OpenAI недавно опроверг гипотезу Пола Эрдёша об единичных расстояниях, поставленную в 1946 году. Не прошло и нескольких дней, как инженер Anthropic Шолто Дуглас сообщил: предположительно ещё не выпущенная модель компании Claude Mythos самостоятельно решила ту же задачу. Доказательство он назвал «милым и простым» (cute, simple proof) и добавил, что происходящее — признак «серьёзного навеса» (serious overhang) AI-возможностей в математике.
Контекст
Гипотеза Эрдёша об единичных расстояниях — классика комбинаторной геометрии. Вопрос: сколько пар точек среди n точек на плоскости могут находиться ровно на единичном расстоянии друг от друга? Задача формулируется просто, но оставалась открытой почти восемь десятилетий. Именно такие проблемы — верифицируемые, формально строгие, с чётким критерием правильности — становятся полигоном для проверки математических возможностей AI.
OpenAI первым заявил о решении, и это само по себе стало событием для сообщества. Но Anthropic ответил практически немедленно. Характерно, что речь идёт не о поиске готового доказательства в базе данных — модель сгенерировала новое рассуждение, которое эксперты охарактеризовали как элегантное. Это принципиальное различие.
Шолто Дуглас — инженер, хорошо известный в AI-сообществе, — описал случившееся через концепцию «навеса»: реальные возможности уже существующих систем превышают то, что публично задемонстрировано. По его словам, математические открытия, движимые ИИ, только начинают проявляться.
Аналитика
Когда два ведущих AI-лаборатории решают одну и ту же 80-летнюю задачу в течение нескольких дней — это не случайность и не маркетинг. Это структурный сдвиг. Формальная математика — область с жёсткой верификацией: доказательство либо верно, либо нет. Именно поэтому успех здесь говорит о возможностях модели больше, чем любой чат-бенчмарк.
«Навес» в интерпретации Дугласа означает: то, что мы сейчас видим в публичных демо — это заниженная планка. Если Mythos находит изящные доказательства «за выходные», значит внутри уже есть возможности, которые ещё не вышли в продакшн. Для рынка AI-инструментов это важный сигнал: следующее поколение моделей изменит не только генерацию текста, но и работу с формальными системами — математикой, логикой, верификацией кода.
Одновременно это соревнование между Anthropic и OpenAI перестаёт быть только про «кто лучше пишет код» или «кто точнее отвечает на вопросы». Фронтир сместился в точные науки. Для компаний, работающих с аналитикой, алгоритмами и исследованиями, это означает: инструменты, которые раньше требовали узкого специалиста-математика, начинают автоматизироваться.
Кейсы применения в бизнесе
B2B-SaaS стартап с аналитическим или оптимизационным продуктом. Задачи расписания, логистики, динамического ценообразования имеют математическую подложку. Модели уровня Mythos способны не просто предлагать решения, но и обосновывать их структурно. Сценарий: подключить AI к R&D-циклу, где инженеры формулируют задачи на естественном языке, а модель предлагает алгоритмические подходы с рассуждением — не «вот код», а «вот почему этот путь оптимален».
Финтех или страховая компания с legacy-процессами. Актуарные модели и оценка рисков содержат нетривиальную математику. AI способен помочь верифицировать допущения, находить логические ошибки в моделях, предлагать упрощения там, где раньше требовался узкий эксперт. Это не замена аналитику, но существенное ускорение экспертизы — особенно для задач, где цена ошибки высока.
SMB в Кыргызстане и Центральной Азии. Даже небольшой бизнес работает с прогнозами, остатками, ценообразованием. Уже сейчас Claude позволяет формулировать аналитические задачи на русском языке и получать структурированные ответы. Когда Mythos выйдет публично, порог входа в серьёзный количественный анализ без штатного аналитика снизится ещё раз.
Кейсы в личной жизни
Разработчик или алгоритмист. Попробуйте формулировать задачи иначе: не «напиши код», а «объясни математическую структуру задачи и предложи оптимальный подход с обоснованием». Разница в качестве ответа ощутима уже на текущих моделях — и будет только расти.
Студент или исследователь. Если разбираете сложную статью по математике, теоретической физике или экономике — AI-модели становятся партнёром по рассуждению. Не просто «объясни попроще», а «найди слабое место в этом доказательстве» или «предложи альтернативный путь к результату». Именно так, по сути, работал Mythos на задаче Эрдёша.
Контент-мейкер, пишущий о технологиях. История с Эрдёшем — готовый сюжет: 80-летняя нерешённая задача, два AI-гиганта за несколько дней, изящное доказательство. Claude хорошо справляется с генерацией аналогий и step-by-step объяснений для сложных концептов — используйте это для разбора математических тем в своём контенте.
Как применить сегодня
- Возьмите нерешённую концептуальную задачу из своей работы — аналитическую, а не техническую. Сформулируйте её Claude и попросите несколько подходов с обоснованием каждого.
- Попробуйте режим «математического партнёра»: задача оптимизации (расписание, ресурсы, ценообразование) + запрос не только на ответ, но и на объяснение, почему этот подход работает.
- Для R&D-команд: изучите тему AI-assisted proof verification — формальные системы вроде Lean 4 в связке с LLM уже применяются в академических группах для верификации математических утверждений.
- Следите за анонсом Claude Mythos — по имеющимся данным, это будет один из наиболее сильных публичных инструментов для формальных задач и глубокого анализа.