# AI-агент проти сталої Гротендіка: кейс довгого дослідження > Препринт arXiv 2608.11195 документує, як AI-агент кілька днів самостійно вів дослідження сталої Гротендіка — відкритої задачі комбінаторної оптимізації. - Опубліковано: 12 серпня 2026 р. (2026-08-12T02:47:40.827115+00:00) - Розділ: AI-дослідження - На основі публікації: [arXiv](http://arxiv.org/abs/2608.11195v1) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82-%D0%BF%D1%80%D0%BE%D1%82%D0%B8-%D1%81%D1%82%D0%B0%D0%BB%D0%BE%D1%97-%D0%B3%D1%80%D0%BE%D1%82%D0%B5%D0%BD%D0%B4%D1%96%D0%BA%D0%B0-%D0%BA%D0%B5%D0%B9%D1%81-%D0%B4%D0%BE%D0%B2%D0%B3%D0%BE%D0%B3%D0%BE-%D0%B4%D0%BE%D1%81%D0%BB%D1%96%D0%B4%D0%B6%D0%B5%D0%BD%D0%BD%D1%8F --- Препринт з номером 2608.11195, опублікований у серпні 2026 року на arXiv, документує незвичний експеримент: AI-агент кілька днів поспіль самостійно вів дослідження навколо сталої Гротендіка — однієї з нерозв'язаних задач комбінаторної оптимізації та теорії операторів, точне значення якої залишається невідомим понад 70 років. Автори назвали роботу «кейс-стаді людино-машинної математики», і це формулювання варте уваги само по собі: це не оголошення про доведену теорему, а розбір того, як саме довгий автономний дослідницький процес виглядає зсередини. Для AI-білдерів це цікавіше, ніж чергова демонстрація «AI розв'язав складну задачу». Стала Гротендіка — погана мішень для одноразового промпту: щоб просунутися в її оцінці, потрібні десятки ітерацій обчислень, перевірка гіпотез, відкат невдалих напрямів і утримання контексту про те, що вже спробували і чому воно не спрацювало. Саме цей клас задач — long-horizon research — зараз є головним випробуванням для агентних систем, і математика з чіткими критеріями правильності — зручний полігон, бо результат або перевіряється формально, або ні. ## Що таке стала Гротендіка і чому вона важка? Стала Гротендіка (K_G) виникла зі знаменитої нерівності Гротендіка 1953 року і оцінює, наскільки білінійна форма на просторах з нормою відрізняється від її «евклідового» наближення — задача з прямими наслідками для квантової інформації (нерівності Белла) і для алгоритмів наближеного розв'язання NP-складних задач комбінаторної оптимізації, включно з Max-Cut. Точне значення K_G невідоме десятиліттями: відомі лише межі, приблизно між 1,67 і 1,78, і жоден математичний доробок за останні роки суттєво їх не звузив. Це не задача, де AI-моделі можуть «вгадати» відповідь із патернів у навчальних даних — тут потрібна нова конструкція або доведення, а не переказ відомого. ## Що саме показує цей кейс про AI-агентів у науці? [За даними arXiv](http://arxiv.org/abs/2608.11195v1), дослідники фіксували не лише фінальний результат, а й сам процес: як агент формулював проміжні гіпотези, коли він застрягав, і які втручання людини-математика виявлялися вирішальними для руху вперед. Це продовжує лінію, яку раніше намітили відомі проєкти: - FunSearch від Google DeepMind (2023) — LLM-керований еволюційний пошук покращив відому межу для задачі cap set; - AlphaEvolve (2025) — той самий підхід дав нові, ефективніші алгоритми множення матриць; - публічні експерименти Теренса Тао з великими мовними моделями над базою задач Ердеша у 2025 році — приклад, коли AI виступає не автором доведення, а асистентом, що прискорює перебір і перевірку. Спільний знаменник усіх цих кейсів — жоден не зводиться до «запитав модель — отримав відповідь». Йдеться про архітектуру з пам'яттю про попередні спроби, циклами верифікації (обчислювальна перевірка кожної проміжної гіпотези) і точками, де людина або зупиняє тупиковий напрям, або підказує наступний крок. ## Що з цього брати AI-білдерам вже зараз? Головний практичний висновок не в тому, чи зрушила ця конкретна робота межі сталої Гротендіка — судячи з формулювання назви, стаття радше документує методологію, ніж оголошує розв'язану задачу. Цінність для розробників агентних систем — в іншому: дослідницькі агенти для складних задач мають закладати обов'язковий чекпоінтинг стану, автоматичну перевірку кожного проміжного кроку (там, де це можливо формально) і явний протокол, коли і як передавати керування назад людині. Без цих трьох елементів довгий автономний прогін просто губить контекст швидше, ніж встигає щось відкрити. ## Висновок AiiN Наша теза: цінність таких кейс-стаді — не в PR-ефекті «AI проти нерозв'язаної задачі», а в тому, що вони вперше системно документують, де саме людина і модель доповнюють одне одного в довгому дослідницькому циклі, а не в одноразовій відповіді. Для команд, що будують research-агентів — не тільки в математиці, а й у біології чи інженерії, — це практичний орієнтир: інвестувати варто не у «розумнішу» модель саму по собі, а в інфраструктуру навколо неї — пам'ять, верифікацію і зрозумілі точки людського контролю. ## Що таке стала Гротендіка простими словами? Це число, яке показує, наскільки може відрізнятися результат «евклідового» наближення білінійної форми від її точного значення на довільних нормованих просторах. Воно застосовується в оцінці якості наближених алгоритмів для задач типу Max-Cut і в аналізі нерівностей Белла у квантовій фізиці. ## Чи розв'язав AI-агент задачу сталої Гротендіка повністю? Судячи з назви препринту «A Case Study in Human-AI Mathematics», робота фокусується на методології довгого дослідницького процесу, а не на оголошенні остаточного доведення — задача залишається відкритою в математичній спільноті. ## Чим long-horizon дослідницький агент відрізняється від звичайного чат-бота? Звичайний чат-бот дає одну відповідь на один запит. Long-horizon агент веде багатокроковий процес: генерує гіпотезу, перевіряє її обчислювально, зберігає стан між ітераціями і за потреби повертається до попередніх точок — часто протягом днів, а не секунд. --- Теги: AI, Математика, arXiv, AIagents, ШІдослідження Джерело: AiiN — https://aiin.news/article?slug=ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82-%D0%BF%D1%80%D0%BE%D1%82%D0%B8-%D1%81%D1%82%D0%B0%D0%BB%D0%BE%D1%97-%D0%B3%D1%80%D0%BE%D1%82%D0%B5%D0%BD%D0%B4%D1%96%D0%BA%D0%B0-%D0%BA%D0%B5%D0%B9%D1%81-%D0%B4%D0%BE%D0%B2%D0%B3%D0%BE%D0%B3%D0%BE-%D0%B4%D0%BE%D1%81%D0%BB%D1%96%D0%B4%D0%B6%D0%B5%D0%BD%D0%BD%D1%8F. Цитуючи, посилайтесь на канонічний URL.