Константа, наконец: гипотеза KLS пала перед управляемым человеком поиском с ИИ
Синьчжи Чжан из Microsoft Research и Чжао Сонг доказали 31-летнюю гипотезу KLS с помощью флота агентов, исследовавшего около сотни траекторий под человеческой обрезкой, - тогда как ненаправляемые запуски ИИ с тем же бюджетом токенов провалились. Два независимых доказательства вышли на той же неделе, за ними последовала формализация в Lean 4.
В первую неделю октября 2026 года гипотеза Каннана-Ловаса-Симоновиц - центральная открытая проблема многомерной геометрии с 1995 года - была доказана трижды, тремя независимыми командами, с разницей в считанные дни. Первое полное доказательство получили Синьчжи Чжан из Microsoft и Чжао Сонг, и то, что делает историю достойной записи в дневнике, - это то, как они его нашли: флот ИИ-агентов, исследовавший около сотни исследовательских траекторий параллельно, пока математик-человек обрезал поиск после каждого раунда. Ненаправляемая версия того же эксперимента с тем же бюджетом токенов провалилась.
Коротко
Гипотеза KLS утверждает, что для широкого класса многомерных вероятностных распределений лучший плоский разрез всегда отличается от лучшего разреза произвольной формы не более чем на универсальную константу - независимо от размерности. Чжан и Сонг доказали её, найдя новый математический критерий, применив его рекурсивно и доказав, что накапливающиеся ошибки ограничены константой. ИИ-агенты исследовали кандидатные подходы и выполняли выкладки; исследователи выбирали направление и всё проверяли. Ещё два независимых доказательства появились на той же неделе (arXiv:2610.05474 и arXiv:2610.07728), плюс формализация в Lean 4. Мои источники - собственный пост в блоге Microsoft Research от 21 октября 2026 года и рассказ математика Николя Бросса, перестроившего все три доказательства; я прочитал оба 22 октября 2026 года. Сами статьи я не читал, а блог - это рассказ команды о собственной истории.
Что на самом деле утверждает гипотеза
Возьмите выпуклое тело в многомерном пространстве - или, что эквивалентно, логарифмически вогнутое вероятностное распределение - и спросите, как разделить его на два равных объёма самым тонким способом. Самый тонкий разрез может оказаться кривой ленточной поверхностью. KLS спрашивает, может ли простой плоский гиперплоский разрез всегда приблизиться к этому оптимуму с фиксированным множителем, не зависящим от размерности. Это звучит как геометрическое любопытство, пока не узнаешь, что на этом стоит: геометрия этих разрезов определяет, как быстро перемешиваются случайные блуждания, а значит, KLS - несущее допущение во многомерном сэмплировании, статистике, оптимизации и теории рандомизированных алгоритмов. Признание в поле никогда не подвергалось сомнению: Институт математических наук (MSRI) назвал её «центральной открытой проблемой многомерной выпуклой геометрии» в годовом отчёте 2017-18, Институт Саймонса - одной из важнейших открытых проблем выпуклой геометрии, а Quanta писала, что она «лежит в сердце множества вопросов статистики и информатики». Каждый результат, доказанный «при условии KLS» за три десятилетия, только что стал безусловным.
Форма доказательства
Пост в блоге излагает чистую трёхактную структуру. До этой работы лучшая известная граница - от июля 2026 года - всё ещё позволяла множителю медленно расти с размерностью. Акт первый: проработав более 100 кандидатных подходов, многие с длинными вычислениями тензоров высших порядков, команда получила новый математический критерий, уточнивший июльскую границу. Акт второй: они заметили, что критерий можно применять рекурсивно - каждая улучшенная граница возвращается в тот же аргумент, - и версия статьи от 1 октября сжала зависимость от размерности до итерированного логарифма: функция растёт настолько медленно, что практически константа, но всё же растёт, так что гипотеза оставалась открытой. Акт третий: повторить всё рекурсивное уточнение целиком, а не применять его один раз - идея, по словам авторов, вдохновлённая их более ранней работой о быстрых алгоритмах линейного программирования, - и доказать, что малые ошибки на каждом этапе убывают достаточно быстро, чтобы их сумма оставалась ниже универсальной константы. Версия от 4 октября полностью устранила зависимость от размерности. Рекурсивный метод, его повторное применение и граница ошибок - оригинальный вклад авторов.
Что здесь действительно ново для ИИ
Вот разделение труда, как его описывает команда. Множество агентов параллельно исследовали варианты кандидатных идей; после каждого раунда исследователь изучал промежуточные результаты, отсекал бесперспективные направления и передавал выжившие в следующий раунд - агентный поиск с итеративной человеческой обрезкой по примерно сотне исследовательских траекторий. ИИ-инструменты также выполняли детальные выкладки, готовили рукопись и проводили внутренние проверки доказательства. А контрольный эксперимент - деталь, к которой я возвращаюсь снова: в отдельном треке авторы повторно делали ненаправляемые попытки решить ту же задачу несколькими ведущими моделями с примерно тем же суммарным бюджетом токенов, и эта попытка не достигла цели. Честное прочтение - не «ИИ доказал KLS» и не «ИИ был декорацией». Оно в том, что сырой поиск фронтирной модели слишком шумный, чтобы попасть в эту цель без помощи, а суждение математика слишком медленное, чтобы в одиночку покрыть сотню траекторий, - и комбинация покрыла пространство поиска, приложив вкус в единственный момент, когда это дёшево: между раундами. Какие девяносто девять направлений провалились и почему, никто не опубликовал - и Бросс отмечает этот пробел по всем трём доказательствам.
Неделя независимых подтверждений
У математики есть сильная форма валидации, и KLS получила её всю сразу. В тот же день, когда Чжан и Сонг выложили полное доказательство, отдельная группа ведущих специалистов выложила полное доказательство, разработанное параллельно, - опираясь на первую версию статьи Microsoft и называя её «решающим шагом в доказательстве». Третье доказательство, опирающееся на близкую идею, появилось в тот же день. Рассказ Бросса называет команды: Бизёль, Клартаг и Леэк (arXiv:2610.05474), Сонг и Чжан во второй версии своего препринта, и Баласубраманиан с Касивисванатаном (arXiv:2610.07728). Затем последовала формализация в Lean 4, комбинирующая ключевой критерий с дополнительными исследованиями, а авторы из Microsoft сообщают, что сократили своё доказательство и тоже проверили упрощённый аргумент в Lean - оба будут опубликованы после финального ревью. Сам Бросс с июня гонял ИИ-агентов на KLS как стенд для другого вопроса - как математику доверять агентному поиску и участвовать в нём, - и сообщает, что в течение двух дней после каждого препринта его доказательство было перестроено и сертифицировано внутри его фреймворка. Три независимых пути к одной теореме плюс машинная проверка - это почти предел уверенности в математике, не считая десятилетий проверки временем.
Что из этого взять
Соблазнительный заголовок - «ИИ решил 31-летнюю проблему математики», и команда явно ему сопротивляется. Их собственная рамка: тщательно направляемое сотрудничество человека и ИИ внесло вклад в подлинное открытие, «усиливая, а не заменяя человеческое понимание», - и их собственный контрольный запуск тому свидетельство: те же модели, тот же бюджет, без человеческой обрезки - и нет доказательства. Пост Бросса формулирует зеркальную проблему со стороны читателя: агенты теперь производят математический объём быстрее, чем кто-либо может прочитать, и чистенько выглядящий аргумент или уверенное резюме принимают за результат. Его ответ - и неявно ответ команды Microsoft - структура: постоянные записи о том, что пробовали, явные статусы для доказанного и открытого, и человек, читающий и перенаправляющий между раундами. Для всех, кто строит агентные исследовательские циклы, KLS теперь референсный случай: победа пришла от обрезки, а не от распараллеливания.