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, 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.

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.

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.

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.