Axiom Math выпускает мощный новый инструмент ИИ. Но остается вопрос, ускорит ли он исследования настолько, насколько надеется компания.
Автор: Will Douglas Heaven
25 марта 2026 г.
Sarah Rogers/MIT Technology Review | Getty Images
Axiom Math, стартап из Пало-Альто, Калифорния, выпустил бесплатный новый инструмент ИИ для математиков, разработанный для обнаружения математических закономерностей, которые могут открыть решения давних проблем.
Инструмент называется Axplorer и представляет собой переработку существующего инструмента PatternBoost, который Франсуа Шартон, ныне научный сотрудник Axiom, разработал в соавторстве в 2024 году, когда работал в Meta. PatternBoost работал на суперкомпьютере; Axplorer работает на Mac Pro.
Математика с помощью чатбота
В последние несколько месяцев многие математики использовали LLM, такие как GPT-5 от OpenAI, для поиска решений неразрешённых проблем, особенно тех, которые поставил математик 20-го века Пол Эрдёш, оставивший после себя сотни головоломок.
Но Шартон относится критически к этим успехам. «Есть тонны проблем, которые открыты, потому что никто не смотрел на них, и легко найти несколько драгоценностей, которые можно решить», — говорит он. Он нацелен на более сложные вызовы — «большие проблемы, которые очень хорошо изучены, и над ними работали известные люди». В прошлом году Axiom Math использовала другой свой инструмент, называемый AxiomProver, чтобы найти решения четырех таких проблем в математике.
Проблема Турана четырёх циклов, которую решил PatternBoost, — это другая большая проблема, говорит Шартон. (Проблема важна в теории графов, разделе математики, используемом для анализа сложных сетей, таких как соединения в социальных сетях, цепи поставок и рейтинги поисковых систем. Представьте себе страницу, покрытую точками. Головоломка заключается в том, чтобы понять, как провести линии между как можно большим количеством точек, не создавая циклов, соединяющих четыре точки подряд.)
«LLM чрезвычайно хороши, если вы хотите делать что-то производное от того, что уже было сделано», — говорит Шартон. «Это не удивительно — LLM предварительно обучены на всех существующих данных. Но можно сказать, что LLM консервативны. Они пытаются переиспользовать то, что существует».
Однако в математике много проблем, которые требуют новых идей, озарений, которые никто никогда не имел. Иногда такие озарения приходят от замечания закономерностей, которые раньше не замечались. Такие открытия могут открыть целые новые ветви математики.
PatternBoost был разработан, чтобы помочь математикам найти новые закономерности. Дайте инструменту пример, и он сгенерирует другие подобные примеры. Вы выбираете те, которые кажутся интересными, и вводите их снова. Инструмент затем генерирует больше подобных, и так далее.
Это идея, похожая на AlphaEvolve от Google DeepMind, систему, которая использует LLM для разработки новых решений проблемы. AlphaEvolve хранит лучшие предложения и просит LLM улучшить их.
Специальный доступ
Исследователи уже использовали как AlphaEvolve, так и PatternBoost для открытия новых решений давних математических проблем. Проблема в том, что эти инструменты работают на больших кластерах GPU и недоступны большинству математиков.
Математики взволнованы по поводу AlphaEvolve, говорит Шартон. «Но это закрыто — нужно иметь доступ к нему. Нужно идти и просить парня из DeepMind вводить вашу проблему».
А когда Шартон решил проблему Турана с помощью PatternBoost, он всё ещё был в Meta. «У меня буквально были тысячи, иногда десятки тысяч машин, на которых я мог его запустить», — говорит он. «Это работало три недели. Это было стыдно — чистая грубая сила».
Axplorer намного быстрее и намного более эффективен, согласно команде Axiom Math. Шартон говорит, что Axplorer потребовалось всего 2,5 часа, чтобы совпасть с результатом PatternBoost по задаче Турана. И он работает на одной машине.
Джорди Уильямсон, математик из Университета Сиднея, который работал над PatternBoost вместе с Шартоном, пока не пробовал Axplorer. Но ему интересно посмотреть, что математики будут делать с ним. (Уильямсон всё ещё иногда сотрудничает с Шартоном над академическими проектами, но говорит, что иным образом не связан с Axiom Math.)
Уильямсон говорит, что Axiom Math внесла несколько улучшений в PatternBoost, которые (в теории) делают Axplorer применимым к более широкому спектру математических проблем. «Остаётся увидеть, насколько значительны эти улучшения», — говорит он.
«Мы находимся в странном времени, когда много компаний имеют инструменты, которые они хотели бы, чтобы мы использовали», — добавляет Уильямсон. «Я бы сказал, что математики в некоторой степени перегружены возможностями. Мне неясно, какое влияние будет иметь наличие ещё одного такого инструмента».
Хонг признает, что прямо сейчас много инструментов ИИ предлагается математикам. Некоторые также требуют, чтобы математики обучали свои собственные нейронные сети. Это отталкивает, говорит Хонг, которая сама математик. Вместо этого Axplorer будет пошагово провести вас через то, что вы хотите делать, говорит она.
Код для Axplorer имеет открытый исходный код и доступен через GitHub. Хонг надеется, что студенты и исследователи будут использовать инструмент для генерирования примеров решений и контрпримеров к проблемам, над которыми они работают, ускоряя математические открытия.
Уильямсон приветствует новые инструменты и говорит, что много использует LLM. Но он не думает, что математики должны прямо сейчас выбросить белые доски. «По моему субъективному мнению, PatternBoost — красивая идея, но это определенно не панацея», — говорит он. «Я бы хотел, чтобы мы не забывали более приземлённые подходы».