OpenAI оценил 4,000 задач и опубликовал 372 результата по ИИ-математике

OpenAI опубликовала результаты по математике, которые указывают не столько на решение отдельных задач, сколько на структурный сдвиг в скорости научных открытий: внутренней моделью оценены 4 000 задач, опубликованы сотни черновиков математических статей по 372 кластерам результатов, при этом для большинства результатов использовалось в среднем 3 часа вычислительных ресурсов на рассуждение. Ключевые пункты следующие.

- Динамика научных открытий: раньше узким местом были немногие исследователи и ограниченная человеческая интеллектуальная продуктивность. В дальнейшем ключевыми факторами темпа открытий станут вычислительные ресурсы и способность ИИ к рассуждению.
- Самоусиливающаяся обратная связь: началась петля, в которой ИИ сам улучшает алгоритмы и вычисления. По мере накопления улучшений возможен выход за рамки простой экспоненты — к режиму сверхэкспоненциального роста, когда ускоряется сама скорость роста.
- Усиление физических узких мест: по сравнению с стремительным ростом предложения интеллекта отстают энергия, инфраструктура и производственные мощности. Физические ограничения становятся новым узким местом.
- Сокращение конкурентного преимущества: чем быстрее ИИ открывает новые технологии, тем короче жизненный цикл и конкурентное преимущество существующих. Масштаб отрасли растет, но вероятность долгого выживания отдельных компаний и технологий парадоксально снижается.
- Смена субъекта открытия: происходит исторический сдвиг от человека к ИИ как субъекту открытия. Когда ограничения человеческой интеллектуальной продуктивности начинают исчезать, ориентироваться на темпы последних 100 лет, чтобы оценивать следующий год, становится неприменимо.

Подразумеваемые инвестиционные и отраслевые выводы:
- Смена критериев распределения капитала: от фокуса на талантах к фокусу на вычислительных ресурсах. Растет стратегическая значимость GPU, памяти, электроэнергии, охлаждения и сетей электроснабжения.
- Пересборка R&D-пайплайна: производительность исследований определяет связка модель–данные–вычисления. Нужны стандартизация автоматизированных систем открытия и верификационные пайплайны.
- Сокращение периода полураспада знаний: цикл обновления технологического стека укорачивается; гибкость стратегий ИС и продуктовых дорожных карт становится ключевым инструментом управления рисками.
- Говорнанс и безопасность: в фазе сверхэкспоненциальных улучшений необходимо параллельно наращивать проверку и воспроизводимость, а также физическую инфраструктуру для экспериментальной верификации.

Импликации для криптовалют и Web3:
- Катализатор спроса на вычиления: рост спроса на инференс и обучение ИИ усиливает ценовые сигналы для электроэнергии, дата-центров и полупроводниковых цепочек поставок. Растет эластичность спроса на токен-экономики, связанные с вычислительными ресурсами, и на рынки распределенных вычислений.
- Сокращение срока жизни технологий: укорачиваются циклы обновления протоколов, клиентов и криптоэкономического дизайна. Важны гибкость ончейн-говорнанса и траектории апгрейдов.
- Автоматизация исследований: в криптографии, алгоритмах консенсуса, смягчении MEV ИИ автоматизирует поиск, доказательство и проверку. Расширяется внедрение формальной верификации и автоматических доказателей теорем.
- Физические узкие места и ончейн: вероятно распространение токенизации энергии, рынков распределения мощностей и цифровизации активов дата-центров. На первый план выходят ончейн-размещение аппаратного капитала и модели распределения доходов.

Вывод: эта публикация демонстрирует не решение конкретной задачи, а смену переменных в производственной функции науки. По мере того как ИИ переопределяет темп и субъекта открытия, вероятны одновременное ускорение темпов роста и углубление физических узких мест. Отрасли стоит готовиться к двойной структуре: общий рост объема при сокращении индивидуальных сроков жизни.