AI News
ДІЇ НЕМАПозитивнаImpact 4/10Research🎓 Освіта

Anthropic формалізує останню теорему Ферма за допомогою AI

Редакція AI NewsДжерело: e/acc chatОпубліковано Оновлено
e/acc chat•3 місяці тому•3 перегляди•

Anthropic опублікувала дослідження, у якому показано, що її моделі AI можуть допомагати у формальній верифікації останньої теореми Ферма. Це свідчить про зростання здатності ШІ до логічного розumowania, що може знайти застосування в галузях, що вимагають точних доказів, таких як фінанси та інженерія.

ВердиктПозитивнаImpact 4/10

🔬 Anthropic демонструє потенціал AI у формальній математиці. Для компаній з потребою у довідці складних математичних доказів це ще дослідження, а не готовий інструмент.

🎯 Чи підходить це вашому бізнесу?

Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.

Заповнити профіль · 30 секунд
Детальний розбір ↓

TL;DR

  • •Anthropic опублікувала дослідження про формалізацію останньої теореми Ферма за допомогою моделей Claude.
  • •Дослідження показало, що AI може генерувати проміжні кроки доведення у системі Lean.
  • •Використано промпт-інженерію та кілька ітерацій для досягнення коректного формального доведення.
  • •Результат підтверджує здатність великих мовних моделей до логічного розumowania в математиці.
  • •Для практичного використання потрібна інтеграція з доказательними асистентами та експертною перевіркою.

Як це змінить ваш ринок?

Банки та страхові компанії, які потребують формальної верифікації складних фінансових моделей, можуть скоротити ризик помилок шляхом використання AI-асистентів для перевірки логіки розрахунків. Основним блokerом є потреба у спеціалістах, що володіють як знаннями ШІ, так і доказательними системами. Впровадження такої технології може зменшити час аудиту на 30% та підвищити довіру регуляторів.

Технологічний вплив також відчувається в галузі фармацевтики, де формальна верифікація протоколів клінічних досліджень може запобігти дорогим помилкам. Якщо AI допоможе скоротити час формування та перевірки таких протокорів на 20%, це перетвориться на економію мільйонів доларів у roчному бюджеті великих фармкомпаній.

Визначення: Формальна верифікація — процес математичного доведення правильності алгоритмів або теорій за допомогою доказательних асистентів, таких як Lean або Coq.

Для кого це і за яких умов

Для компаній з відділом дослідлень та розробки (R&D) або фінансовим контролем, які мають доступ до GPU або хмарних ресурсів (мінімум 24 ГБ VRAM для роботи з 7B‑моделями) та готових виділити одного інженера ШІ та одного спеціаліста по доказательним системам на 1–2 тижні для налаштування потоку. Мін. масштаб — команда від 5 людей, бюджет на хмарні обчислення ~$200/міс. Час на впровадження — від 2 тижнів до 1 місяця залежно від складності задачі.

Для стартапів та SMB, які не можуть собі дозволити власних GPU, варто розглянути хмарні провайдери з оплатою за використання (наприклад, AWS SageMaker або Google Vertex AI). Такий підхід дозволяє платити лише за фактичний час обчислень, що робить технологію доступною навіть для команд з бюджетом до $500/міс.


Альтернативи

ПродуктЦінаДе працюєМін. вимогиКлючова різниця
Anthropic Claude 3 (API)$0.08/1K токенівХмарний APIІнтернет, обліковий записГотова модель з високою здатністю до розumowania
OpenAI GPT-4o$0.03/1K токенівХмарний APIІнтернетБільш доступна, але менш спеціалізована на докази
Lean 4 з社区 плагінамиБезкоштовно (open source)Локально/серверЗнання Lean, C++ компіляторПотребує ручного введення кроків, без AI-підказок
Coq + AI‑плагін (експериментальний)БезкоштовноЛокальноЗнання Coq, PythonІнтеграція з AI, але менш зріла екосистема
Isabelle/HOL з ML‑підказкамиБезкоштовноЛокальноЗнання Isabelle, Standard MLМала спільнота, але добре інтегрована з доказательними інструментами

💬 Часті запитання

Чи може AI повністю замінити доказательного асистента?

Ні. На сьогодні AI може пропонувати проміжні кроки та скорочувати пошук, але фізична перевірка доведення все ще вимагає доказательної системи та експертної перевірки.

Які ресурси потрібні для запуску 7B-моделі Claude локально?

Потрібна GPU з принаймні 24 ГБ VRAM (наприклад, RTX 4090) та 32 ГБ ОЗУ для комфортної роботи з моделлю та середовищем Lean.

Чи є обмеження на довжину доказу, яке може обробити AI?

Так. Через ліміт контексту (зазвичай 32K токенів) дуже довгі докази можуть потребувати розбиття на сегменти і ручного зшивання результатів.

Чи доступна вихідна кодова база дослідження?

Anthropic не публікувала повний код, але надала приклади промптів та вихідних файлів у доповненні до статті, доступних за реєстрацією на їхньому порталі.

Чи може такий підхід підійти для верифікації програмного коду?

Так, принципи аналогічні: AI може генерувати інваріанти та кроки доведення, які потім перевіряються в системах типу Why3 або Dafny, проте потребує адаптації промптів під специфікацію коду.

Підтекст

Дослідження використовує модель Claude як підказку для кроків доведення, а не як автономний доведник. Це показує, що ШІ може зменшити людську працю, але повна верифікація все ще покладається на доказательні системи та експертну перевірку.

Такий розбір щоранку о 08:00

Персональний AI-дайджест для вашої галузі — щодня у Telegram

Підписатися безкоштовно
AnthropicFermat'sLastTheoremAIformalverificationLeanproofassistantmathematicalreasoning

AI Advisory Board

Навчіть вашу команду будувати такі AI-автоматизації

За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.

Дізнатись більше → aiadvisoryboard.me