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, 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:

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.