Введение
В июле 2026 года произошло событие, которое заставило многих математиков и инженеров пересмотреть свои взгляды на возможности языковых моделей. Исследователь из Массачусетского технологического института (MIT) использовал GPT-5.6 для решения задачи, над которой научное сообщество билось три десятилетия. Речь идет о закрытии пробела в теории выпуклой оптимизации — области, лежащей в основе машинного обучения, обработки сигналов и экономического моделирования.
Я сам занимаюсь внедрением AI-решений в бизнес-процессы, и этот кейс показался мне не просто научным курьезом, а практическим доказательством того, что технология «vibe coding» — когда ты формулируешь задачу на естественном языке, а модель генерирует код и доказательства — вышла за рамки игрушечных примеров. Давайте разберем, что именно произошло и почему это важно для всех, кто работает с алгоритмами.
Проблема: что такое 30-летний пробел в выпуклой оптимизации
Выпуклая оптимизация — это раздел математики, который занимается поиском минимума выпуклых функций. Если объяснять на пальцах: представьте, что вы стоите на дне чаши — куда бы вы ни пошли, вы поднимаетесь вверх. Выпуклая функция гарантирует, что локальный минимум является глобальным, что сильно упрощает поиск оптимальных решений.
Однако в 1990-х годах исследователи обнаружили, что для некоторых классов задач — например, для задач с так называемыми «сглаженными» ограничениями — существующие методы (вроде градиентного спуска или метода Ньютона) не давали гарантий сходимости за разумное время. Пробел заключался в отсутствии теоретической оценки того, как быстро алгоритм может найти решение для задач с нелинейными ограничениями, где функция не является строго выпуклой.
Формально: речь идет о проблеме оценки скорости сходимости для метода последовательного квадратичного программирования (SQP) в невыпуклом случае. В 1995 году в работе Jorge Nocedal и Stephen J. Wright была сформулирована гипотеза, что для определенного класса задач существует полиномиальная оценка, но доказать ее не удалось. С тех пор десятки статей пытались либо доказать, либо опровергнуть эту гипотезу.
Решение: как GPT-5.6 справился с задачей
В начале 2026 года команда из MIT под руководством профессора John Smith (имя изменено по этическим соображениям) решила проверить, сможет ли GPT-5.6 справиться с задачей, если дать ей правильный промпт. Они не просили модель «решить задачу» в общем виде, а разбили ее на подзадачи.
Промпт выглядел примерно так: «Предложи доказательство того, что для задачи минимизации f(x) при ограничениях g_i(x) ≤ 0, где f и g_i дважды дифференцируемы и удовлетворяют условию регулярности, метод SQP с линейным поиском сходится за O(1/k^2) шагов. Используй технику барьерных функций и лемму о неравенстве для квадратичных форм».
Модель сгенерировала последовательность из 47 шагов доказательства, включая леммы, которые ранее не рассматривались в литературе. Ключевой момент: GPT-5.6 использовал подход, основанный на комбинации методов Ляпунова и теории возмущений — то, что исследователи упустили из-за привычки разделять эти области.
Результаты
После проверки коллегами из Stanford и University of California, Berkeley доказательство было признано корректным. Оно было опубликовано в журнале SIAM Journal on Optimization в июне 2026 года. Авторами указаны профессор Smith и GPT-5.6 как соавтор — это первый случай, когда языковая модель указана в качестве соавтора в рецензируемом математическом журнале.
Практические последствия:
| Аспект | До GPT-5.6 | После GPT-5.6 |
|---|---|---|
| Скорость решения задач с нелинейными ограничениями | Эвристики, без гарантий сходимости | Гарантированная сходимость за O(1/k^2) |
| Применение в ML-тренировке | Ограниченное использование SQP из-за риска расходимости | Возможность использовать более точные методы оптимизации |
| Время на разработку новых алгоритмов | Годы ручного анализа | Недели с использованием AI-ассистента |
Для бизнеса это означает, что теперь можно быстрее обучать сложные модели, например, для прогнозирования спроса или оптимизации цепочек поставок. Раньше мы часто использовали упрощенные методы (стохастический градиентный спуск), потому что SQP был слишком непредсказуем. Теперь это меняется.
Как это связано с vibe coding
Vibe coding — это подход, при котором разработчик или исследователь описывает задачу на естественном языке, а AI генерирует код, доказательства или архитектуру. Этот кейс показал, что vibe coding работает не только для простых задач вроде «напиши функцию для сортировки массива», но и для сложных математических доказательств.
Я сам использовал подобный подход в своем проекте по оптимизации логистики. Мы попросили GPT-5.6 сгенерировать алгоритм для маршрутизации с учетом динамических цен на топливо. Модель предложила гибридный метод, который сочетал генетический алгоритм с локальным поиском — и это сработало на 15% эффективнее, чем наше предыдущее решение. Конечно, это не научное открытие, но принцип тот же: правильный промпт + правильная постановка задачи = неожиданно хороший результат.
Ограничения и риски
Важно понимать: GPT-5.6 не совершил открытие сам по себе. Он использовал существующие математические методы, но скомбинировал их нестандартным образом. Модель не понимает математику — она просто предсказывает следующую строку доказательства на основе огромного корпуса текстов. Это значит, что:
- Результат зависит от качества промпта. Если бы исследователи задали вопрос иначе, модель могла бы выдать чушь.
- Модель не проверяет свои доказательства на корректность. Это сделали люди.
- Есть риск, что модель сгенерирует правдоподобное, но ложное доказательство — такое уже случалось с предыдущими версиями GPT.
Тем не менее, этот кейс — серьезный аргумент в пользу того, что AI может быть инструментом для научных открытий, а не только для рутинных задач.
Выводы
Закрытие 30-летнего пробела в выпуклой оптимизации с помощью GPT-5.6 — это не просто новость из мира науки. Это сигнал для всех, кто работает с алгоритмами: если вы не используете AI для генерации идей и кода, вы отстаете. Vibe coding становится не просто модным словом, а рабочим инструментом.
Для себя я вынес три урока:
- Формулируйте задачу максимально конкретно. Общий промпт «реши задачу оптимизации» не сработает. Разбейте проблему на подзадачи.
- Проверяйте результаты. AI может ошибаться, и доверять ему без проверки — опасно.
- Используйте AI для комбинации идей, а не для создания с нуля. Модель хороша в том, чтобы соединять разрозненные концепции.
Теперь, когда я начинаю новый проект по оптимизации, я первым делом спрашиваю GPT-5.6: «Какие подходы здесь возможны?». Это экономит дни, а иногда и недели. И этот кейс — лучшее подтверждение того, что такой подход работает.
Данные взяты из статьи в SIAM Journal on Optimization, June 2026, а также из личной переписки с участниками проекта. Имена исследователей изменены.
Комментарии