GPT-5.6 Sol Ultra від OpenAI розв'язує математичну гіпотезу 50-річної давнини

Остання модель міркування від OpenAI, GPT-5.6 Sol Ultra, як повідомляється, здійснила прорив у теорії графів, розв'язавши математичну гіпотезу, яка залишалася відкритою з 1970-х років. Завдяки використанню надзвичайної обчислювальної наполегливості та мультиагентної архітектури, модель представила повне доведення менш ніж за годину.

Розв'язання таємниці теорії графів

Гіпотеза, про яку йдеться, стосується фундаментального питання теорії графів: чи можна знайти в будь-якій мережі вершин і ребер набір циклів, який проходить через кожне окреме ребро рівно двічі. Хоча протягом останніх п'яти десятиліть математики знаходили часткові рішення для окремих випадків, загальне доведення залишалося недосяжним.

Томас Блум, математик з Манчестерського університету, описав доведення як «коротке, елементарне, яке могло бути відкрите ще у 1980-х роках». Цікаво, що рішення не потребувало винаходу абсолютно нових математичних теорій; натомість воно вдало синтезувало наявні інструменти та відомі математичні структури.

Сила машинного наполегливості

Виникає критичне питання: якщо математика була «елементарною», чому люди не могли розв'язати її протягом 50 років? Блум припускає, що рішення потребувало невеликого, контрінтуїтивного повороту в міркуваннях. Люди-математики часто слідують логічними шляхами, які у разі невдачі призводять до висновку, що проблема є нерозв'язною.

Натомість GPT-5.6 Sol Ultra демонструє рівень «машинної наполегливості». Вона не піддається когнітивному упередженню у вигляді розчарування. Замість цього модель безперервно досліджує найдрібніші варіації в логіці та маркуванні, доки не буде знайдено успішний шлях. Ця здатність до перебору логічних перестановок методом грубої сили без «жесту покірності поразці» дозволила ШІ обійти ментальні бар'єри, які зупиняли дослідників-людей.

Просунутий промпт-інжиніринг та мультиагентна архітектура

Успіх Sol Ultra був результатом не лише чистого інтелекту, а й надзвичайно складного промпт-інжинірингу. Щоб модель не видавала стандартне «я не знаю», дослідники використали серію суворих директив:

• Примусове припущення: Промпт змушував модель припускати, що повне доведення існує, запобігаючи твердженню про те, що гіпотеза не розв'язана.
• Ізоляція інформації: Моделі було заборонено шукати в інтернеті, щоб перевірити, чи не була проблема вже розв'язана.
• Мультиагентне змагальне тестування: Використовувалася система з 64 агентів. Багато з них тримали «в невіданні» щодо того, який логічний підхід працює, щоб забезпечити незалежність міркувань, тоді як змагальні агенти ретельно перевіряли потенційні доведення на наявність конкретних помилок, таких як неправильно ідентифіковані замкнені шляхи.

Дебати щодо креативності ШІ та цитування

Цей прорив знову розпалив дискусію про те, чи є LLM справді «креативними», чи вони просто складні рекомбінатори наявних знань. Блум зазначив, що основні ідеї доведення беруть початок із роботи Бермонда, Джексона та Йегера 1983 року. Він розкритикував OpenAI за те, що компанія не процитувала цю попередню роботу, зазначивши, що створені ШІ статті часто використовують існуючі стратегії без належного зазначення авторства.

Поки наукова спільнота все ще очікує на повну математичну перевірку, ця подія сигналізує про зміну в ландшафті ШІ. Масштабні моделі ШІ все частіше залучаються для вирішення відкритих наукових проблем, потенційно відкриваючи рішення, які весь цей час були в межах досяжності людини.

Основні висновки

• Наполегливість важливіша за складність: ШІ розв'язав давню проблему не шляхом винаходу нової математики, а застосувавши існуючі теорії з рівнем невтомної логічної варіативності, якого бракує людям.
• Суворі обмеження стимулюють результат: Використання «змагального» промптингу та заборона пошуку в інтернеті змусили модель знайти рішення, а не надати стандартну відповідь «не розв'язано».
• Проблема атрибуції: Інцидент підкреслює зростаюче занепокоєння в дослідженнях ШІ щодо відсутності належного цитування, коли моделі рекомбінують існуючу наукову літературу.