Нейросети в научных исследованиях: за три часа семнадцать минут два учёных предъявили одно и то же доказательство

На arXiv одну и ту же семилетнюю задачу квантовой криптографии закрыли дважды подряд — с разницей в три часа семнадцать минут. 23 июля профессора Прабханджан Анант (Санта-Барбара) и Амит Сахаи (UCLA) выложили доказательство в 17:35 по Гринвичу. Аспирант MIT Сеён Рагаван — независимо, в 20:53. Ни один не знал о работе другого. Оба использовали один и тот же инструмент — новую модель OpenAI GPT-5.6 Sol Ultra. Совпадение попало в научные ленты не как курьёз, а как первый заметный симптом того, что нейросети в научных исследованиях меняют не только скорость работы, но и саму механику, которая двести с лишним лет распределяла научное авторство: кто первый подал заявку, тот и открыл.

Задача называется unclonable encryption — «шифрование, которое нельзя скопировать». Обычный зашифрованный файл можно скопировать сколько угодно раз, как документ под копирку, — оригинал не пострадает. Квантовая физика такой трюк запрещает в принципе: скопировать квантовое состояние без искажения нельзя — это следствие фундаментального «запрета клонирования», а не чья-то недоработка. Отсюда идея: зашифровать сообщение так, чтобы оно вело себя не как файл, а как настоящая купюра — перехватил её кто-то чужой и попробовал снять копию себе на память, а копия годится только на выброс.

Саму концепцию предложила в 2019 году Энн Бродбент из университета Оттавы вместе с Себастьяном Лордом. Что такую защиту можно построить теоретически, доказали быстро. А вот построить её эффективно — без запредельных вычислений и без лишних недоказанных допущений — не получалось семь лет.

По словам участников, всё было буднично. В начале июля тот же открытый вопрос прозвучал на семинаре Института Саймонса при Беркли. Сахаи и Анант засели за него с системой UCLA, которая гоняет модель по кругу: предложи решение — раскритикуй — предложи снова. Рагаван работал иначе: вёл GPT-5.6 Sol Ultra блоками по два часа, проверял, куда модель зашла, и сам причёсывал итог. К результату оба пришли независимо. Рагаван в своей статье отдельно отметил: конструкция и доказательство Ананта и Сахаи по сути совпадают с его — разница только в подаче.

«Теперь первая реакция на любую нерешённую задачу — не сесть и подумать, а проверить, не решит ли её GPT», — говорит Анант. Ни одна из двух работ пока не прошла рецензирование, и обе честно указывают: доказательство подсказала модель, люди его проверили и довели до публикуемого вида.

Заголовок «нейросеть сама доказала теорему» был бы неточным. Какую задачу решать, что считать успешным доказательством, как его записать — определили люди. Но сам путь от постановки к результату прошла модель, и прошла его дважды с разных сторон, придя к практически одинаковому решению.

Вот в чём перемена. Раньше разрыв в три часа между двумя независимыми командами означал реальную разницу — в квалификации, скорости мышления, удаче. Механика приоритета «кто первый подал, тот и автор» веками честно измеряла именно это. Когда узкое место сместилось с человека на инструмент, а инструмент у обеих команд один и тот же, три часа перестают мерить квалификацию. Они начинают мерить логистику: во сколько кто нажал «отправить».

Через пять дней в ту же ленту попал отчёт OpenAI и научных партнёров — 28 июля, восемь проектов, где исследователи поручили кодинг-агентам (в основном Codex, местами вместе с Claude Code от Anthropic) реанимировать заброшенный научный софт. Контроль качества при секвенировании РНК (RustQC) и генерация синтетических геномов на GPU (HelixForge) ускорились до 60 раз. Статистический пакет bayesm на Rust стал быстрее в 2,3–9,5 раза — разброс зависит от числа потоков процессора.

Интереснее не скорость, а место, где агенты спотыкались. В том же bayesm нашлись скрытые ошибки — перепутанные местами управляющие параметры и неверные вычисления, которые в готовом выводе выглядели совершенно правдоподобно и всплыли только на детальной статистической калибровке. Разработчик RustQC Филип Эвелс не разрешал модели самой оценивать качество своей работы — строил для неё отдельный независимый тест на верность результата. «Агенты красноречивы, убедительны и уверенно ошибаются так, что это легко упустить», — говорит он.

Обе истории одной недели складываются в одну мысль. Написание кода и вывод доказательства перестают быть тем этапом, где решается, кто сильнее исследователь, — это всё чаще делает инструмент, а инструмент общий. Узкое место переехало туда, куда нейросеть не дотягивается: в проверку, что результат верен, и в вопрос, кто отвечает за код и доказательство годы спустя. Эвелс называет это вопросом попечительства: если лаборатории настроят агентов по-разному, результаты между ними станет труднее сравнивать — не из-за науки, а из-за инструмента.

Для журналов и научных институтов это уже не гипотетическая проблема. Отметки времени до секунды на arXiv в этот раз хватило, чтобы формально развести два доказательства — но это работает, пока такая коллизия одна на новость. Если общий инструмент начнёт регулярно приводить разных людей к одному результату в один день, вопрос «кто первый» придётся дополнять вопросом «кто проверил» — раскрытие того, какая модель и как использовалась, встанет рядом с методологией, а не останется сноской мелким шрифтом.

Сам Анант тревожится не столько об авторстве, сколько о другом: «Я рад, что уже не студент — и переживаю за нынешнее поколение». Не потому, что нейросеть отнимет у них работу. А потому, что разучиться месяцами в одиночку биться над задачей, прежде чем она поддастся, — тоже часть того, чему раньше учила наука.

Разборы других новостей об ИИ — в Telegram-канале t.me/veruna_ai_news.