиком. Сокращение длины рассуждений не является признаком скрытия reasoning trace, а скорее следствием повышенной внутренней компетентности модели. Недавние исследования подтверждают, что looped transformers улучшают производительность без необходимости увеличения параметров, делая их перспективными для будущих эффективных моделей.

Astra демонстрирует резкое падение качества после первого дня эксплуатации, вероятно из-за снижения вычислительных ресурсов или квантизации. Некоторые считают это эффектом новизны, но наблюдения пользователей указывают на реальные изменения: модель становится медленнее, особенно при генерации кода, из-за внутренних циклов «думания», а её стиль — избыточно креативным, с попытками доступа к файлам и агентным поведением. Техника «looped transformers» — повторное применение одних и тех же весов для увеличения эффективной глубины без добавления параметров — не скрывает цепочку рассуждений, но снижает частоту видимых chain-of-thought, затрудняя мониторинг выравнивания. OpenAI всё ещё может отслеживать train-of-thought, но пользователи этого не видят. Эта архитектура также позволяет избежать кэширования полного контекста, освобождая место для более длинных входов перед компрессией. Третьесторонние бенчмарки показывают рост способностей к многократному рассуждению без явного chain-of-thought. Отсутствие регулярных репрезентативных тестов мешает объективной оценке деградации производительности. Рекомендуется OpenAI публиковать периодические бенчмарки для прозрачности. Архитектура «mixture of depths» упоминается как релевантная альтернатива.

Клод, ИИ-модель от Anthropic, за 11 дней автономно создал первое полностью компьютерно проверенное доказательство Великой теоремы Ферма в системе доказательств Lean. Он написал 13 миллионов строк кода и доказал 29 500 промежуточных теорем, охватив алгебру, гармонический анализ, геометрию и теорию чисел. Это достижение подтверждает, что теорема верна исключительно на основе аксиом математики, без дополнительных предположений. Кевин Бззард отметил, что доказательство многослойное и достаточно надёжное, чтобы служить основой для дальнейших исследований. Автоматическая формализация таких сложных доказательств открывает путь к будущему, где любые математические результаты можно будет быстро и надёжно верифицировать, снижая нагрузку на сообщество при оценке новых работ. Это особенно важно, учитывая историю ошибок в математике — от сотен ложных попыток доказать FLT до летних споров вокруг доказательств гипотез Пуанкаре и Голдбаха. Теперь ИИ может помочь сделать математику более прозрачной и доверенной.

Формализация Великой теоремы Ферма в Lean знаменует сдвиг в методологии математики, требуя пересмотра доверия к проверке, масштабу и воспроизводимости доказательств. Контекст проекта можно уточнить в блоге Кевина Баззарда (Imperial College), а исторический фон — в книге Саймона Сингха. Доказательство охватывает только случай p≥17; для меньших простых теорема уже доказана. Объём кода (~13 млн строк) вызывает сомнения в полной безошибочности: ядро Lean ранее уже имело эксплуатируемые уязвимости, что создаёт риск скрытых ошибок. Некоторые считают такой код «чёрным ящиком» — нечитаемым в отличие от человеческих доказательств. Стоимость формализации составила ~$300k по тарифам API, что делает проекты экономически осуществимыми, но не массовыми. Платформа Prove2Me показала, что человеческие инструменты критически важны и при автономной работе ИИ. Часть кода предлагается внести в Mathlib, чтобы сохранить вклад для сообщества. Для будущих формализаций рекомендуют Metamath с его минимальным ядром проверки. Для масштабных проектов потребуются системы управления задачами (например, JIRA), а для изучения Lean — качественный учебник, так как текущие ресурсы недостаточны. Достижение показывает, что ИИ способен формализовать сложнейшие теоремы (включая потенциальную классификацию конечных простых групп) и синтезировать конструкции за пределами существующих библиотек. Это снижает нагрузку на рецензентов, однако формализация не опровергает оригинальное доказательство Уайлса, а лишь подтверждает его строгой логикой, не заменяя человеческого понимания.

Теренс Тао, один из ведущих математиков современности, выделяет шесть фундаментальных концепций, которые лежат в основе математического мышления. Первое — это числа и их свойства, включая натуральные, целые, рациональные и иррациональные числа, которые формируют основу для арифметики и алгебры. Второе — структура и симметрия, проявляющиеся в геометрии и теории групп, где понимание инвариантности помогает решать сложные задачи. Третье — функции и зависимости между переменными, которые моделируют реальные процессы от физики до экономики. Четвёртое — доказательство как строгий метод обоснования истинности утверждений, отличающее математику от других наук. Пятое — абстракция и обобщение, позволяющие выделять общие паттерны из конкретных примеров, например, переход от конкретных уравнений к теории уравнений. Шестое — применение математических идей в других областях науки и техники, демонстрирующее их универсальность и практическую ценность. Тао подчеркивает, что mastery этих концепций не требует гениальности, а скорее любопытства, настойчивости и готовности думать логически и креативно одновременно. Он также отмечает, что ошибки и неудачи — неотъемлемая часть обучения, и что настоящее понимание приходит не от запоминания формул, а от глубокого осмысления лежащих в их основе идей. Эти шесть столпов, по его мнению, формируют не только математическую грамотность, но и способность ясно и структурированно мыслить в любой области жизни.

Видео Т. Тао помогает понять фундаментальные идеи математики: большинство зрителей отмечают рост уверенности в сложных темах. Предложения: - Заменить «Геометрию» на «Топологию», добавить логику и теорию типов как более современные фундаментальные области. - Изучить теорему перестановки Римана как пример неожиданного поведения бесконечных рядов. - Прочитать «How to Solve It» Джорджа Поля для развития математического мышления. Связь с практикой: несколько комментаторов сопоставляют шесть концепций с разработкой — понимание, верификацию и синтез в математике сравнивают с генерацией кода и проверкой программ. Дополнительные ресурсы: видео 3Blue1Brown, «The Joy of X» Стивена Строгацса, предзаказ книги Тао «Six Math Essentials». Споры: - Аналогия с обезьяной, пишущей «Гамлета», критикуется как упрощённая: один пользователь считает, что она недооценивает нелинейность обучения, другой указывает, что сравнивается лишь вывод, а не понимание. - Происхождение термина «irrational»: один комментатор считает соотнесение с «безумным» странным, другой приводит этимологию, отмечая, что математическое значение существует с XIV века. Таким образом, обсуждение дополняет статью реальными отзывами, рекомендациями и небольшими спорами.

Искусственный интеллект не «умнее» математика — он просто помнит в разы больше. В отличие от человека, чья рабочая память удерживает лишь несколько абстрактных элементов одновременно, нейросети могут удерживать в контексте тысячи формул, промежуточных выводов, определений и даже отброшенных подходов. Это позволяет решать сложные задачи, не перегружая биологические ограничения.

Ключевой факт: человеку трудно умножить в уме два трёхзначных числа — не из-за сложности операций, а из-за необходимости одновременно хранить промежуточный результат и текущую цель. Бумага или цифровой контекст устраняют эту «узкую горлышко» интеллекта. Математики используют нотацию, схемы и «чанкинг» (группировку знакомых конструкций), чтобы компенсировать лимит памяти, но не преодолевают его. AI же работает с внешним «бесконечным блокнотом», где каждый шаг фиксируется. Это делает его похожим на машину-умножитель Вон Неймана: не гениальный в философском смысле, но способный обрабатывать масштабы, недоступные мозгу.

Запомните: рабочая память — главный барьер для человеческого математического мышления. Её объём напрямую коррелирует с успехом в математике, независимо от общего ИК. Но у AI нет «глубины» Вон Неймана — он лишь использует его скорость и объём памяти как инструмент. Следующий прорыв наступит, когда ИИ поймёт, что задача сформулирована неверно, и переосмыслит её фундаментально.

Пример: Чтобы доказать теорему о сходимости ряда, математик может одновременно удерживать в голове 5 определений, 3 предыдущих леммы и текущую цель. AI же хранит все эти элементы в контексте и перебирает варианты, не уставая.

ИИ превосходит математиков не только в запоминании, но и в применении знаний к новым задачам — например, решении сложных математических проблем и генерации доказательств, обходя биологические ограничения рабочей памяти. Некоторые считают, что это проявление мышления, другие — что ИИ лишь эффективно использует рабочую память. В любом случае, он полезен в областях, требующих большого объёма знаний и памяти, таких как математика и программирование.

OpenAI представил десять прорывных результатов в математике и теоретической информатике, полученных с помощью внутренней версии модели Astra. Среди них — новые верхние оценки плотности упаковки сфер в высоких размерностях, достигнутые вплоть до порога Коэна–Элкиса, и экспоненциально улучшенные границы для максимального размера двоичных кодов при заданном минимальном расстоянии. Также решены задачи в теории кодирования, сложности арифметических схем, квантовой сложности и решёточной криптографии. Все доказательства были формализованы в системе Lean и сопровождаются пошаговыми объяснениями модели.

Общая стоимость вычислений для нахождения решений составила около $2000 по тарифам Sol API. Каждое решение сопровождается аудио-навигацией мышления модели и человеческой редактурой. Это первый масштабный пример, когда ИИ не просто помогает, а самостоятельно открывает новые математические истины, которые затем формализуются и проверяются. Результаты опубликованы в открытом доступе вместе с Lean-сертификатами, что позволяет сообществу воспроизводить и развивать их. Такой подход меняет роль ИИ с инструмента поддержки на соавтора научных открытий.

Скептическая оценка маркетинга OpenAI: результаты — не фундаментальный прорыв, а эффективный перебор известных методов без новой математики. AI не обладает интуицией, не формулирует гипотезы, но превосходит людей в рутинном вычислительном переборе, превращая доказательства в вычислительные задачи. Стоимость $2000 вводит в заблуждение: скрытый масштаб экспериментов (p-value hacking) и низкая загрузка мощностей искажают реальную цену. Отсутствует прозрачность: неизвестно число попыток, объяснения содержат логические скачки, затрудняющие проверку. Lean-доказательства достигают 50k строк, но стиль изложения слаб. Настоящий прорыв наступит, когда AI создаст новую ветвь математики — пока лишь усиливает внимание к существующим областям. Ускорение решения задачи ближайшего вектора угрожает криптографии, что уже учитывается переходом на гибридные схемы. Практического применения в медицине или материаловедении пока нет. Тревога по поводу разрушения академической системы: если AI решит задачи, лежащие в основе научных карьер, это подорвёт финансирование и престиж. Ирония: заявление OpenAI о «ответственности за корректность» доказательств сравнивают с добровольным статусом козла отпущения.

Каждый несвязный без мостов граф содержит набор циклов, покрывающих каждую дугу ровно дважды. Для доказательства достаточно рассмотреть кубические (3‑регулярные) графы без мостов. Такие графы всегда обладают ничтожным 8‑потоком, что эквивалентно наличию ничтожного потока над полем Γ=𝔽₂³. На основе этого потока строится раскладка ребер множествами из двух элементов Γ так, чтобы у каждой вершине каждый элемент Γ встречался либо 0, либо 2 раза. Эта «расслабленная» 3‑красочная раскладка приводит к требуемому покрытию.

Для каждой вершины локально выбираются три элемента Γ из значений потока на её трёх инцидентных ребрах; из них формируются пары {t, t+x}, {t+x, t+z}, {t, t+z}. На каждом ребре эти пары совпадают, если выполнена система линейных уравнений над Γ⊕𝔽₂, которая всегда имеет решение (лемма 2.2). После выбора параметров t_v и ε_e получаем для каждого ребра набор из двух элементов Γ, удовлетворяющий условию (1). По построению множества M_s={e:s∈P_e} разбиваются на циклы, каждый элемент Γ появляется в ровно двух M_s около любой вершины, а их объединение покрывает все ребра двойным циклом. Таким образом любой безмостовой граф имеет цикл‑двойное покрытие.

• ИИ создал короткое доказательство задачи о двойном покрытии циклов, которое прошло проверку.
• Промпт включал множество метаинструкций и требовал от модели «продолжать» работу.
• Реакция сообщества разнообразна: от восхищения до скептицизма по поводу проверки и значимости.
• Ключевой вопрос — необходимость независимого математического рецензирования и прозрачности процесса.

Исследования математика Жака Адамара 1940-х годов показали, что выдающиеся математики решали сложные задачи не через слова, образы или уравнения, а через неформальные ощущения: вибрации в руках, бессмысленные звуки или размытые образы. Этот способ мышления отличался от обычного дняdreaming и представлял собой напряженное, сфокусированное состояние без вербализации.

Подсознательная обработка проблем после интенсивной работы над ними приводит к "озарению" - внезапному появлению решения после периода бессознательного инкубации. Однако Адамар описывал иной процесс: математики сознательно, но без слов удерживали проблему в центре внимания, используя метафорические образы (как "лента переменной толщины" для бесконечных рядов). Это позволяет направлять ментальные ресурсы на решение важных задач, превращая подсознание в бесплатного ассистента.

• Люди с нейродивергентным мышлением описывают мыслительный процесс как визуальный, а не вербальный, что вызывает вопросы о том, как они вообще формулируют и передают идеи без слов.
• Среди участников обсуждения есть те, кто считает, что мышление без слов — это нечто, что может быть развито у любого человека, и что это может быть полезно для решения проблем.
• Обсуждается, что мышление без слов может быть полезно для решения проблем, но также может быть трудно выразить эти мысли словами.
• Участники обсуждения также затрагивают вопрос о том, как мыслительный процесс может влиять на способность к обучению и решению проблем.

Математики обнаружили универсальный способ "отмены" вращения любого объекта, что противоречит интуитивному представлению о необходимости painstakingly повторять обратные движения. Вместо этого можно использовать "скрытую кнопку сброса", которая включает масштабирование начального вращения на общий коэффициент и повторение этого дважды. Например, если волчок повернулся на три четверти, можно вернуться в исходное положение, масштабировав вращение до одной восьмой и повторив его дважды.

Этот метод применим к любым вращающимся объектам: спинам, кубитам, гироскопам и роботизированным рукам. Даже если объект прошел сложную траекторию, масштабирование всех углов вращения на один и тот же коэффициент и повторение этой траектории дважды возвращает его в исходное положение. Математическое доказательство основано на каталоге всех возможных вращений в трехмерном пространстве, известном как SO(3), который описывается с помощью абстрактного математического пространства, структурированного подобно шару.

• Обсуждение вращений в SO(3) и SU(2) показало, что любой путь вращений можно «сбросить» в исходную точку, если повторить его дважды с подходящим масштабным коэффициентом λ, но формула для вычисления λ пока неизвестна.
• Работа Эккмана и Тлусти подчеркивает, что классическая механика допускает обратимость, но не даёт способа вычислить обратную последовательность вращений без полного перебора всех возможных.
• Исследование вращений в контексте робототехники, МРТ и квантовых вычислений подчеркивает, что вращения в 3D-пространстве могут быть «сброшены» с помощью простой последовательности шагов, но неясно, как вычислить эту последовательность.
• Обсуждение также затрагивает вопрос о том, можно ли применить этот результат к «сбросу» любой последовательности вращений в контексте робототехники и МРТ, и поднимает вопрос о том, что такое вращение в контексте квантовых вычислений.

Линейная алгебра начинается с двух ключевых идей: метода Гаусса и концепции строкового и столбцового представления. На примере монет: уравнение 5x + y = 23 (где x — никели, y — пенни) имеет несколько решений, например, 4 никеля и 3 пенни или 23 пенни. Это линейное уравнение, так как его график — прямая.

Сложность возникает, когда переменных две, но нужно удовлетворить двум условиям. Например, в задаче о питании: молоко (1 г углеводов, 2 г белка) и хлеб (2 г углеводов, 1 г белка). Чтобы получить 5 г углеводов и 4 г белка, нужно решить систему из двух уравнений. Метод Гаусса позволяет найти такие x и y, которые одновременно удовлетворяют обоим уравнениям, демонстрируя переход от одной переменной к системам.

• Пользователи высоко оценили визуальный стиль и доступность объяснений в блоге, сравнивая его с другими популярными ресурсами.
• Было высказано пожелание начинать объяснение линейной алгебры с практической задачи и графической интерпретации, а не с абстрактного метода (как Gaussian elimination).
• Обсуждалась цель изучения линейной алгебры: для практического применения или глубокого теоретического понимания.
• Отмечены технические проблемы с отображением иллюстраций в тёмном режиме на iOS Safari.
• Упомянуты другие учебные материалы по теме и выражена благодарность автору за качественный контент.

Фурье-преобразование — это способ разложить любую функцию на сумму простых волн.

Идея родилась в 1807 г., когда Жан Батист Жозеф Фурье искал закон теплопроводности. Он показал: любая периодическая кривая — это набор синусов и косинусов с разными частотами и амплитудами.

Современная формула
$$ \hat f(\xi)=\int_{-\infty}^{\infty} f(x),e^{-2\pi i x\xi},dx $$
переводит сигнал из «временной» области в «частотную».

Как работает

• Сложный звук → набор чистых тонов.
• Изображение → сетка синусоидальных полос разной плотности.
• Удалив высокие частоты, получаем сжатие JPEG; убрав низкие — оставляем контуры.

Применения

• МРТ и рентген: преобразование Радона + обратное Фурье.
• Сотовая связь, радары, шумоподавление.
• Решение дифференциальных уравнений и квантовая механика.

Интуиция
Фурье-анализ — это «математический слух»: он выделяет, какие «ноты» содержатся в любом сигнале.

• В треде делятся ссылками на яркие визуализации: Captain Disillusion, 3Blue1Brown, MIT-лекция Фримена, интерактивы injuly.in и jezzamon.
• Кто-то предупреждает: «простые» объяснения могут дать иллюзию понимания, лучше сразу смотреть на математику.
• Появляются любители Лапласа/z-преобразования, жалуются, что о них почти нет популярных видео.
• Обсуждают практику: JPEG, OFDM, сжатие манги, анти-муар, фильтры в е-ink, а также «почему это работает» — спarsity, смена базиса в бесконечномерном пространстве.
• Интересуются деталями: как выбрать частоты, как считать преобразование на потоке, почему убрать высокие частоты = размытие.

Репозиторий the-litte-book-of/linear-algebra на GitHub.
Эпиграф Жана Дьёдонне: «Линейная алгебра — почти самая элементарная теория, хотя преподаватели и авторы учебников на протяжении поколений затемняли её простоту чудовищными выкладками с матрицами».

Меню навигации, вход, настройки внешнего вида, поиск и другие стандартные элементы GitHub опущены.

• Линейная алгебра считается глубокой и полезной, но базовая механика скучна.
• Многие советуют начинать с геометрической интуиции и визуализации (3Blue1Brown, «Wild Linear Algebra», mini-book photon_lines).
• Книга Axler «Linear Algebra Done Right» и курс Hefferon хвалятся за строгий, но понятный подход.
• Практика в графике/3D, экономике, машинном обучении и сжатии JPEG делает тему мотивирующей.
• Сообщество жалуется на плохое преподавание и просит больше визуальных объяснений, меньше «так надо».

Румыния — малый 19-миллионный балканский государство — регулярно входит в мировую пятёрку по математическим, физическим и информатическим олимпиадам, несмотря на посредственные средние результаты PISA и симметричное распределение способностей. Объяснение кроется в уникальной структуре образования.

После войны коммунисты 1948 г. за десятилетие ликвидировали неграмотность, построив сеть доступных, хотя и примитивных школ по советскому образцу. После 1989 демократические власти закрыли лишние здания, но сохранили жёсткий отбор: уже в начальной школе выявляют способных и направляют в специализированные лицеи и гимназии с углублённой подготовкой. Эти узкие «олимпиадные трубы» концентрируют ресурсы, лучших учителей и соревновательную культуру, порождая крошечную, но мощную элиту, которая и приносит стране медали.

• Румынская система образования жёстко сортирует учеников: лучших собирают в «национальные колледжи» с лучшими учителями и максимальной поддержкой олимпиадного движения.
• Это даёт высокие места на IMO, но за счёт остальных школьников и приводит к оттоку талантов за границу.
• Похожие советские/соц-школы были и в Венгрии, Болгарии, России, но после 1990-х их качество упало, а румынская модель сохранилась.
• Критики обвиняют автора статьи (Jordan Lasker) в расистской риторике и псевдонауке, советуют относиться к выводам осторожно.
• Итог: стратифицированная система создаёт узкий пул звёзд-олимпиадников, но не повышает общий уровень математики в стране.

Бог создал действительные числа, а не целые.
16-вековая Италия считала науку знанием о вечном, созданном Богом, а искусство — делом человеческим. Кронекер утверждал: «Бог сотворил целые, всё остальное — дело рук человеческих». Но целые слишком просты и элегантны, чтобы быть «божественными»; природа не стремится к абстрактной простоте. Настоящая «божественная» математика — это иррациональные, «тошнотворные» действительные числа: √2, π и прочие бесконечности, вызывающие у человека головокружение.

Иерархия странности
Вечная природа → природа → люди → человеческие идеи. Чем ближе к вечной природе, тем выше степень странности. Целые числа лежат ближе к человеческим идеям, поэтому кажутся «совершенными»; молоток кажется идеальным инструментом, потому что был изобретён людьми для людей.

Кронекер, Кантор и Бог
Кронекер атаковал бесконечность, чтобы защитить «божественные» целые. Кантор же видел в трансфинитах путь к Богу и полагал, что математика — это Бог, говорящий через него. Гильберт назвал «рай Кантора» неизгладимым.

• Участники спорят, «естественны» ли вещественные числа или это всего лишь удобная человеческая абстракция.
• Некоторые склоняются к финитизму: природа дискретна, а непрерывность — модель, не имеющая физического подтверждения.
• Другие считают, что математика изобретена, но полезна: «карта не есть территория», и бесконечности не нужны для описания мира.
• Обсуждаются комплексные, рациональные и даже «мнимые» числа как примеры конструкций, которые кажутся «реальными», лишь пока мы ими пользуемся.

JavaScript отключён
Включите JavaScript или перейдите в поддерживаемый браузер.
Список браузеров — в Справке.

Попробуйте снова
⚠️ Расширения, связанные с приватностью, могут мешать работе x.com. Отключите их и обновите страницу.

• Утверждение «GPT-5 Pro доказал новую интересную математику» вызвало споры: кто-то считает это прорывом, кто-то — переоценкой.
• Критики указывают, что улучшенная теорема уже была доказана людьми в апреле, а сам результат не революционен.
• Сомнения вызывает и методология: неясно, сколько попыток потребовалось, чтобы получить «удачный» вывод.
• Математики подчеркивают: генерация формул ≠ строгое доказательство; важны семантика и проверка.
• Параллельно всплыли примеры из других областей (поиск лекарств, антенны NASA), где ИИ «открывает» известное, но упущенное людьми.
• Общий вывод: ИИ может помогать в математике, но пока это скорее инструмент для ускорения, чем источник глубоких новых теорий.

Как двигать объекты в 3D

Кликните вправо, чтобы идти дальше →

---

От круга к сферической спирали

Куб движется по кругу:
x = 10 cos(πt/2)
y = 10 sin(πt/2)

Умножаем радиус на 0.03 t — получаем растущую спираль.

---

Сферическая спираль

Добавляем z:
z = 10 cos(0.02 πt)

Радиус x, y теперь умножается на sin(0.02 πt), поэтому он сначала растёт, потом уменьшается.

x = 10 cos(πt/2) · sin(0.02 πt)
y = 10 sin(πt/2) · sin(0.02 πt)
z = 10 cos(0.02 πt)

Куб облетает сферу по спирали.

---

Итог

Положение в 3D задаётся параметрическими уравнениями x(t), y(t), z(t).
Меняя функции, получаем любые траектории — от простого круга до «хаотичных» путей.

Проект Damar • Twitter @damarberlari

• Пользователи восторгаются плавной анимацией и наглядностью объяснения сферической спирали.
• Некоторые жалуются на тормоза в Firefox/Linux и просят убрать «диззи»-эффект.
• Просят добавить навигацию свайпом/скроллом, кнопки «вперёд-назад» и RSS-ленту.
• Отмечен скачок сложности: от азов к финальной спирали — слишком большой шаг для новичков.
• Появились предложения расширить тему: полярные координаты, матрицы поворота, Fibonacci-спираль на сфере.