Китайский математик собрал 1000 нерешённых задач: зачем науке задавать вопросы, на которые ИИ не ответит

61-летний профессор математического факультета Нанкинского университета Сунь Чживэй сформулировал для мирового математического сообщества более тысячи задач, у которых пока нет доказанного ответа, и свёл их в сборник объёмом свыше 400 страниц. Учёный работает на переднем крае теории чисел, раздела математики о свойствах целых чисел.

Его главный тезис звучит спокойно на фоне новостей о прорывах нейросетей: искусственный интеллект не сможет решить все математические задачи, и математикам не нужно паниковать. Освободившееся время Сунь предлагает направить на работу, которая даётся моделям хуже: разработку новых методов и создание новых теорий.

О своих выводах он рассказал изданию China Science Daily, пересказ публикации вышел 22 октября 2026 года. Слово «нерешённая» здесь значит простую вещь: ответа нет ни у кого в мире, и учебник подсказку не даст. Именно поэтому список открытых вопросов ценен сам по себе, даже без единого доказательства.

Что произошло: математик из Нанкина собрал более 1000 нерешённых задач

Кто такой Сунь Чживэй

Суню 61 год, он профессор математического факультета Нанкинского университета и занимается теорией чисел. В начале карьеры он, по собственному описанию, был традиционным «решателем задач»: брал известную проблему и искал доказательство. На этом пути он добился важных результатов в исследовании десятой проблемы Гильберта, сформулированной в 1900 году.

Переломным моментом стала работа приглашённым профессором в Калифорнийском университете в Ирвайне в 2005 году. Там Сунь познакомился с американским профессором, который умело использовал математические программы для поиска закономерностей. Для Суня это был новый подход: часть рутины можно передать машине. Этот эпизод помогает понять, почему сегодня он говорит об ИИ ровно, без паники и без восторга.

Что за сборник на 400 страниц

Более тысячи сформулированных задач Сунь свёл в сборник объёмом свыше 400 страниц и адресовал его мировому математическому сообществу. По смыслу это карта открытых вопросов: с ней исследовательские группы могут планировать работу на годы вперёд.

Границы известного здесь важны. В доступных публикациях нет точного названия сборника, издательства и даты выхода, не приводятся и конкретные примеры задач. Известны масштаб (1000+ задач, 400+ страниц) и адресат: математическое сообщество.

Почему науке нужны вопросы, на которые нет ответа

Традиционное математическое образование делает акцент на освоении существующих формул и доказательстве известных теорем. Схема знакома каждому: есть условие, есть метод, нужен аккуратный ответ. Наука устроена иначе, и Сунь настаивает именно на этой разнице.

Гипотеза как топливо прогресса

По его словам, настоящий прогресс зависит от способности с помощью интуиции находить новые вопросы, а затем решать их с помощью логики. Порядок действий выглядит так: гипотеза, проверка, метод, теория. Метод появляется под давлением трудного вопроса, а не по расписанию.

Риск застоя Сунь формулирует прямо: «Если в какой-то дисциплине нет гипотез, люди перестают понимать, чем им заниматься, и эта область приближается к застою». Цитата приводится в публикации о его списке задач.

Список открытых вопросов работает как навигационная карта. Шпаргалка экономит время на контрольной, карта помогает выбрать маршрут. Разница в том, что маршрут в науке ещё никто не проходил.

Чем это отличается от школьной математики

Школа тренирует исполнение алгоритмов: привести к общему знаменателю, найти корни, проверить ответ. Наука начинается там, где алгоритма пока нет. Тот же сдвиг виден в других профессиях: ценность смещается от выполнения инструкции к формулировке правильного вопроса. Аналитик, который точно понял, что именно нужно посчитать, экономит команде недели работы.

Заменит ли ИИ математиков: что говорит сам Сунь

Ответ Суня короткий: искусственный интеллект не сможет решить все математические задачи, и математикам не нужно паниковать. Освободившееся время он предлагает вложить в то, с чем модели справляются хуже, а именно в разработку новых методов и создание новых теорий. Речь идёт о перераспределении ролей внутри профессии.

Контекст важен: нейросети уже предъявляют результаты в математике. Лауреат Филдсовской премии Тимоти Гауэрс рассказывал, что GPT-5.6 Pro решил две его задачи с первой попытки, а модель OpenAI опровергла гипотезу 1946 года. Мы разбирали это в материале «ИИ решает нерешённые математические задачи: прорыв или кризис профессии?». Сунь отвечает на этот фон без драматизма: часть работы уходит машине, часть остаётся человеку.

Что ИИ уже делает хорошо, а что пока нет

Сильные стороны моделей в математике понятны: перебор вариантов, поиск закономерностей, проверка гипотез, рутинные выкладки. Слабое место, на которое указывает Сунь, - постановка новых вопросов, выбор стратегии и построение теории.

Граница подвижна. Математики Тимоти Гауэрс и Питер Сарнак объясняли, что большие языковые модели хорошо комбинируют известные методы и быстро считают, но не создают принципиально новых идей: разбор их наблюдений.

Схема ниже повторяет логику Суня: где участие человека обязательно, а где модель экономит часы.

Почему паника - плохая стратегия

Страх «ИИ отнимет работу у умных людей» растёт из новостного шума, где громкие заголовки идут без контекста. Факты выглядят скромнее: модели ускоряют отдельные этапы, а постановка задач и проверка результата остаются за человеком. Рабочая рамка проста: ИИ берёт рутину, человек берёт смысл и направление.

Именно поэтому полезна упорядоченная информация: когда новости идут в хронологии и без обрывков, решение принимается спокойнее.

«ИИ как аспирант»: как учёный работает с моделью на практике

Сам Сунь описывает сотрудничество так: «Я отношусь к ИИ как к очень эрудированному, трудолюбивому и умному аспиранту. Когда я поручаю ему трудную математическую задачу, то направляю его и при необходимости предлагаю изменить стратегию». В цитате три элемента: постановка задачи, направление и смена стратегии. Каждый из них остаётся за исследователем.

Зачем Сунь отключает ИИ доступ к поиску в интернете

Самый интригующий приём: исследователь намеренно отключает модели доступ к поиску, чтобы она не обнаружила, что задача до сих пор не решена, и не отказалась ею заниматься. Логика простая. Модель, наткнувшись на формулировку «открытая проблема, решения нет», может свернуть работу и предложить пересказ вместо попытки решить.

Ограничения у приёма тоже есть. Публикация не приводит данных о том, как отключение поиска влияет на качество решений, и описывает практику одного исследователя под конкретные задачи. Универсальным рецептом это не назвать. Наблюдение полезно другим: поведение модели зависит от контекста, который вы ей задаёте.

Три правила, которые можно перенести в свою работу

1. Формулируйте задачу так, будто объясняете её стажёру: что дано, что нужно получить, по каким критериям вы поймёте, что результат верный.
2. Задавайте рамки и заранее называйте признаки хорошего ответа. Без критериев модель выдаст гладкий текст без нужной точности.
3. Не оставляйте модель одну на открытом вопросе. Проверяйте промежуточные шаги и предлагайте сменить подход, как это делает Сунь.

Офисный пример: аналитическая записка о конкуренте. Слабая постановка звучит как «расскажи про рынок». Рабочая выглядит иначе: «соберите пять конкурентов с ценами и долями, укажите источники, отметьте, где данных нет». Второй вариант требует от вас тех самых вопросов, которых модели не хватает.

Что это значит для остальных: любопытство как рабочий навык

Рядом с ИИ растёт цена умения поставить хороший вопрос и оценить ответ. Скорость исполнения теперь доступна всем: черновик за минуту сделает любой. Понимание, что именно нужно посчитать и как проверить результат, распределено неравномерно.

Почему «хороший вопрос» - это навык, а не талант

Вопрос можно тренировать. Помогают три привычки: сужать формулировку до измеримой, проверять допущения («что должно быть верно, чтобы это было так») и записывать, что осталось непонятным после ответа. Сунь показывает тот же подход в больших масштабах: он не ждёт вдохновения, а системно собирает открытые вопросы и складывает их в список.

Для руководителя это меняет критерии оценки. Ценность сотрудника видна по качеству вопросов на старте проекта и по тому, насколько точно он проверяет результат.

Личный чек-лист на неделю:

• Сформулируйте вопрос до обращения к модели, а не после неудачного черновика.
• Сверьте ключевые цифры и формулировки с первоисточником.
• Запишите, что осталось непонятным: это заготовка следующего вопроса.

Главное в трёх пунктах и что читать дальше

• Профессор Нанкинского университета Сунь Чживэй собрал более 1000 нерешённых задач в сборник на 400+ страниц и передал его мировому математическому сообществу.
• По его оценке, ИИ не решит все математические задачи: человек ставит вопросы и создаёт теории, модель ускоряет перебор, проверку гипотез и выкладки.
• С моделью он работает как с аспирантом: ставит задачу, направляет, меняет стратегию, а иногда ограничивает доступ к поиску, чтобы она не бросила открытый вопрос.

Смежные разборы: математик с Филдсовской медалью переходит в OpenAI и эксперимент, где ИИ-агенты пытались вести исследования самостоятельно и получили отказы на рецензировании. Оба материала показывают, где проходит граница между инструментом и исследователем.

Есть вопрос или заметили неточность? Напишите нам: мы проверяем факты по первоисточникам и указываем ограничения, если данных не хватает. Сведения о списке задач и о работе Суня с ИИ приводятся по публикации с пересказом комментариев учёного изданию China Science Daily.