Тимоти Гауэрс опубликовал отчёт об эксперименте с GPT-5.5 Pro. Задача: сжать экспоненциальную верхнюю границу в открытой проблеме аддитивной теории чисел. Итог — менее двух часов, четыре итерации, граница доведена до полиномиального вида O(k^{10h³}). Гауэрс оценил результат как «вполне разумную главу диссертации по комбинаторике». Его собственный математический вклад, по его словам, был нулевым: он только переформулировал чужие задачи в запросы к модели.
Контекст
Задача взята из препринта студента MIT Айзека Раджагопала: для множества A из k целых чисел найти минимальный диаметр, при котором его h-кратная сумма достигает заданного размера. Постановку поднял американский математик Мел Натансон; в препринте Раджагопала верхняя граница была экспоненциальной по k. Именно её Гауэрс дал GPT-5.5 Pro как мишень.
Сессия шла поэтапно. Простой случай h=2: 17 минут, квадратичная граница вместо экспоненциальной. Общий случай — серия из четырёх запросов, каждый занимал от 9 до 47 минут. Промежуточно граница сжалась с экспоненты от k до экспоненты от k^α при любом α > 1/2, а на финальной итерации — до полиномиальной.
Ключевой ход модели: вместо геометрических прогрессий с экспоненциально большими элементами она применила h²-диссоциированные множества — конструкцию из работ Сингера (1938) и Бозе—Чоулы (1963), перенесённую в совершенно новый контекст. Раджагопал проверил решение и подтвердил его корректность — и на уровне идей, и построчно.
Аналитика
Самое острое здесь — не то, что LLM решила открытую математическую задачу. Острее вывод о педагогике науки. Раньше у научного руководителя был стандартный приём: новичку давали небольшую нерешённую задачу, достаточно подъёмную для нескольких месяцев работы. Студент справлялся, получал опыт настоящего исследования и уверенность. Теперь такую задачу LLM закрывает за пару часов — студенту просто нечего нести в диссертацию.
Гауэрс формулирует прямо: планка оригинального вклада поднялась. Нужно либо работать с задачами, которые моделям принципиально не поддаются, либо работать с моделью в паре — добивать то, с чем она одна не справляется. По его прогнозу, к 2029 году академическая математика изменится до неузнаваемости: именно тогда защищаются сегодняшние первокурсники.
Параллельный вопрос — куда публиковать машинно полученные результаты. В научный журнал — нет. arXiv принципиально не принимает AI-контент. Гауэрс предлагает отдельный репозиторий с человеческой модерацией или обязательной формализацией доказательств в системах автоматической верификации. Это не мелкая техническая проблема: от её решения зависит, войдут ли такие результаты в корпус научного знания или растворятся в блогах.
«Это идея, которой я бы гордился, если бы пришёл к ней за неделю-две раздумий. Насколько я могу судить, она полностью оригинальная» — Айзек Раджагопал, автор исходного препринта.
Кейсы применения в бизнесе
B2B-SaaS стартап с алгоритмической базой. Если продукт строится на оптимизации — логистика, ценообразование, расписание — передайте ключевые алгоритмические задачи LLM в режиме итеративного диалога. Не один запрос, а цепочка: уточняйте, переформулируйте, просите объяснить шаги. Именно так работала сессия Гауэрса — четыре итерации дали результат, который один запрос не дал бы никогда. Стартап экономит несколько недель R&D.
Корпорация с legacy-аналитикой. В крупных компаниях всегда есть «открытые внутренние задачи»: метрики, которые никто не умеет считать правильно, модели с непонятными ограничениями, оценки, обновляемые раз в год вручную. Сценарий: аналитик формулирует задачу как строгую математическую постановку, передаёт GPT-5.5 или Claude, проверяет шаги с профильным специалистом. Потенциальная экономия — месяцы аналитического времени.
SMB и локальный бизнес в Кыргызстане и СНГ. Теория чисел на первый взгляд далека от малого бизнеса. Но паттерн тот же: если есть задача, которую «никто не знает как решить», — расписать её строго формально и передать модели. Планирование запасов, оптимизация маршрутов доставки, ценовые эксперименты — всё это формализуется. Итеративный диалог с LLM доступен уже сегодня, без бюджета на консалтинг.
Кейсы в личной жизни
Разработчик. Алгоритмические задачи на работе часто решаются «достаточно хорошо» и откладываются годами. Скормите GPT-5.5 или Claude задачу, которую давно хотели оптимизировать. Итеративно: сначала простой частный случай, потом общий. Результат часто удивляет — не потому что модель «умнее», а потому что она перебирает пространство идей без усталости.
Студент или аспирант. История Гауэрса — одновременно предупреждение и инструмент. Не используйте LLM для готовых ответов: просите предложить несколько подходов к вашей задаче, объяснить интуицию за каждым, потом выбирайте самостоятельно. Так сохраняется авторство идеи и понимание — именно то, что диссертационный комитет будет проверять устно.
Независимый исследователь или научный контент-мейкер. Если вы пишете о математике или CS — используйте GPT-5.5 как соавтора для проработки технических деталей перед публикацией. Это не плагиат и не ленность: это новый рабочий процесс, который академическое сообщество только начинает осмыслять.
Как применить сегодня
- Возьмите одну реальную открытую задачу из своей работы — алгоритмическую, аналитическую или оптимизационную. Сформулируйте её максимально строго, как математическую или формальную постановку.
- Начните с простейшего частного случая — как Гауэрс начал с h=2. Оцените результат, убедитесь в корректности, только потом переходите к общему случаю.
- Используйте итеративный диалог: не один длинный запрос, а цепочка из 3–5 шагов с проверкой промежуточных результатов на каждом.
- Привлеките профильного специалиста для верификации финального результата — особенно если он неожиданный или важен для принятия решений.
- Записывайте промпты и ответы целиком: успешная цепочка запросов — это ваш метод для следующих задач, а не одноразовый эксперимент.