История с попыткой поручить ИИ поиск нового доказательства великой теоремы Ферма показывает как потенциал, так и ограничения современных моделей. По описанию в материале, специалист по обратимым вычислениям Майкл Фрэнк поставил перед GPT-5.6 Sol исследовательскую задачу: найти более простой путь к доказательству теоремы Ферма, чем классический подход Уайлса—Тейлора, при этом вести строгие заметки, проверять промежуточные утверждения вычислительно и не смешивать доказанные результаты с гипотезами.

Сессия продолжалась около 33 часов и потребовала значительных вычислительных ресурсов, после чего была остановлена системой. По приведённой версии самого ИИ, причиной могли стать ограничения на потребление ресурсов либо повторное столкновение с уже известной неудачной исследовательской траекторией.

Однако приводятся и другие, неподтверждённые интерпретации: от возможного технического сбоя до предположений, что разработчики могут ограничивать использование наиболее сильных возможностей модели.

Главный результат длительной работы оказался не новым доказательством, а систематизацией тупиковых направлений. Модель, переводила кажущиеся перспективными идеи в точные математические формулировки, затем пыталась их проверить и во многих случаях опровергала или исключала.

Такой результат может быть ценен для исследователя: карта неработающих подходов помогает не тратить время на повторение уже проверенных ошибок. Но он принципиально отличается от полноценного прорыва в математике.

Дискуссия вокруг этого эпизода затрагивает более широкий вопрос: насколько пользователи могут доверять облачным ИИ-системам в сложных и длительных исследованиях. Если работа зависит от одного сервиса, компания-разработчик технически контролирует доступные ресурсы, длительность сессии, механизмы защиты от зацикливания и правила остановки задач.

В результате исследователь может потерять не только время, но и возможность воспроизвести или продолжить уже начатую работу в том же режиме.

В то же время сама остановка задачи не обязательно свидетельствует о намеренном ограничении научных открытий. Для долгих автономных запусков возможны более прозаичные причины: лимиты ресурсов, ошибки управления контекстом, повторяющиеся циклы рассуждений, сбои программной среды или встроенные механизмы, не позволяющие модели бесконечно повторять неэффективные действия.

Этот случай подчёркивает важное различие между «долгой работой ИИ» и реальным математическим исследованием. Модель способна быстро генерировать гипотезы, формализовать идеи, искать контрпримеры, проверять вычисления и структурировать литературу. Но доказательство новой теоремы требует не только большого числа шагов рассуждения, а прежде всего способности находить действительно новые, строгие и проверяемые идеи.

Поэтому наиболее реалистичный сценарий на ближайшее время — не автоматическое решение фундаментальных задач по команде «продолжай», а сотрудничество человека и ИИ. ИИ может выступать в роли сильного ассистента: ускорять перебор вариантов, помогать формализовать аргументы и выявлять слабые места. Однако окончательная проверка, выбор исследовательского направления и ответственность за доказательство по-прежнему остаются за математиком.