Очень похоже на
историю с «проклятым»
Т9: «Доверяй, но проверяй».На заре внедрения новых технологий сбои, ошибки, заблуждения и жертвы прогресса неизбежны и лишь дальнейшая оптимизация снизит потери от внедрения нового через обязательное следование правилам безопасности.
Прогресс требует жертв от первопроходцев и свода правил от их последователей.
Обращу внимание — ключевой являеся первая тема
https://www.news2.ru/story/717876/а остальные — демонстрация и пояснения её.
Просто отдельные люди, включая самых продвинутых «чемпионов», начинают отставать в этой гонке с ИИ, как в свое время играх в шахматы, Го и покер, а коллективный общественный естественный интеллект пока что держится из последних сил, но тоже сдает свои позиции: AI начал решать задачи, с которыми специалисты не справлялись долгие годы.
Искусственный интеллект начинает расширенно воспроизводить себя сам, в том числе и в космос: люди утрачивают контроль над ним.
Но логика скачка AI уже начинает диктовать свои «машинные» правила, меняя природу и идентичность людей.
«Смешались в кучу кони, люди»...
AI начал решать задачи, с которыми специалисты не справлялись долгие годы
- Решение задачи Эрдёша №728 — открытой проблемы о делимости факториалов, поставленной в 1975 году Полом Эрдёшем, Рональдом Грэхемом, Имре Рузой и Эрнстом Страусом. Связка GPT-5.2 Pro и математического ИИ Aristotle сгенерировала новое доказательство, формализованное в proof assistant Lean и верифицированное машинно.
- Решение задачи, которая столетие мешала математикам — модель ИИ, разработанная Meta, определила, останутся ли решения уравнений, описывающих определённые динамически изменяющиеся системы, стабильными и предсказуемыми навсегда. Ключом к решению было нахождение функций Ляпунова, которые определяют долгосрочную стабильность этих систем.
- Решение задач на Международной математической олимпиаде (IMO) — в 2024 году системы AlphaProof и AlphaGeometry 2 от DeepMind совместно решили четыре из шести задач, набрав в общей сложности 28 баллов.
- Диагностика и анализ изображений — нейросети анализируют рентгенограммы, МРТ, КТ и маммограммы с точностью, которая часто превышает человеческие возможности. Например, российский сервис диагностики MDDC выявляет новообразования в лёгких размером менее 4 мм, что позволяет обнаружить рак на самых ранних стадиях.
- Прогнозирование заболеваний — алгоритмы машинного обучения способны предсказывать развитие болезней задолго до появления клинических симптомов. Они анализируют данные из электронных медицинских карт, выявляя скрытые закономерности и факторы риска.
- Персонализированное лечение — ИИ-решения помогают создавать индивидуальные планы лечения на основе генетической информации пациента, истории болезни и реакции на различные препараты. Это минимизирует побочные эффекты и повышает эффективность терапии.
- Разработка лекарств — ИИ проверяет тысячи формул, сравнивает их структуру, моделирует, как они будут взаимодействовать с белками и клетками. Например, при создании вакцины «Спутник V» команда AIRI и Центра имени Гамалеи использовала ИИ, чтобы улучшить S-белок вируса.
- Оптимизация бизнес-процессов и снижение затрат — ИИ используется для прогнозирования спроса, ассортимента и промоакций, оптимизации ценообразования, управления ассортиментом, поиска новых локаций для торговых точек.
- Автоматизация процессов — например, в строительстве ИИ контролирует прогресс на строительных площадках с помощью камер с компьютерным зрением и видеоаналитикой.
- Выявление возможных мошенников — ИИ помогает отклонять заявки по утерянным или украденным паспортам, например, «компьютерное зрение» лучше справляется с задачей, чем человек.
- Оптимизация документооборота — искусственный интеллект обрабатывает документы в 15–20 раз быстрее человека.
- Мониторинг изменений климата и прогнозирование природных бедствий — алгоритмы машинного обучения анализируют данные о климатических изменениях и предсказывают возможные последствия изменений, такие как наводнения и засухи.
- Моделирование и управление экосистемами — проект NatureServe Conservation Status использует ИИ для создания моделей изменений в биоразнообразии, что помогает эффективно управлять заповедниками и зонами сохранения.
- Мониторинг загрязнений и качества воздуха — проект Aclima установил датчики в городах, собирающие данные о качестве воздуха, а алгоритмы анализируют эту информацию, определяя и прогнозируя источники загрязнений.
- Оптимизация энергопотребления и управление отходами — Google DeepMind разработала систему управления энергопотреблением для центров обработки данных, используя нейронные сети, что помогает снижать энергозатраты, оптимизируя использование ресурсов.
- Контроль обращения со строительными отходами — система на основе ИИ использует камеры, чтобы отслеживать грузовики, перевозящие строительный мусор, и фиксировать нарушения, предотвращая несанкционированный сброс отходов за пределами полигонов.
Это значит, что ИИ уровня «гений по требованию» может появиться уже в 2026
Сегодня многие медиа напишут, как о сенсации, о «победе на выходных: ChatGPT 5.2 Pro решил нерешенную ранее математическую задачу».Речь идет о сообщении Нила Сомани, что доказательство, которое он представил для задачи Эрдёша № 397, было принято знаменитым математиком Теренсом Тао.
FYI. Знаменитый венгерский математик Пал Эрдёш сформулировал множество нерешённых гипотез и задач в математике (более 1000), в основном в областях комбинаторики, теории чисел и геометрии. Многие из них до сих пор не решены.
И хотя в сообщении Нила Сомани чистая правда, сенсация вовсе не в этом.
Настоящая сенсация в том, что произошел какой-то еще не понятый нами прорыв. Фронтирные модели вдруг начали с конца декабря щелкать одну за другой нерешенные людьми задачи Эрдёша, тратя на решение одной задачи около15 минут: 24-го декабря решена задача №1077; 25-го — №333; 26-го – 897; 6 января 2026 — №728; 8-го – 720; 10-го №205 и №397 (источник).
О том, что преодолен важный рубеж, Теренс Тао написал после того, как 6-го января модель ChatGPT 5.2 Pro с помощью Aristotle (новая LLM, которая находит напрямую формальные доказательства математических утверждений, которые можно верифицировать, и если они проходят проверку, считать вопрос закрытым) решил задачу Эрдёша № 728.
Прорыв в том, что:
1. Задача была решена ИИ автономно (после получения обратной связи по результатам первоначальной попытки).
2. Это решение не существовало (не было описано) в каких либо источниках, созданных математиками – людьми.
Это – как пишет Теренс Тао — демонстрирует реальное увеличение возможностей этих инструментов за последние месяцы.
Следовательно, потребовалось всего 3 месяца, чтобы уровень моделей (по определению того же Теренса Тао) повысился с «уровня некомпетентного аспиранта» до «уровня компетентного аспиранта» (способного к самостоятельному творческому синтезу знаний).
И возможно, до уровня «гений по требованию» нас также отделяют уже не годы, а месяцы.
