Исследование Мэттью Колбрука показывает, что некоторые задачи принципиально неразрешимы для нейросетей — сколько данных и вычислений ни добавляй. Автор проводит параллели с теоремами о неполноте Гёделя, напоминая: не всё можно решить просто масштабированием.
ИИ-системы от DeepMind и OpenAI теперь решают олимпиадные задачи на уровне золотых медалистов, доказывают теоремы и даже опровергают гипотезы, достойные публикации в топовых журналах. Это ставит вопрос: останется ли место для человека в математике, если главная радость — долгий путь к пониманию — станет ненужным?
Роль математики в ML меняется: раньше она диктовала дизайн архитектур, теперь помогает объяснять эмпирические феномены уже обученных моделей. Вместо гарантий производительности — постфактум-анализ, как в физике. При этом «чистые» разделы математики (топология, алгебра, геометрия) становятся всё актуальнее для понимания многомерных пространств параметров и скрытых активаций нейросетей.
