LLM-теоремы: как ИИ переходит от решения задач к математическим открытиям

Современные большие языковые модели (LLM) уже научились решать сложные математические задачи, но их возможности ограничены доказательством известных фактов. Новая работа на arXiv утверждает, что для настоящих открытий — таких как формулировка новых теорем или разрешение гипотез — требуется смена парадигмы: от решателей задач к исследовательским агентам. Этот переход может кардинально ускорить прогресс в фундаментальной науке и изменить подход к проверке программного обеспечения.

Почему формальная математика — идеальный полигон для ИИ

Формальная математика предъявляет строгие требования: ошибки недопустимы, а доказательства должны быть полностью воспроизводимы. Это делает её идеальной средой для тестирования систем искусственного интеллекта. Если ИИ сможет не только доказывать известные теоремы, но и открывать новые, это откроет путь к автоматизации научных исследований. Кроме того, методы формальной верификации, используемые в математике, напрямую применимы к проверке корректности программного кода и криптографических протоколов, что повышает надёжность цифровых систем.

Текущие достижения и ограничения LLM в математике

В последние годы LLM добились впечатляющих успехов в решении задач из сборников, таких как задачи Международной математической олимпиады (IMO). Системы на базе Lean, Isabelle и Coq способны генерировать формальные доказательства для хорошо определённых проблем. Однако, как отмечают авторы позиционного доклада, эти системы сталкиваются с фундаментальными ограничениями при работе с открытыми проблемами. Основные трудности включают нехватку датасетов, содержащих исследовательские задачи, слабую реляционную структуру существующих формальных библиотек и отсутствие механизмов для генерации гипотез.

Какие проблемы мешают ИИ стать математиком-исследователем

Авторы выделяют несколько ключевых препятствий. Во-первых, существующие датасеты ориентированы на задачи с чётко определёнными условиями, тогда как реальные исследования часто начинаются с неполных или неформальных описаний. Во-вторых, формальные библиотеки, такие как Mathlib для Lean, организованы иерархически, но плохо поддерживают связи между разными областями математики. В-третьих, современные LLM не умеют самостоятельно формулировать гипотезы и планировать долгосрочные стратегии доказательства. Наконец, инструменты для совместной работы человека и ИИ всё ещё незрелы: математики не могут легко взаимодействовать с системами на естественном языке.

Как LLM могут научиться генерировать новые математические гипотезы?

Один из ключевых вызовов — создание механизмов, которые позволят ИИ не только доказывать, но и формулировать новые утверждения. В докладе предлагается разрабатывать агентов, способных работать с открытыми, неполными и многоуровневыми абстракциями. Например, система могла бы анализировать существующие теоремы, выявлять закономерности и предлагать обобщения. Такой подход потребует интеграции методов машинного обучения с символьными вычислениями и вероятностным программированием.

Примеры из практики: Lean, Isabelle и Coq

Системы доказательства теорем, такие как Lean, Isabelle и Coq, уже используются для формализации сложных математических результатов. Например, с помощью Lean была формализована теорема об избыточности простых чисел. Однако эти инструменты требуют от пользователя глубоких знаний формальных языков и значительных усилий по написанию доказательств. LLM могут упростить этот процесс, автоматически переводя неформальные математические тексты в формальные языки (автоформализация) и предлагая шаги доказательства.

Кого затронет смена парадигмы

Разработчики LLM получат новые задачи по созданию исследовательских агентов. Математики, использующие формальные доказательства, смогут ускорить свою работу. Создатели инструментов для доказательства теорем, таких как Lean и Coq, должны будут адаптировать свои системы для совместной работы с ИИ. Исследователи в области синтеза программ и рассуждений также окажутся в центре перемен, поскольку методы, разработанные для математики, могут быть перенесены в другие области.

Что пока остаётся неясным

Насколько реалистичен переход к исследовательским агентам в ближайшие годы? Текущие LLM склонны к галлюцинациям — генерации правдоподобных, но неверных утверждений. Кроме того, они требуют огромных вычислительных ресурсов. Неясно, какие архитектурные изменения потребуются: возможно, придётся комбинировать LLM с системами символьного вывода или разрабатывать новые модели, способные к абстрактному мышлению. Пока что путь от решателя задач к открывателю теорем остаётся открытым вопросом, но первые шаги уже сделаны.