ИИ из Пекинского университета решил 12-летнюю алгебраическую проблему за 80 часов без участия человека

Исследователи из Пекинского университета представили систему, способную к автономному решению фундаментальных математических задач. Разработанный комплекс, состоящий из двух алгоритмических компонентов — Rethlas и Archon, — справился с алгебраической проблемой, остававшейся нерешенной на протяжении последних 12 лет. Процесс поиска решения занял 80 часов и прошел полностью без участия человека, включая этап верификации корректности полученного результата.

Автономность и методология решения

В отличие от предыдущих подходов, где ИИ-системы требовали направляющего воздействия или корректировки со стороны математиков, связка Rethlas и Archon продемонстрировала высокую степень автономности. Алгоритм не просто вычислил верный ответ, но и предоставил строгое математическое доказательство своего утверждения. Если коротко, система самостоятельно синтезировала логическую цепочку, демонстрируя способность к абстрактному мышлению при работе со сложными алгебраическими конструкциями.Команда разработчиков подчеркивает, что найденная методика решения отличается элегантностью, что свидетельствует о «понимании» ИИ внутренних принципов математической дисциплины, а не об использовании простого перебора вариантов (brute force). Несмотря на то, что сама задача не относится к списку «проблем тысячелетия», ее успешное закрытие без внешнего контроля является важным индикатором прогресса в развитии вычислительного интеллекта.

Перспективы применения специализированных ИИ-систем

Результаты, показанные Rethlas и Archon, подтверждают смещение парадигмы в сторону использования машинного обучения для задач, ранее считавшихся прерогативой исключительно человеческой интуиции и креативности. На практике это значит, что прикладное значение таких систем выходит далеко за рамки алгебраических упражнений.Авторы разработки полагают, что подобные автономные агенты станут незаменимым инструментом в научно-исследовательской деятельности. В ближайшем будущем они могут быть адаптированы для поиска решений в таких трудоемких областях, как теоретическая физика, прикладная инженерия и компьютерные науки. Способность ИИ исследовать обширные математические пространства и выявлять закономерности, недоступные человеческому восприятию, открывает возможности для совершения прорывов в фундаментальных науках. Успех эксперимента фактически означает, что системы машинного обучения перешли от стадии «инструмента-помощника» к этапу самостоятельного ведения научной работы.