Гипотеза KLS доказана: в Microsoft Research решили задачу 1995 года — ИИ искал, люди направляли
Гипотеза KLS (Каннана — Ловаса — Шимоновича), открытая с 1995 года, доказана: двое исследователей, один из них из Microsoft Research, вели ИИ-агентов, отсекали тупики и сами проверяли доказательство. Тот же ИИ без людей и с тем же бюджетом до цели не дошёл.
21 октября в блоге Microsoft Research вышел рассказ о доказательстве гипотезы KLS — задачи из многомерной геометрии, которую сформулировали в 1995 году и с тех пор не могли закрыть. Автор поста — старший исследователь Синьчжи Чжан, соавтор — Чжао Сун. Полное доказательство появилось в версии статьи от 4 октября. Для бизнеса в этой истории интересна не геометрия. Интересно, как поделили работу: ИИ перебирал варианты, люди решали, куда идти.
Что именно доказали и как работали
Гипотеза спрашивает, насколько простой плоский разрез многомерного распределения уступает самому удачному разрезу любой формы. Ответ авторов: разница ограничена постоянным числом и не растёт с числом измерений. Это важно для теории случайных алгоритмов и для статистики: много результатов раньше опирались на KLS как на допущение, теперь их можно формулировать без оговорок.
| Что | Как было |
|---|---|
| Поиск | Несколько ИИ-агентов параллельно пробовали вариации идеи, всего более 100 подходов, многие с длинными выкладками |
| Отсев | Исследователь смотрел промежуточные результаты, отбрасывал тупиковые ветки и отдавал лучшую на следующий круг |
| Что делал ИИ | Перебор подходов, подробные выкладки, подготовка рукописи, внутренние проверки доказательства |
| Что делали люди | Выбрали направление, отобрали идеи, собрали итоговый аргумент, проверили доказательство |
| Ход работы | Июль 2026 — прежний рекорд; 1 октября — почти решение; 4 октября — полное |
| Проверка | В тот же день независимая группа выложила своё доказательство на основе первой версии статьи. Вышло и третье; потом появилась формальная проверка в Lean 4 |
Самая показательная строчка — про контрольный опыт. Авторы отдельно пытались решить ту же задачу несколькими сильными моделями без участия человека, потратив примерно тот же объём вычислений. Не получилось. Сокращённое доказательство и его машинную проверку авторы обещают выложить после финальной вычитки, рецензирование в посте не описано.
Что это значит для бизнеса в России
Перенести опыт математиков в офис можно одной мыслью: ИИ хорошо перебирает, человек хорошо выбирает. Если дать ИИ задачу целиком и ждать готового ответа, часто выходит много текста и мало пользы. Если разбить работу на круги — ИИ предлагает пять вариантов, человек оставляет один и говорит, что не так, — результат собирается быстрее.
Где это работает уже сейчас, без математики:
- Код и интеграции. ИИ пишет и тестирует варианты, а цель, архитектуру и приёмку оставляет за людьми. Так устроен IT-специалист КАРАДЕСК: задачи ставятся голосом, текстом или брифом, код и документация остаются у компании, архитектуру утверждает инженер.
- Цены и коммерческие предложения. ИИ считает несколько схем скидок по вашей базе сделок. Руководитель отсекает те, что режут маржу, и просит пересчитать оставшиеся.
- Скрипты и разбор звонков. ИИ находит в разговорах повторяющиеся возражения, а руководитель отдела решает, на какие из них менять скрипт.
Отдельный урок про деньги. В эксперименте Microsoft одинаковый бюджет на вычисления дал разный итог: с отсевом людьми — доказательство, без него — нет. В компании то же самое: подписка на нейросеть сама по себе ничего не решает. Решает, кто ставит задачу, кто проверяет промежуточный результат и кто подписывается под итогом. Результат не гарантирован ни в науке, ни в бизнесе: выбор и ответственность остаются за людьми.
Где граница между работой ИИ-программиста и человека, мы разбирали в статье «ИИ-программист: что он делает и где нужен человек». Похожий пример ИИ-агентов в исследованиях — новость о ферментной системе ART, а промышленный — о поиске добавок для цемента.
Коротко
- Гипотезу KLS, открытую с 1995 года, доказали двое исследователей, один из них из Microsoft Research.
- ИИ-агенты перебрали более 100 подходов, люди отсекали тупики, собрали итоговый аргумент и проверили его.
- Без людей ИИ с тем же объёмом вычислений до доказательства не дошёл.
- Результат подтвердили независимые доказательства и формальная проверка в Lean 4.
- Для бизнеса вывод простой: ИИ перебирает варианты, человек выбирает и отвечает за итог.
Вопросы и ответы
Что такое гипотеза KLS?
Гипотеза Каннана — Ловаса — Шимоновича 1995 года из многомерной геометрии. Она утверждает, что простой плоский разрез многомерного распределения уступает лучшему разрезу любой формы не больше чем в постоянное число раз, сколько бы ни было измерений.
ИИ сам доказал гипотезу?
Нет. По словам авторов, ИИ перебирал подходы, делал выкладки и помогал с рукописью, а направление, отбор идей, сборку доказательства и проверку делали исследователи. Попытки решить задачу одним ИИ без людей не удались.
Проверено ли доказательство?
В тот же день независимая группа опубликовала своё доказательство на основе первой версии статьи. Вышло и третье, на близкой идее, затем — формальная проверка в Lean 4. О рецензировании в журнале в посте не говорится.
Как применить подход «человек ведёт, ИИ считает» в компании?
Разбить задачу на круги: ИИ готовит несколько вариантов кода, расчёта или текста, человек отбирает и поправляет, ИИ дорабатывает. Приёмка и ответственность остаются за сотрудником.
Продукт: IT-специалист
Обсудим вашу задачу
Оставьте телефон — перезвоним в рабочее время, покажем демонстрацию на вашем сценарии и честно скажем, где ИИ не подойдёт.
