Гипотеза Якоби (Jacobian Conjecture) — одна из старейших нерешённых задач алгебраической геометрии, сформулированная ещё в 1939 году. Упрощённо она утверждает: если якобиан полиномиального отображения (определитель матрицы частных производных) всюду равен ненулевой константе, то само отображение обратимо всюду — то есть каждому результату соответствует ровно один набор входных значений. Интуитивно это звучит очевидно, поэтому десятилетиями гипотезу пытались доказать, а не опровергнуть.
Найденный контрпример элегантно разрушает эту интуицию: якобиан определён и равен −2 во всех точках, но при этом три различных набора входных значений отображаются в одну и ту же точку — а значит, глобальная обратимость нарушается. Особенно примечательно, что контрпример укладывается в несколько строк и может быть проверен вручную любым математиком без специализированного ПО.
За 87 лет существования гипотезы к ней подступались десятки известных математиков, публиковались частичные доказательства для отдельных случаев (например, для полиномов низкой степени или определённого числа переменных), но общий случай оставался неприступным. Именно универсальность контрпримера — то, что он опровергает гипотезу в общем виде, а не в узком частном случае, — делает находку значимой, а не просто курьёзом.
Левент Алпёге, работающий в направлении Claude Science в Anthropic, использовал модель Claude Fable 5 для перебора и анализа кандидатов в контрпримеры — процесс, который заняло бы у человека без вычислительной поддержки месяцы или годы направленного поиска. Примечательно, что о результате не стало известно через рецензируемую научную публикацию — открытие было анонсировано в соцсетях, и в течение нескольких часов независимые математики со всего мира подтвердили корректность вычислений.
Публикация в формате поста, а не статьи в рецензируемом журнале, стала возможной именно благодаря простоте верификации: любой специалист по алгебраической геометрии мог за считаные минуты подставить предложенные полиномы и вручную убедиться, что якобиан действительно постоянен, а отображение — нет. Такая «доказуемость на салфетке» принципиально отличает этот случай от типичных ИИ-доказательств, которые нередко представляют собой громоздкие компьютерные выкладки, непроверяемые человеком напрямую.
Такой формат публикации сам по себе примечателен: научное сообщество математиков традиционно консервативно и полагается на длительный процесс рецензирования, но простота и проверяемость контрпримера позволили обойтись без этого этапа — сообщество верифицировало результат коллективно и практически мгновенно.
При этом эксперты подчёркивают важную оговорку: ИИ нашёл контрпример, но не смог объяснить, почему именно эта конструкция работает — модель не предоставила интуитивного понимания механизма, стоящего за находкой, только формальную конструкцию, поддающуюся проверке. Это иллюстрация текущего состояния ИИ в фундаментальной науке: модели уже способны превосходить человеческую интуицию в узких, формально проверяемых задачах, но не заменяют содержательное математическое понимание.
Именно эта граница — между «нашёл рабочий пример» и «понял, почему он работает» — сейчас в центре дискуссии среди математиков о роли ИИ в фундаментальной науке. Одни исследователи видят в этом кейсе доказательство того, что модели уже способны на самостоятельные открытия в математике; другие настаивают, что без объяснительной силы такие находки остаются частными случаями «слепого перебора» — пусть и невероятно эффективного, но не заменяющего теоретическое понимание структуры задачи.
История с гипотезой Якоби показательна для российского научного и ИИ-сообщества по нескольким причинам. Во-первых, она демонстрирует новый формат научной работы — «человек плюс модель» в качестве полноценного исследовательского инструмента, а не просто ассистента для написания текста или кода. Российским университетам и исследовательским центрам, включая ИТМО, СПбГУ и Математический институт им. Стеклова, стоит учитывать этот прецедент при формировании программ подготовки исследователей: способность формулировать точную задачу для ИИ-модели и интерпретировать результат становится отдельной исследовательской компетенцией.
Во-вторых, кейс подчёркивает растущий разрыв между лидирующими моделями (Claude Fable 5, GPT-5.6) и отечественными аналогами вроде GigaChat и YandexGPT именно в задачах формального рассуждения и математики высокого уровня — областях, где разрыв в качестве не удаётся компенсировать локализацией под русский язык. Для российских исследователей это дополнительный аргумент в пользу гибридных сценариев использования: локальные модели для работы с чувствительными данными, но доступ к топовым зарубежным моделям — там, где это разрешено регуляторно — для решения действительно сложных научных задач.