Переоткрытие инварианта кривой Бляшке ИИ-агентом: единичный эксперимент и его ограничения
В работе Юнуса Зейтунджу проверяется, сможет ли автономный агент вывести свойство обобщённых кривых Бляшке из числовых данных без явной формулировки теоремы. Кубическая модель точно предсказывает координаты для новых параметров, однако результат не показывает преимущества перед детерминированным полиномиальным поиском и остаётся частным случаем.

Постановка: кривые Бляшке как контролируемая среда
Препринт «Can an AI Agent Rediscover a Blaschke-Curve Invariant?» (автор — Yunus E. Zeytuncu, arxiv.org/abs/2609.38369) изучает обобщённые кривые Бляшке. Их рассматривают как контролируемую среду для математического переоткрытия с помощью ИИ.
Эксперимент построен вокруг одного фиксированного произведения Бляшке степени четыре. Агенту передали численные координаты шести парных прямых. Эти прямые определила каждая из 80 граничных конфигураций. Целевую теорему в инструкцию задания не включили.
Что именно задано в этой среде:
- объект — фиксированное произведение Бляшке степени четыре;
- вход агента — численные координаты шести парных прямых;
- объём входа — 80 граничных конфигураций;
- скрытая часть — целевая теорема, которой нет в инструкции.

Вывод: среда разделяет известный вход и неизвестную цель. Именно этот разрыв создаёт задачу переоткрытия, а не воспроизведения готового ответа.
Что зафиксировал журнал исследования
Сохранённый журнал описывает отвергнутые геометрические гипотезы. В нём же записан однородный кубический многочлен, подобранный по сторонам многоугольника.
Зафиксированные коэффициенты предсказывают 480 прямых для 80 не виденных ранее значений параметра. Записанный среднеквадратичный безразмерный остаток — 8.88×10⁻¹⁷.
Вывод: журнал показывает не только итог, но и отброшенные ветви поиска. Практический критерий — смотреть на зафиксированные коэффициенты, число предсказанных объектов и остаток, а не на общую формулировку результата.
Проверка на согласованность и её пределы
Диагонали из набора для открытия дают проверку согласованности вне подгонки. Полностью отложенным тестом они при этом не являются.
В отдельном запуске с одной конфигурацией данных оказалось недостаточно, чтобы установить инвариантность.
Вывод: согласованность вне подгонки и отложенный тест — разные уровни доказательности. При разборе подобных работ первым делом нужно искать данные, которых агент не видел.
Сравнение с детерминированным базовым методом
Проведённый после рецензирования детерминированный базовый метод поиска степени также восстановил кубический многочлен. Эксперимент не доказывает преимущества перед полиномиальной подгонкой.
| Критерий | ИИ-агент | Детерминированный базовый метод |
|---|---|---|
| Что выполнялось | переоткрытие инварианта в контролируемой среде | поиск степени после рецензирования |
| Итог | однородный кубический многочлен с зафиксированными коэффициентами | тот же кубический многочлен |
| Доказанное преимущество | не установлено | не установлено |
Вывод: совпадение итогов лишает результат аргумента в пользу агента. Ценность такого сравнения в том, что нулевую гипотезу проверили, а не обошли.
Ограничения одного случая
Авторы представляют работу как исследование одного случая и как протокол. Протокол разделяет выдвижение гипотезы, численную проверку и доказательство. Отдельно указаны ограничения, связанные с метаданными агента, предварительными знаниями и воспроизводимостью.
Вывод: единичный успех описывает организацию поиска, а не доказанное свойство метода. Такой результат разумно читать как пример протокола, а не как подтверждение превосходства ИИ над другими способами поиска.
Формат и статус работы
Работа принята для постерного доклада на NeurIPS 2026 Workshop on Mathematical Reasoning and AI (MATH-AI).
Вывод: постерный формат и площадка MATH-AI соответствуют заявленному статусу единичного исследования. Материал стоит воспринимать как приглашение к обсуждению метода, а не как итоговое утверждение о возможностях агентов.
Часто задаваемые вопросы
Похожие материалы
Все материалы
Проверка галлюцинаций LLM через SQL-представление источников без дообучения
Работа проверяет, способна ли LLM задействовать базовый символический навык — сборку SQL-базы по исходным документам — для привязки к источнику без учителя при детекции галлюцинаций. На RAGTruth и DiaHalu такой нейросимволический конвейер оказывается точнее прямого предсказания и сопоставим с передовыми методами, не требуя тонкой настройки под предметную область.
9 ноября 2026
MathAdv: что скрывает итоговая точность машинных доказательств
Диагностический набор задач по 13 университетским и аспирантским разделам математики оценивает системы машинного доказательства в Lean 4 не только по итоговому результату, но и по владению предметом, качеству неформальных рассуждений и устойчивости к переформулировкам условий. Покомпонентный разбор показывает, что перевод задачи в формальный вид по-прежнему остаётся главным препятствием, а успех сильно зависит от области математики и от способа постановки задачи.
9 ноября 2026
AffordanceWAM: аффордансы как посредник между прогнозом сцены и управлением манипулятором
Работа описывает генеративную модель, которая одновременно прогнозирует будущие RGB-наблюдения, скалярные поля и тепловые карты аффордансов и непрерывные команды робота, используя человеческие видео для расширения разнообразия взаимодействий без аннотаций действий и ретаргетинга. На RoboCasa, CALVIN ABC→D и реальных задачах подход даёт устойчивый выигрыш относительно базовых линий только на RGB и только на роботных данных.
9 ноября 2026