Гостевой пост Фрэнка Калегари в блоге Теренса Тао отвечает на публикацию OpenAI более чем 700 исследовательских работ 6 октября. Автор считает произошедшее переломом: AI уже способен вносить заметный вклад в математику. Одновременно он критикует качество текстов, нарушения норм атрибуции и наличие ошибок. По его мнению, математическому сообществу полезнее менять собственные правила найма, публикаций и обучения, чем сосредотачиваться на поведении AI-компаний.
Калегари возражает против представления, что решение знаменитых задач «завершает» дисциплину. Он сравнивает ситуацию с классификацией конечных простых групп: её успех на время охладил интерес к области, хотя глубокие вопросы остались. Даже решение всей программы Ленглендса не стало бы концом теории чисел — открытые проблемы обозначают границы понимания, за которыми появляются новые направления.
AI, по мысли автора, снижает барьер для смелых междисциплинарных исследований. Он призывает использовать его не только для получения готовых доказательств, но и для изучения связей, которые раньше требовали слишком большой технической подготовки. При этом технические знания сохраняют значение: без них невозможно выбрать содержательную задачу и понять результат.
Центральное предложение — оценивать любую работу как потенциально созданную с помощью AI. Если машина способна получить то же заключение, научный вклад должен определяться идеями, постановкой проблемы, пониманием и влиянием на дальнейшие исследования, а не одним фактом новизны доказательства. Калегари не требует обязательного применения AI всеми математиками.
Среди практических мер — личные собеседования с кандидатами на постдок и в аспирантуру, отказ от оценки лишь по списку престижных публикаций, давление на журналы или уход от неприспособленных изданий. Обучение должно сочетать широкий обзор математики с глубокими навыками, а семинары — объяснять общие вопросы и тупики, а не только технические новшества.
Автор также предлагает меньше ценить гонку за первенством и больше вознаграждать создание новых исследовательских программ. Это программное эссе о стимулах научного сообщества, а не исследование точности конкретных AI-доказательств.