Исследователь полтора года доказывал гипотезу Римана с Claude и Lean, но не смог
Независимый исследователь Владимир Радкевич полтора года доказывал гипотезу Римана с Claude и Lean, но растущий множитель съедал весь выигрыш — как если ускорить одну операцию в коде, а подготовка данных замедлится на столько же. По его словам, 20 ноября 2026 года гипотезу доказал Левент Альпёге, тоже с Claude; Lean и Mathlib проверку подтвердили. Вывод: ИИ-цепочке нужен строгий проверяющий, иначе она выдаёт убедительные выкладки без результата.
AI-обработка оригинала Habr AI; редакция Hamidun News
Бывает, что вы неделю оптимизируете код, каждая правка выглядит разумно, тесты зелёные, а время работы не меняется. Что-то незаметно съедает весь выигрыш. Примерно так выглядела полтора года работы независимого исследователя Владимира Радкевича, который вместе с моделями Claude и Codex и системой проверки Lean пытался доказать гипотезу Римана. Доказать не получилось. Зато он написал на Хабре подробный разбор того, как выглядит «почти работающая» идея и почему человека и ИИ так легко обмануть собственными выкладками.
Сразу оговорка: всё ниже опирается на рассказ автора, мы его не перепроверяли. Исходный текст на Хабре — первая часть серии из трёх, и в нашем материале доступна только его часть, поэтому про второй и третий выпуски можно судить лишь по анонсу самого автора.
Где пропадал выигрыш
Автор описывает типичную поломку. Чтобы загнать ошибку в ноль, он расширял окно вычисления: чем шире окно, думали они, тем точнее оценка. Выкладки были правильными, вспомогательные неравенства тоже, кое-что даже проверялось на компьютере. А потом выяснилось, что вместе с окном растёт множитель, и он съедает ровно столько, сколько удалось выиграть. Несколько страниц убедительных вычислений, и в конце ноль продвижения.
Для разработчика это знакомая картина: ускорили одну операцию, но подготовка данных для неё стала медленнее на столько же. Локальный выигрыш настоящий, общий нулевой. Поэтому автор советует заранее задавать любой новой идее неудобный вопрос: где у неё спрятана цена и не окажется ли она равна выигрышу.
Как гипотезу превращают в задачу «почти для ML»
Гипотеза Римана утверждает, что все нетривиальные нули дзета-функции лежат на одной вертикальной прямой посередине полосы. Компьютеры проверили триллионы нулей, и все сидят на этой прямой. Но слово «каждый» большим числом примеров не заменишь: следующий нуль может оказаться первым неправильным.
Проект Радкевича назван NymanBeurling по критерию Наймана–Бёрлинга. Он переводит вопрос о нулях в вопрос о приближении. Из дробных частей чисел собирают семейство «рваных» функций на отрезке от 0 до 1.
Представьте их как короткие звуковые волны: можно крутить громкость и менять знак каждой. Задача — сложить из них ровную линию, постоянную единицу, так, чтобы ошибка по методу наименьших квадратов стремилась к нулю. В усилении Báez-Duarte критерий звучит так: гипотеза верна тогда и только тогда, когда эта ошибка уходит в ноль.
На слух это почти машинное обучение: подбирай коэффициенты и смотри, как падает ошибка. Но почему складывание волн что-то знает о нулях дзета-функции, автор объясняет отдельным рассуждением. Если бы «неправильный» нуль существовал, нашёлся бы прибор, который не видит ни один строительный блок, но видит цель.
Прибор устойчив, а значит, подобраться к цели близко было бы нельзя.
Простые ошибки при этом тоже случались. В «линейно независимый базис» по недосмотру включили функцию, тождественно равную нулю, и в матрице появилась нулевая строка.
Что делал Lean и что взять на вооружение
В Lean утверждение записывается как тип, а доказательство как значение этого типа. Специальное ядро проверяет, что значение построено по разрешённым правилам. Для программиста это разница между интерфейсом и реализацией, только реализация должна быть свидетельством истинности, а не функцией, которая возвращает true. Если Lean принял доказательство, оно работает для всех объектов, удовлетворяющих условиям, сломать его «на следующем входе» нельзя.
Но у проверки есть граница: смысл определений и условий всё равно должен понимать человек. Автор сразу предупреждает, что это они «проверят на собственной шкуре».
Роли распределялись так. Радкевич выбирал вопросы, спорил о конструкциях и пытался связать результаты в целое. Claude и Codex предлагали аргументы, писали код, искали ошибки друг у друга и тоже ошибались. Начали в августе 2025 года, а основная хроника приходится на январь–октябрь 2026-го.
Финал истории, по словам автора, такой: 20 ноября 2026 года гипотезу доказал другой человек, Левент Альпёге, тоже в паре с Claude. Он выложил Lean-библиотеку примерно на 17 миллионов строк, а 21 ноября сообщества Lean и Mathlib опубликовали совместное заявление: доказательство и формулировка проверены. Сам Радкевич машинную проверку не повторял и не утверждает, что понял все 17 миллионов строк.
Практический вывод для тех, кто строит агентов и длинные цепочки из моделей: без внешнего строгого арбитра они производят убедительные страницы без результата. Формальный верификатор в этой истории работал как жёсткий набор тестов. Он не придумывает решение, но честно показывает, что на самом деле получилось. Репозиторий проекта пока закрыт, автор выдаёт доступ по запросу.
- 22 нояб. 2026 г.Бэкендер без опыта в Unity сделал 3D-игру с ИИ-агентом: набор подписок стоит 112$
- 22 нояб. 2026 г.Главный учёный OpenAI предложил лимит скорости ИИ: перплексия GPT-4 — 0,91, сейчас ниже 0,8
- 22 нояб. 2026 г.Ветеран DeepSeek открыл код Linger: локальный ИИ-агент, модели отвечают до 5 раз быстрее
- 22 нояб. 2026 г.Акции Anthropic за день упали на 8,5% и почти вернулись к цене IPO в $83
Вопросы и ответы по материалу
Что известно по теме: где пропадал выигрыш?
Автор описывает типичную поломку. Чтобы загнать ошибку в ноль, он расширял окно вычисления: чем шире окно, думали они, тем точнее оценка. Выкладки были правильными, вспомогательные неравенства тоже, кое-что даже проверялось на компьютере. А потом выяснилось, что вместе с окном растёт множитель, и он съедает ровно столько, сколько удалось выиграть. Несколько страниц убедительных вычислений, и в конце ноль продвижения.
Что известно по теме: как гипотезу превращают в задачу «почти для ML»?
Гипотеза Римана утверждает, что все нетривиальные нули дзета-функции лежат на одной вертикальной прямой посередине полосы. Компьютеры проверили триллионы нулей, и все сидят на этой прямой. Но слово «каждый» большим числом примеров не заменишь: следующий нуль может оказаться первым неправильным. Проект Радкевича назван NymanBeurling по критерию Наймана–Бёрлинга. Он переводит вопрос о нулях в вопрос о приближении. Из дробных частей чисел собирают семейство «рваных» функций на отрезке от 0 до 1.
Что известно по теме: что делал Lean и что взять на вооружение?
В Lean утверждение записывается как тип, а доказательство как значение этого типа. Специальное ядро проверяет, что значение построено по разрешённым правилам. Для программиста это разница между интерфейсом и реализацией, только реализация должна быть свидетельством истинности, а не функцией, которая возвращает true. Если Lean принял доказательство, оно работает для всех объектов, удовлетворяющих условиям, сломать его «на следующем входе» нельзя.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.