# Математики: LLM — гарні калькулятори, погані мислителі > Провідні математики кажуть, що LLM на кшталт GPT-5 та Claude чудово рахують, але не вміють генерувати оригінальні математичні ідеї, за даними The Decoder. - Опубліковано: 16 серпня 2026 р. (2026-08-16T16:25:04.537008+00:00) - Розділ: AI-дослідження - На основі публікації: [The Decoder](https://the-decoder.com/top-mathematicians-say-llms-are-strong-calculators-but-poor-creative-thinkers/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D0%BA%D0%B8-llm-%D0%B3%D0%B0%D1%80%D0%BD%D1%96-%D0%BA%D0%B0%D0%BB%D1%8C%D0%BA%D1%83%D0%BB%D1%8F%D1%82%D0%BE%D1%80%D0%B8-%D0%BF%D0%BE%D0%B3%D0%B0%D0%BD%D1%96-%D0%BC%D0%B8%D1%81%D0%BB%D0%B8%D1%82%D0%B5%D0%BB%D1%96 --- Провідні математики заявили, що великі мовні моделі на кшталт GPT-5, Claude Opus 5 і Gemini 3 блискуче виконують обчислення та формальні математичні операції, але демонструють мало ознак справжнього творчого мислення, потрібного для дослідницької математики. [За даними The Decoder](https://the-decoder.com/top-mathematicians-say-llms-are-strong-calculators-but-poor-creative-thinkers/), це не поодинокий скептицизм — а узгоджена оцінка людей, які професійно щодня генерують і перевіряють математичні докази. Для AI-індустрії такий висновок б'є в чутливу точку. Останні два роки постачальники моделей — OpenAI, Google DeepMind, Anthropic — публічно змагаються результатами на олімпіадних і дослідницьких математичних бенчмарках, подаючи їх як доказ наближення до «наукового AI». Заява математиків розводить два поняття, які маркетинг часто зливає в одне: здатність правильно виконати обчислення і здатність придумати, що саме варто обчислювати. Різниця здається дрібницею, доки не спробуєш побудувати на LLM продукт, що має не просто відповідати, а винаходити. ## У чому конкретно LLM показують силу? За словами математиків, моделі справді сильні там, де задача зводиться до застосування відомих правил: символьні перетворення, перевірка кроків доведення, пошук помилок у розрахунках, генерація коду для чисельних методів. Це механічна, комбінаторна робота — саме та, яку LLM тренують розпізнавати і відтворювати з величезних масивів текстів. - Виконання багатокрокових обчислень без втрати точності - Перевірка формальної коректності вже сформульованого доведення - Переклад математичної постановки в код або навпаки Тобто там, де відповідь у принципі вже «десь у просторі рішень» і питання лише в тому, щоб її акуратно дістати, LLM — надійний інструмент. ## Чому творче мислення моделям не вдається? Проблема виникає там, де задачі немає готового шаблону: потрібно сформулювати нову гіпотезу, вибрати нестандартний підхід або побачити приховану аналогію між різними розділами математики. Математики описують це як брак справжньої інтуїції — LLM радше комбінує знайомі патерни, ніж генерує принципово нову ідею. Це узгоджується з тим, що вже відомо про архітектуру трансформерів: модель передбачає найімовірніше продовження тексту на основі навчальних даних, а не «думає» від першого принципу. Коли задача виходить за межі того, що модель бачила в тренувальному наборі в достатньо схожій формі, якість відповіді різко падає — саме це і фіксують математики на практиці. ## Що це означає для AI-білдерів? Практичний висновок простий: не варто ставити LLM на роль автора наукової ідеї, і варто ставити її на роль виконавця вже сформульованого плану. Продукти для дослідників, аналітиків чи інженерів, що будуються навколо LLM, виграють, якщо чітко розділяють ці дві ролі. - Використовуйте LLM для перевірки, форматування й трансляції доведень і формул — тут ризик помилки низький - Не покладайтеся на модель у генерації нових гіпотез без людської верифікації — тут високий ризик правдоподібної, але хибної відповіді - Тримайте людину в циклі саме на етапі постановки задачі, а не лише на етапі фінальної перевірки Це особливо стосується AI-агентів, яким доручають дослідницькі або аналітичні задачі: коли агент сам ставить собі проміжні цілі, ризик помилки різко зростає, бо саме на етапі формулювання задачі творче мислення важливіше за обчислювальну точність. Ймовірно, саме тому agentic-системи для наукових досліджень досі показують найкращі результати не як автономні «AI-науковці», а як помічники, що прискорюють рутинну частину роботи навколо ідеї, яку все ще формулює людина — це наше припущення, а не пряме твердження математиків. ## Висновок AiiN Наша теза: розрив між «рахує» і «вигадує» — це не тимчасова вада, яку закриє наступне покоління моделей, а структурна властивість того, як LLM влаштовані сьогодні. Масштабування даних і параметрів покращує точність відтворення відомих патернів, але не створює механізму для генерації принципово нових. Поки архітектура залишається авторегресійним передбаченням тексту, творчість вищого порядку — та, що рухає саму математику вперед, — залишиться прерогативою людини, а LLM — її найпотужнішим калькулятором. Компаніям, що будують AI-продукти для науки й інженерії, варто закладати це в дизайн системи вже зараз, а не сподіватися, що GPT-6 чи Gemini 4 самі вирішать проблему — тим паче що [обмеження на саморефлексію моделей вже показують, як тонко їхнє «мислення» залежить від того, що дозволено генерувати](https://aiin.news/article?slug=заборона-на-саморефлексію-змінює-світогляд-ai-моделей). ## Що таке «творче мислення» в контексті математики? Це здатність сформулювати нову гіпотезу, побачити нестандартний зв'язок між віддаленими розділами математики або обрати підхід до задачі, для якої немає готового шаблону в навчальних даних. Саме цю навичку математики відрізняють від здатності коректно виконати вже задане обчислення. ## Чи означає це, що LLM марні для науки? Ні — навпаки, вони економлять дослідникам години на рутинній перевірці доведень, обчисленнях і форматуванні. Проблема виникає лише тоді, коли модель намагаються використати як джерело оригінальних наукових ідей без людини в циклі. --- Теги: AI, LLM, математика, GPT-5, Claude, AIresearch Джерело: AiiN — https://aiin.news/article?slug=%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D0%BA%D0%B8-llm-%D0%B3%D0%B0%D1%80%D0%BD%D1%96-%D0%BA%D0%B0%D0%BB%D1%8C%D0%BA%D1%83%D0%BB%D1%8F%D1%82%D0%BE%D1%80%D0%B8-%D0%BF%D0%BE%D0%B3%D0%B0%D0%BD%D1%96-%D0%BC%D0%B8%D1%81%D0%BB%D0%B8%D1%82%D0%B5%D0%BB%D1%96. Цитуючи, посилайтесь на канонічний URL.