Разработчикам. Появляется класс моделей, способных на оригинальное математическое мышление — не просто перебор, а применение идей из далёких областей. Это открывает путь к AI-ассистентам для формальной верификации, оптимизации алгоритмов и генерации доказательств в production-системах (крипто, компиляторы, верификация кода).

Бизнесу. Крупные AI-лабы (OpenAI, Google DeepMind) используют математические прорывы как PR-инструмент и proof-of-concept для продажи корпоративных моделей. Растёт рынок AI-решений для R&D в фарме, материаловедении, финтехе — везде, где нужны формальные доказательства и оптимизация.

Инвесторам. Математические способности — индикатор зрелости моделей. Если ИИ решает задачи Эрдёша, значит, близко к прорывам в drug discovery, квантовых вычислениях, криптографии. Растут инвестиции в AI for Science (Anthropic, Sakana, стартапы вроде Symbolica AI). Риск: хайп опережает реальные применения, но тренд устойчивый.

• AI-платформа для математиков и исследователей: аналог GitHub Copilot, но для формальных доказательств и комбинаторики. Erdős Problems как база для тренировки моделей.
• Консалтинг для R&D-отделов фармы, материалов, чипов: внедрение AI-моделей для решения оптимизационных и комбинаторных задач, которые раньше решали вручную месяцами.
• Образовательные продукты: интерактивные курсы, где ИИ помогает студентам решать классические задачи (не только Эрдёша), объясняет ходы мысли — EdTech с акцентом на STEM.
• Фронтир-модели для enterprise: лицензирование закрытых математических моделей (как Astra от OpenAI) для корпораций, работающих с критичными вычислениями (финансы, энергетика, космос).
• Crowd-платформа для краудсорсинга математических задач: расширение идеи erdosproblems.com с призовыми фондами, спонсорами и ИИ-помощниками для участников.

• Хайп: результаты впечатляют, но модели пока не публичные, воспроизвести сложно. Может оказаться, что прорыв узкий и не масштабируется на другие области.
• PR > substance: компании используют задачи Эрдёша как маркетинг, но реальное влияние на практику (production-системы, бизнес-кейсы) пока не доказано.
• Доступность: если модели остаются закрытыми (как Astra), реальную пользу получат только крупные лабы и их клиенты, а не широкое научное сообщество.
• Переоценка математических способностей ИИ: решение задач Эрдёша — не то же самое, что создание новой математики или работа со сложными многослойными доказательствами. Может оказаться, что модели хороши только в узких классах задач.

Это крутая история: парень собирает задачи для себя, пишет сайт через ChatGPT, добавляет комментарии — и случайно создаёт площадку, где ИИ начинает решать проблемы, которые не поддавались людям десятилетиями. OpenAI, конечно, сделала из этого пиар-шоу, но факт остаётся: модели действительно начали мыслить нестандартно, применяя идеи из далёких областей математики. Пока это закрытые модели, результаты дорабатывают люди, и непонятно, как быстро это превратится в массовый инструмент. Но тренд чёткий: AI for Science — это не хайп, это реальное направление, куда идут деньги и таланты.

Что настораживает: слишком много пиара и слишком мало открытости. Если модели останутся закрытыми, выиграют только крупные лабы и их клиенты, а не научное сообщество. И непонятно, насколько эти способности масштабируются: решение задач Эрдёша — это одно, а создание новой математики или работа со сложными многослойными доказательствами — совсем другое. Пока это демонстрация потенциала, впечатляющая, но с открытыми вопросами.