Соавтор ChatGPT Лиам Федус: после 722 рукописей OpenAI ИИ пора в лаборатории

OpenAI выложила на GitHub сразу 722 математические рукописи, охватывающие 17 областей: от теории чисел и геометрии до теоретической информатики и математической физики. Часть работ сопровождают формальные доказательства на Lean, которые компьютер проверяет механически. По заявлению компании, все тексты написала внутренняя frontier-модель, она пока не вышла. Через несколько дней OpenAI отозвала несколько рукописей. На этом фоне Лиам Федус, один из создателей ChatGPT, формулирует тезис: после математики ИИ нужно идти в лабораторию.

Что именно опубликовано

Масштаб необычный. Обычный математик за карьеру пишет десятки статей, а здесь за один заход появились сотни текстов в разных разделах науки. Их объединяет автор, и это не человек, а неопубликованная модель.

По тому, что известно из анонса:

• 722 рукописи выложены одним пакетом на GitHub;
• они покрывают 17 математических и околоматематических областей;
• часть работ имеет формальные доказательства на Lean, которые проверяются без участия человека;
• источник — внутренняя модель OpenAI, публичного релиза у неё нет;
• несколько рукописей позже убрали из репозитория.

Почему математика пошла первой

Математика удобна для ИИ по одной причине: ответ можно проверить дёшево. Доказательство либо проходит в Lean, либо нет. Для обучения с подкреплением это почти идеальный сигнал, потому что модель получает честную оценку без экспертов и без стоимости реального мира. Поэтому именно здесь системы быстро дошли до результатов, которые раньше требовали профессионального уровня.

У этой удобной среды есть граница. Рукопись без формальной проверки остаётся текстом, который должен прочитать специалист. Сотни статей разом означают сотни часов рецензирования. Часть работ с Lean-доказательствами снимает проблему только для тех результатов, которые удалось формализовать.

Лаборатория как следующий полигон

Тезис Федуса логичен, если смотреть на его траекторию. По открытым данным, он ушёл из OpenAI и основал Periodic Labs, стартап, который строит ИИ-системы для физики, химии и материаловедения. Ставка такая: модель должна получать обратную связь от реального эксперимента, а не только от текста и формальных проверяющих.

В лаборатории проверка дорогая. Синтез материала занимает часы или дни, измерение требует оборудования, а шум в данных не исчезает от того, что модель умна. Зато результат нельзя оспорить: образец либо обладает нужным свойством, либо нет. Если математика показала, что ИИ способен выдавать доказательства потоком, то лаборатория проверяет, способен ли он выдавать потоком проверяемые открытия.

Деталей самого интервью во фрагменте материала нет, поэтому конкретные аргументы Федуса мы не пересказываем. Заголовок, однако, задаёт направление: узкое место смещается от генерации идей к скорости и стоимости их проверки.

На что смотреть дальше

Для тех, кто следит за отраслью, полезны три ориентира.

1. Судьба рукописей. Сколько работ подтвердят независимые математики и сколько ещё отзовут. Это лучшая оценка надёжности внутренней модели. 2. Релиз модели. Если OpenAI выпустит её, станет понятно, насколько результаты воспроизводятся за пределами внутренней инфраструктуры. 3. Автоматизированные лаборатории. Периодические циклы «гипотеза, эксперимент, обновление модели» в материаловедении покажут, переносится ли успех из формальной среды в физическую.

Командам, которые делают продукты на LLM, вывод прикладной: ценность модели растёт там, где есть быстрый и дешёвый верификатор. Это может быть Lean, тесты в коде, симулятор или робот в лаборатории. Строить пайплайн стоит от проверки, а не от генерации.