Коли AI вирішує те, що не змогли люди: прорив Ердоша і що він означає для вашого бізнесу

Задача, яка простояла 80 років — і впала за один підхід

Більшість керівників досі вважають AI шаром продуктивності — швидшим стажером, розумнішим пошуком. Але 20 травня 2026 року загальна модель міркування від OpenAI зробила те, чого сучасні математичні методи не дозволяли зробити майже вісім десятиліть: знайшла контрприклад до центральної гіпотези в задачі одиничних відстаней Ердеша. Йдеться про проблему, яку Пол Ердеш поставив у 1946 році. Результат був перевірений групою зовнішніх математиків і став основою окремої математичної роботи. Офіційне повідомлення OpenAI

Для керівників бізнесу зв'язок неочевидний з першого погляду — доведення геометричної теореми здається далеким від реальних операцій. І тут важливо не перебільшувати. Цей результат не доводить, що AI вже здатний автономно вирішувати будь-які складні бізнес-задачі. Але він показує дещо важливе: загальна reasoning-модель може не лише відтворювати відомі рішення, а й знаходити нові математичні конструкції, які потім проходять незалежну людську перевірку.

Що насправді сталося — і чим це відрізняється від усіх попередніх AI-математичних історій

У 1946 році угорський математик Пол Ердеш поставив оманливо просте запитання: якщо розкидати n точок на площині, яка максимальна кількість пар цих точок може бути рівно на одиничній відстані одна від одної?

Це планарна задача одиничних відстаней. Вона легко формулюється, але майже 80 років залишалася відкритою в ключовому асимптотичному аспекті.

20 травня 2026 року OpenAI оголосила, що внутрішня загальна модель міркування побудувала контрприклад до гіпотези Ердеша. Точніше, модель знайшла нескінченну родину конфігурацій, для яких кількість одиничних відстаней зростає як n^(1+δ) для деякого фіксованого δ > 0. Це спростовує припущення про майже лінійне зростання n^(1+o(1)).

Це дуже сильний результат, але він не означає, що вся задача тепер розв'язана. Точний асимптотичний порядок максимальної кількості одиничних відстаней усе ще невідомий.

Інструмент, який це зробив, не будувався для цього

Ось деталь, яка справді важлива: результат отримала не спеціалізована система, створена виключно для цієї задачі. OpenAI описує її як загальну модель міркування. Вона не була спеціально налаштована саме на задачу одиничних відстаней і не використовувала спеціальний доводчик теорем, орієнтований тільки на цю проблему.

Метод теж вражав. Задача живе в дискретній геометрії, але отримана конструкція спирається на інструменти алгебраїчної теорії чисел, зокрема на ідеї, пов'язані з теорією Голода–Шафаревича та вежами класових полів.

Важлива поправка: AI не винайшов ці математичні теорії з нуля. Супровідна робота математиків прямо пов'язує ключові частини аргументу з попередніми роботами Ellenberg–Venkatesh, Golod–Shafarevich та Hajir–Maire–Ramakrishna. Новизна полягає в застосуванні цих ідей для цієї конкретної геометричної конструкції. Супровідна математична робота

Загальна модель знайшла спосіб з'єднати ідеї з різних частин математики там, де такого поєднання раніше не використовували для цієї проблеми. Це вже не просто пошук відомої відповіді. Але називати це доказом універсального AI-інтелекту було б передчасно.

Як математична спільнота відреагувала

OpenAI передала результат на перевірку зовнішнім математикам. Дев'ять авторів супровідної роботи, серед яких Нога Алон, Тімоті Гауерс, Деніел Літт, Вілл Савін, Арул Шанкар та інші, підготували коротку, перероблену й перевірену людську версію аргументу.

Тімоті Гауерс назвав результат важливою віхою в AI-математиці. Він також зазначив, що якби аналогічну роботу подав людина, то, на його думку, вона відповідала б стандарту серйозної математичної публікації.

Деніел Літт окремо відзначив, що це перший автономно отриманий AI-результат, який зацікавив його сам по собі, а не лише як можливий сигнал майбутніх можливостей AI.

Після цього з'явилися й інші математичні результати, пов'язані з цією конструкцією. Зокрема, Вілл Савін опублікував окрему роботу з явною нижньою межею приблизно n^1.014 для нескінченно багатьох значень n. Це не «остаточне рішення задачі», а посилення кількісної частини результату. Робота Вілла Савіна на arXiv

Окремо Anthropic публічно повідомила про результат своєї системи, яка, за заявою компанії, також отримала розв'язання. Але цей результат не слід автоматично прирівнювати за рівнем зовнішньої математичної верифікації до OpenAI-результату. Це не перший випадок, коли математичний прорив моделі впливає на очікування від бізнес-агентів — минулого разу подібний резонанс викликав математичний прорив Claude і те, що він означає для ваших бізнес-агентів.

Переклад на мову бізнесу: від абстрактної математики до операційної реальності

Прорив Ердеша не є прямим доказом того, що AI-агенти вже можуть автономно виконувати складні бізнес-процеси. Математичний доказ і реальна операційна задача мають різну структуру.

Але він дає корисний орієнтир для оцінки можливостей reasoning-моделей.

Що «загальне міркування» насправді означає для операцій

Модель, яка отримала цей результат, не просто витягнула готову відповідь із бази знань. Вона знайшла нову конструкцію і довела твердження, яке змінює статус давньої математичної гіпотези.

Це демонструє важливу властивість: AI може працювати не тільки з відомими шаблонами, а й із пошуком нового аргументу.

Але переносити цей результат на складний комплаєнс, закупівлі чи стратегічне планування треба обережно. У реальному бізнесі немає одного формального критерію правильності. Потрібно перевіряти вихідні дані, постановку задачі, контекст, ризики та наслідки помилки.

Тому правильний висновок не «AI вже може самостійно проходити будь-який складний процес», а «межа того, що загальні reasoning-моделі можуть робити в задачах із чіткими критеріями правильності, виявилася вищою, ніж багато хто припускав».

Питання тепер не тільки в тому, чи може AI швидше виконувати вже відому роботу. Значно цікавіше перевіряти, чи може він знаходити рішення там, де відповідь заздалегідь не відома.

Пастка спеціалізації — і чому вона дорого коштує

Дані з математичної роботи справді дають підстави говорити про цінність міждоменного пошуку. Літт звертає увагу на те, що деякі задачі можуть залишатися відкритими через неоптимальні припущення або через необхідність ідей із галузей, якими дослідники не володіють достатньо глибоко.

Але це не означає, що AI автоматично усуває організаційні силоси. Це вже гіпотеза про практичне застосування, а не висновок математичного доказу.

AI може допомагати з'єднувати інформацію з різних доменів. Проте якість такого синтезу потрібно окремо тестувати та перевіряти. Тут же виникає питання про те, чи варто покладатися на одну універсальну модель для всього — Сатья Наделла попереджав бізнес про ризики ставки на єдиний AI замість диверсифікованої мульти-агентної архітектури, і результат Ердеша не скасовує цю пересторогу.

Найцікавіший практичний урок із цієї історії — не те, що AI замінив математика. А те, що загальна модель змогла запропонувати напрямок, який люди не знаходили десятиліттями, після чого люди змогли перевірити й розвинути результат.

Що це означає для оцінки AI-інвестицій

Результат Ердеша загострює розрізнення між спеціалізованими AI-інструментами та моделями загального міркування.

Спеціалізовані системи можуть бути дуже сильними у вузьких задачах. Загальні reasoning-моделі мають інший профіль: вони потенційно можуть працювати з задачами, де заздалегідь не задано один фіксований алгоритм.

Але це не робить їх автоматично надійнішими.

Чим складніша задача, тим важливішими стають постановка задачі, доступ до якісних даних, інструменти перевірки та людський контроль у критичних точках. Перш ніж закладати такі можливості в бюджет, варто розуміти, як порахувати ROI від AI-агента до підписання контракту — інакше вражаючий демонстраційний результат легко переоцінити як готовий бізнес-кейс.

Саме це видно і в математичній історії: AI запропонував результат, але зовнішні математики його перевірили, переформулювали та пояснили. Це не слабкість процесу. Навпаки, саме так результат перетворився з AI-виводу на математичний результат.

Що керівникам робити з цією інформацією

Прорив Ердеша — це насамперед подія калібрування. Він оновлює уявлення про те, що загальна reasoning-модель може зробити в задачах із формальними критеріями правильності.

Це не привід автоматично переносити математичний результат на всі бізнес-процеси.

Але це хороший привід тестувати AI не тільки на швидкості генерації, а й на здатності знаходити нові рішення.

Перевірте глибину міркування у вашому AI-стеку

Не обмежуйте оцінку AI тестами на пошук і резюмування.

Дайте системі задачу, де готової відповіді немає. Попросіть запропонувати кілька підходів. Попросіть знайти контрприклад до власного рішення. Попросіть пояснити, які припущення воно зробило. Потім перевірте результат незалежним способом.

Саме такий тип тестування краще показує різницю між генерацією правдоподібного тексту та реальним розв'язанням задачі.

Результат Ердеша важливий саме тому, що його не залишили на рівні красивого AI-виводу: аргумент пройшов зовнішню математичну перевірку.

Переосмисліть, де справді потрібне людське судження

Історія Ердеша не показує, що людині тепер достатньо бути простим «перевіряльником».

Вона показує інше: AI може брати на себе частину пошукової роботи, тоді як людина залишається відповідальною за постановку задачі, перевірку припущень, оцінку наслідків і прийняття рішення.

Це особливо важливо там, де помилка має високу ціну.

Тому правильна архітектура не «AI замість людини» і не «людина перевіряє кожне слово AI». Потрібно визначати, де саме потрібна незалежна перевірка, які результати можна автоматично тестувати, а які рішення повинні залишатися під людським контролем.

Правильно подайте це раді директорів та інвесторам

Історія Ердеша може бути сильною ілюстрацією зростання можливостей AI, але її не варто використовувати як доказ того, що конкретний бізнес-процес уже можна повністю автономізувати.

Сильніший аргумент звучить інакше.

У травні 2026 року загальна reasoning-модель продемонструвала здатність зробити внесок у вирішення відомої відкритої математичної проблеми. Результат перевірили зовнішні математики. Це конкретний, перевірюваний приклад того, що AI може робити більше, ніж просто швидше обробляти вже відому інформацію.

Далі потрібні власні тести — з конкретними цифрами, а не враженнями. Якщо розмова з радою директорів чи CFO впирається у вимірність, варто спиратись на методологію, яку вже використовують інші компанії для бюджетування AI та вимірювання ROI перед CMO і CFO.

Не «ми віримо, що AI може».

А «ми перевірили, що конкретна модель може робити на наших задачах, із такими-то показниками точності, верифікації та ризику».

---

FAQ

Що саме спростувала модель OpenAI?

Гіпотезу Ердеша про одиничні відстані. Вона стосувалася максимальної кількості пар точок на відстані рівно 1 серед n точок на площині. OpenAI отримала нескінченну родину конфігурацій із кількістю одиничних відстаней не меншою за n^(1+δ) для деякого фіксованого δ > 0, що спростовує очікувану майже лінійну верхню межу.

Це була спеціалізована математична AI чи загальна модель?

Загальна модель міркування. OpenAI прямо зазначає, що модель не була спеціально створена для задачі одиничних відстаней або спеціально натренована для неї.

Чи можна сказати, що AI повністю самостійно довів результат?

Точніше говорити, що AI згенерував контрприклад і математичний аргумент, після чого результат перевірили зовнішні математики. Опублікована супровідна робота є human-verified, digested version початкового AI-результату.

Чи розв'язана тепер вся задача одиничних відстаней?

Ні. Спростовано конкретну гіпотезу про майже лінійне зростання. Точний асимптотичний порядок максимальної кількості одиничних відстаней залишається відкритим.

Що нового було в математичному методі?

Конструкція використовує ідеї алгебраїчної теорії чисел у контексті дискретної геометрії. Супровідна робота пов'язує ключові компоненти аргументу з попередніми результатами Ellenberg–Venkatesh, Golod–Shafarevich та Hajir–Maire–Ramakrishna.

Що сказав Тімоті Гауерс?

Він назвав результат важливою віхою в AI-математиці та високо оцінив математичну якість отриманого аргументу. Його коментарі опубліковані в супровідній роботі.

Як це пов'язано з AI-агентами?

Це приклад можливостей загального reasoning, але не прямий доказ того, що AI-агенти вже можуть автономно виконувати складні бізнес-процеси. Для такого висновку потрібні окремі тести на відповідних задачах.

Чи варто чекати, поки reasoning-моделі дозріють?

Результат Ердеша показує, що вже сьогодні вони здатні на дуже складні речі. Але це не означає, що будь-яку задачу можна безпечно передати AI. Практичний підхід — тестувати конкретні сценарії, використовувати незалежну перевірку та зберігати людський контроль там, де помилка має суттєві наслідки.

Чи є це доказом AGI?

Ні. Це сильний приклад AI-assisted mathematics і значний результат для reasoning, але він не доводить наявність загального штучного інтелекту.

---

Гіпотеза Ердеша простояла майже 80 років. Тепер ми знаємо, що одна з ключових інтуїцій щодо її поведінки була неправильною.

Найважливіше тут не те, що «AI переміг математиків».

Математики не програли. Вони перевірили результат, пояснили його, пов'язали з попередньою літературою і продовжили дослідження.

Найцікавіше інше: загальна AI-модель знайшла математичну конструкцію, якої раніше не знали, для задачі, яка десятиліттями залишалася відкритою.

Це не доказ того, що AI тепер може все.

Але це дуже сильний доказ того, що роль AI у складному інтелектуальному пошуку вже не можна описувати лише словами «швидший помічник».

Поговоріть з нами про розгортання AI-агентів із справжньою глибиною міркування у ваших операціях