OpenAI Astra решила 10 нерешаемых задач за $2000. Что теперь делать математикам?

Что, если ваш диплом по чистой математике обесценится за год? А если ваша многолетняя научная работа будет решена искусственным интеллектом за одну ночь и всего за 2000 долларов? 2 августа 2026 года OpenAI официально объявила о прорыве своей модели Astra, которая решила 10 открытых математических проблем, стоявших десятилетиями. Пока одни празднуют, другие в панике: что теперь делать людям, чья профессия — решать такие задачи?

Мы не будем пересказывать новость — в Сети и так полно перепечаток. Вместо этого разберём слабые сигналы, которые указывают на смену парадигмы: ИИ становится не инструментом, а полноценным исследователем. И это изменит фундаментальную науку, криптографию, физику и карьерные траектории быстрее, чем мы привыкли думать.

Почему новость о Astra — не просто сенсация, а сигнал к действию

OpenAI опубликовала не просто пресс-релиз, а 249-страничный сборник доказательств с формальной верификацией в системе Lean 4. Это не маркетинг — это смена методологии. Модель Astra не просто выдала ответы, она провела многомесячную исследовательскую работу, самостоятельно перебирая стратегии и проверяя гипотезы. Согласно официальному блогу OpenAI, модель работала над задачами «в течение нескольких месяцев», что принципиально отличает её от обычных LLM, которые лишь компилируют знания.

«Это не просто очередное достижение ИИ — это смена парадигмы в том, как мы занимаемся математикой», — отметил математик Алекс Конторович, участвовавший в рецензировании результатов, в интервью изданию 36kr. (источник)

Судите сами: среди решённых задач — задача о не-sofic группах, открытая с 1999 года, и гипотеза жёсткости Конна, которая стояла с начала 2000-х. Astra также улучшила оценки для упаковки сфер в высоких размерностях — проблема, к которой математики не прикасались с 1978 года. Это не случайные победы, а систематический прорыв на всех фронтах фундаментальной математики.

История знает подобные моменты: когда в 1996 году Deep Blue победил Каспарова, никто не думал, что через 20 лет шахматные движки станут наставниками для гроссмейстеров, а не их заменителями. Сегодня мы на пороге аналогичного сдвига в математике. Но в отличие от шахмат, где правила фиксированы, математика — это живой организм, и ИИ уже начинает его перекраивать.

Какие именно задачи решила Astra?

Для наглядности — полный список 10 результатов, полученных моделью. Все они формально верифицированы в Lean 4 и опубликованы в открытом доступе.

Что изменится в математике, криптографии и физике — 3 главных последствия

Чтобы понять масштаб, достаточно взглянуть на конкретные задачи, которые решила Astra. Среди них — задача ближайшего вектора в решётках с доказательством сложности аппроксимации с полиномиальным фактором. Это напрямую связано с постквантовой криптографией: алгоритмы NIST, такие как Kyber и Dilithium, основаны именно на трудности этой задачи. Если ИИ может находить эффективные приближения, значит, гонка квантовой безопасности получает неожиданного игрока — не квантовый компьютер, а ИИ-алгоритм, который может ускорить взлом. Кстати, мы уже писали о том, как квантовая угроза биткоину становится реальностью, и теперь ИИ добавляет новый уровень сложности.

Второй удар — по квантовой сложности. Astra доказала экспоненциальную теорему о параллельной репликации для общих двух игроков в квантовых играх. Это может изменить наши представления о квантовых вычислениях и даже о самой природе квантовой информации. Физики-теоретики, приготовьтесь пересматривать учебники.

Третье последствие — смена исследовательской парадигмы. Если ИИ способен решать задачи, над которыми лучшие умы бились десятилетиями, то фундаментальная наука переходит от «человеческой интуиции» к «вычислительному поиску». Это не означает, что математики станут не нужны — наоборот, появятся новые роли: формализаторы, постановщики задач, интерпретаторы результатов. Но рутинная «силовая» математика уйдёт в прошлое.

Кстати, о квантовой угрозе: недавно мы уже писали о том, как квантовый компьютер впервые взломал 15-битный ключ ECC — теперь ИИ добавляет новый уровень сложности.

Как проверить результаты Astra самостоятельно (Lean 4, GitHub-репозиторий, стоимость вычислений)

Одно из главных отличий OpenAI от многих конкурентов — полная открытость доказательств. Компания выложила на GitHub репозиторий ten-proofs со всеми Lean-сертификатами. Скачав его, вы можете запустить формальную верификацию на своём компьютере — при условии, что у вас установлены Lean 4 и mathlib. Согласно документации, основные доказательства используют только три аксиомы: propext, Classical.choice и Quot.sound, что делает их проверку прозрачной.

Что нужно сделать:

• Установите Lean 4 и менеджер пакетов lake.
• Клонируйте репозиторий git clone https://github.com/openai/ten-proofs.git.
• Запустите lake build — это может занять время, так как проверка всех доказательств требует значительных вычислительных ресурсов.
• Для желающих проверить отдельные задачи — в папке /proofs есть файлы с названиями проблем, например NonSofic.lean.

Стоимость вычислений, которую OpenAI оценила в 2000 долларов по тарифам Sol API, — это лишь затраты на инференс, без учёта обучения модели и работы математиков. Но сам факт, что за несколько тысяч долларов можно получить решение мирового уровня, говорит о том, что скоро подобные эксперименты станут доступны не только гигантам вроде OpenAI, но и университетским лабораториям.

Ссылка на полную 249-страничную работу: ten-proofs-oai.pdf.

Astra vs DeepMind: кто выигрывает гонку ИИ-доказательств

Главный конкурент OpenAI в этой области — Google DeepMind с их AlphaProof и AlphaGeometry. AlphaProof уже показала себя на задачах международной олимпиады по математике, а AlphaGeometry решила сложные геометрические теоремы. Однако Astra пошла дальше: вместо олимпиадных задач она взялась за настоящие открытые проблемы, стоявшие десятилетиями.

Вот сравнительная таблица подходов:

DeepMind, безусловно, сильна в прикладных задачах, но в «большой науке» OpenAI сделала решительный шаг вперёд. И это не просто PR — наличие формально проверенных доказательств даёт гарантию, что решения корректны, что критично для криптографии и физики.

Ваша карьера в эпоху ИИ-математиков: 5 навыков, которые спасут от автоматизации

Если Astra решает задачи, которые раньше требовали десятилетий работы, то что останется людям? Этот вопрос волнует не только математиков, но и физиков, инженеров, программистов. Спойлер: работа не исчезнет, но трансформируется.

Мы выделяем пять навыков, которые станут критическими:

• Формализация — умение переформулировать задачи на языке формальной логики (Lean, Coq). ИИ-доказательства требуют чёткой постановки, и тот, кто умеет формализовать, будет управлять ИИ, а не наоборот.
• Интерпретация результатов — ИИ выдаёт доказательство, но что оно значит для физического мира или для инженерии? Нужны специалисты, которые переведут абстрактные теоремы в практические выводы.
• Постановка задач — ИИ не сам выбирает, что решать. Важно задавать правильные вопросы и определять приоритеты в огромном пространстве проблем.
• Междисциплинарность — Astra соединила теорию чисел, геометрию и криптографию. Будущие прорывы будут на стыках дисциплин, и узкие специалисты проиграют широким. Например, мы уже рассказывали о том, как Claude Mythos нашёл уязвимость в OpenBSD — это тоже результат междисциплинарного подхода, где ИИ работает на стыке безопасности и лингвистики.
• Этика и безопасность — когда ИИ может взломать криптосистемы или предсказать результаты экспериментов, встаёт вопрос контроля. Специалисты по безопасности и этике будут на вес золота.

Кстати, российские учёные уже активно работают в этой области — недавно мы писали об их прорывных методах на ICLR 2026, которые тоже связаны с повышением качества ИИ-моделей.

Какие задачи ИИ возьмёт следующей — прогноз по открытым проблемам

Итак, Astra справилась с десятком сложнейших задач. Но это только начало. Какие известные открытые проблемы могут быть решены в ближайшие 5–10 лет? Судите по методологии: Astra использует комбинацию поиска в пространстве доказательств и формальной верификации. Она особенно сильна в областях, где есть чёткие аксиоматические системы и конечные переборы.

Вероятные кандидаты:

• Гипотеза Римана — она уже формализована в некоторых библиотеках, но для её доказательства потребуется гигантский объём вычислительной работы и новые идеи. Если Astra сможет генерировать нестандартные подходы, то шансы ненулевые.
• P vs NP — здесь сложность в том, что задача не совсем формализуема в текущих системах, но возможно частичные результаты, например, улучшение оценок для конкретных классов.
• Гипотеза Ходжа — в алгебраической геометрии, тесно связана с теорией чисел и может быть решена в комбинации с методами, которые Astra уже показала.

Не стоит забывать, что OpenAI уже работает над следующей версией Astra, и затраты на обучение и инференс растут экспоненциально. Возможно, через год мы увидим решение одной из «задач тысячелетия».

Что делать прямо сейчас: чек-лист для исследователя, инженера и студента

Теория — это хорошо, но что конкретно предпринять, чтобы не оказаться за бортом? Мы подготовили чек-лист для трёх типов аудиторий:

Для исследователей (математики, физики):

• Освойте Lean 4 — начните с официального учебника и попробуйте формализовать свою текущую задачу.
• Изучите репозиторий ten-proofs — вы увидите, как структурированы доказательства, и сможете адаптировать подход.
• Следите за обновлениями OpenAI — они обещают новые результаты в ближайшие месяцы.

Для инженеров (разработчики, криптографы):

• Интегрируйте формальную верификацию в свои проекты — особенно если вы работаете с криптографией или безопасностью.
• Оцените риски для постквантовых алгоритмов — подпишитесь на обновления от NIST и Chainalysis.
• Экспериментируйте с Sol API — чтобы понять, как быстро и дёшево можно решать сложные задачи.

Для студентов и начинающих:

• Выберите направление на стыке математики и программирования — формальные методы, теория сложности, квантовые вычисления.
• Участвуйте в открытых проектах (например, в сообществе Lean) — это лучший способ войти в профессию.
• Следите за новостями — подпишитесь на наш дайджест, чтобы не пропустить новые статьи о прорывах ИИ в науке.

Краткий глоссарий

• Lean 4 — интерактивный доказательственный ассистент и язык программирования, используемый для формальной верификации математических утверждений.
• Формальная верификация — процесс математического доказательства корректности алгоритмов или утверждений с помощью строгих логических правил, проверяемых компьютером.
• Криптография на решётках — раздел постквантовой криптографии, основанный на сложности поиска ближайшего вектора в решётке; считается устойчивым к квантовым атакам.
• Sofic-группы — класс групп, обобщающий резидуально конечные группы; вопрос о существовании не-sofic групп был открыт с 1999 года.
• Квантовая сложность — раздел теории сложности, изучающий вычислительные ресурсы, необходимые для решения задач на квантовых компьютерах.

Главный вывод: ИИ не заменит людей, но он изменит правила игры. Тот, кто научится управлять этим новым «исследователем», получит огромное преимущество. Начните с малого: откройте репозиторий, установите Lean 4 и попробуйте воспроизвести хотя бы одно доказательство. Будущее уже наступило — осталось только в него включиться.

Материал носит информационный характер и не является индивидуальной инвестиционной рекомендацией.

Подпишитесь на наш дайджест, чтобы первыми узнавать о следующих прорывах — мы будем держать вас в курсе!