Задача из физики плазмы ждала ответа с 1967 года. Письмо Наполеона молчало 217 лет. Обе истории закрылись на одной неделе, и в обеих решающий шаг сделала GPT-6 Astra, флагманская модель OpenAI. Такие новости легко пропустить в шуме релизов, но именно в них видно, как ИИ превращается из чат-помощника в рабочий инструмент исследователя.

Оба сюжета собрал на этой неделе дайджест канала AI Search. На фоне Gemini 4 Argon и GPT-6.1 Soul они остались почти незамеченными, хотя показывают, куда ИИ проникает глубже всего: в области, где ответ проверяется строго, а цена ошибки видна сразу.

Вопрос, открытый с 1967 года

Термоядерный реактор удерживает раскалённую плазму с помощью магнитных полей. Один из двух основных типов таких установок, стелларатор, отличается формой этих полей: они трёхмерные и закручены сложным образом, в отличие от более простых осесимметричных конфигураций токамака. Чем замысловатее поле, тем труднее заранее сказать, останется ли плазма стабильной и гладкой или сорвётся в неуправляемые колебания.

С конца 1960-х в физике плазмы жил вопрос: существует ли конфигурация, где плазма сохраняет стабильность и гладкость даже при меняющемся давлении в разных точках. Десятилетиями считалось, что это возможно только при определённых видах симметрии магнитного поля. Проще говоря, устойчивость доставалась лишь конфигурациям с правильной математикой внутри, и почти шестьдесят лет это ограничение воспринималось как закон природы, а не как следствие неполного поиска.

Вопрос не был схоластикой. От того, какие конфигурации поля удерживают плазму устойчиво, напрямую зависит геометрия будущих реакторов: любые ограничения сужают класс решений, из которых инженерам приходится выбирать. Поэтому все эти годы физики не оставляли попытки найти либо доказательство ограничения, либо примеры в обход него.

Почему вопрос столько лет оставался открытым? Конфигурации поля описываются системами сложных уравнений, и проверка даже одного кандидата требовала длинных расчётов. Перебрать хотя бы малую часть пространства возможных полей вручную было нереально, а редкие пробы почти всегда заканчивались ничем. Теперь перебор стал быстрым, и это изменило расклад. Проверку по-прежнему делают люди, но пространство вариантов перестало быть непроходимым.

Что показали две работы

На этой неделе вышли сразу две работы, которые это правило нарушают. Их авторы с помощью GPT-6 Astra нашли конкретные конфигурации трёхмерных магнитных полей, где плазма остаётся стабильной и гладкой при меняющемся давлении, хотя никакими из известных симметрий такие поля не обладают. Примеры из запретной зоны существуют, и их удалось предъявить.

Слова «конфигурация поля» здесь означают не картинку, а набор геометрических данных: как силовые линии закручены в объёме реактора и как вдоль них меняется давление плазмы. Пространство таких наборов огромно, и найти в нём редкий пример, нарушающий правило, вручную почти невозможно. На этом этапе и подключается модель: она быстро отсеивает бесперспективные варианты и указывает, где стоит считать точно.

Роль модели здесь не в вердикте, а в поиске. Она перебирала варианты в пространстве, где ручной перебор занял бы годы, и подсказывала, где искать контрпримеры. Проверка осталась за физикой: найденные конфигурации авторы подтвердили строгими расчётами и выложили код обеих работ на GitHub, так что результат может перепроверить любой желающий.

Практический вывод для термояда звучит аккуратно, но весит немало. Если устойчивых конфигураций больше, чем предполагала теория, у инженеров становится больше пространства для проектирования стеллараторов. Старую границу подвинули, и подвинула её связка из строгой постановки задачи и быстрого перебора, который взяла на себя модель. Важная деталь: найденные примеры образуют целое семейство конфигураций, а не единичный случай. Чем шире семейство, тем выше шанс, что из него вырастет инженерно удобная схема для реального реактора. Две независимые группы пришли к такому выводу почти одновременно, и это добавляет результату веса.

Письмо, которое не читалось 217 лет

Вторая история ещё старше. Есть письмо эпохи Наполеоновских войн, зашифрованное так, что за 217 лет его так и не прочитали целиком. Шифр насчитывает около 1300 рукописных символов, а опубликованная таблица ключей давала значения лишь для 33 знаков, и этого хватало примерно на треть текста. Значения остальных символов не встречались ни в одном из известных документов, поэтому чтение обрывалось на середине.

За расшифровку взялся не институт, а один энтузиаст. Он начал с фотографии письма низкого качества и загрузил её в GPT-6 Astra. Сначала модель разбила изображение на строки и распознала около 1300 символов рукописи, а затем помогла свести к одному алфавиту знаки, которые на первый взгляд выглядели по-разному.

Дальше модель собрала дешифратор. Он перебирал варианты ключа и проверял каждый простым вопросом: похож ли вышедший текст на настоящий французский. Такая проверка мгновенно отсеивает мусор, и после нескольких раундов сложился весь ключ целиком. Попутно выяснилась деталь, которая ускользала от людей: часть знаков обозначала не буквы, а целые слова. Для машинного перебора это удачная задача: символов много, но у каждого есть объективная проверка, читается ли текст как связный французский.

Весь процесс занял около шести часов. Под шифром оказалось военное донесение генералу Мармону с описанием расположения войск накануне того, как Австрия начала войну с Францией.

Почему это работает

У обеих историй общий механизм. ИИ силён там, где ответ можно строго проверить: уравнения либо сходятся, либо нет, расшифрованный текст либо читается как французский, либо нет. В таких задачах машина может без устали перебирать тысячи вариантов, а за человеком остаётся постановка задачи и финальная проверка.

Это переворачивает привычный порядок работы. Долго считалось, что ИИ забирает рутину, а творческий поиск и озарения достаются людям. Здесь наоборот: перебор вариантов, который раньше растягивался на годы, уходит модели, а человеческая экспертиза тратится на проверку результата. Дорогая экспертиза при этом не расходуется на механическую работу, а концентрируется там, где она незаменима. И это дешевле, чем кажется: как только решение найдено, его проверяют обычными методами, и правильность видна почти сразу. Способность рассуждать о формулах и шифрах у моделей такого класса опирается на масштаб обучения: за плечами миллионы научных и исторических текстов, поэтому модель уверенно работает в роли насмотренного ассистента.

Тот же рисунок был заметен и раньше. Несколько недель назад OpenAI показала, что закрученный вихрь в жидкости при определённых условиях может разгоняться до сингулярности, и это тоже закрыло давнюю задачу из чистой математики. Теперь к списку добавились две работы по физике плазмы. Признак у всех историй один: берутся задачи, которые десятилетиями считались слишком тяжёлыми для перебора, и решаются там, где результат легко проверить.

Похожий сдвиг когда-то произошёл с AlphaFold. Задача предсказания структуры белка считалась почти неразрешимой, пока не нашёлся подход, в котором проверка решения оказалась намного дешевле поиска. Физика плазмы и старые шифры устроены так же, поэтому похоже, что именно они станут следующим плацдармом для таких инструментов.

Логика, которая сработала в обеих историях, применима всюду, где проверка дешевле поиска: от подбора молекул до черновиков математических доказательств. Похоже, что это и есть рабочая формула ИИ в науке на ближайшие годы.

Что это меняет

Для термоядерной энергетики сдвиг остаётся теоретическим, но направление у него важное. Чем лучше физики понимают, какие конфигурации плазмы устойчивы, тем осмысленнее выглядят конструкции будущих реакторов. Стеллараторы как раз ценятся за способность работать в непрерывном режиме, так что расширение класса допустимых конфигураций рано или поздно дойдёт и до инженерных решений.

Оговорка для реализма: между контрпримером в теории и термоядерной электростанцией лежат десятилетия инженерии. Но наука двигается именно так: сначала снимается теоретический запрет, потом появляются технологии. История с плазмой как раз про снятие запрета, а не про реактор, который построят завтра.

Для истории и криптографии результат ещё нагляднее. Зашифрованные документы прошлых веков перестают быть нечитаемыми: то, что раньше требовало академической школы и лет работы, теперь занимает часы. Метод повторяем: кандидатом на расшифровку становится любой архивный текст с частично известным ключом.

Скептик возразит: контрпримеры в теории не приближают рабочий реактор, а одна расшифровка не меняет историю. Всё так. Но у обеих историй есть общее свойство: шаг, который не давался десятилетиями, сделан и задокументирован. Значит, следующая задача из этого класса стартует с новой отметки.

И главное. Пока публика следит за гонкой моделей, ИИ тихо закрывает завалы старых задач, которые копились десятилетиями. Самые содержательные победы ИИ-революции будут выглядеть именно так: без презентаций на сцене, с результатом, который можно проверить.

Для науки в целом вывод простой: если результат поддаётся строгой проверке, модели можно поручать такие поисковые задачи. Только проверка всё равно остаётся за человеком: у формальных задач она дешёвая, и на неё стоит закладывать время и внимание.

Часто задаваемые вопросы

ИИ правда решил эти задачи сам?

Нет. В обеих историях люди ставили задачу, направляли поиск и проверяли результат. GPT-6 Astra выполняла часть, которая раньше требовала лет человеческой работы: перебирала варианты и находила контрпримеры. Грань между инструментом и автором тут размывается, но вердикт всё равно остаётся за специалистами. Модель ускоряет перебор, но не заменяет собой физика или историка.

Что такое стелларатор и почему это важно для термояда?

Стелларатор это тип термоядерной установки, в которой плазму удерживают трёхмерные магнитные поля сложной формы. В отличие от токамаков, такие системы не требуют тока в плазме и лучше подходят для длительной работы. Плата за это: высокая сложность проектирования, поэтому любой шаг в понимании устойчивости полей ускоряет поиск рабочих схем.

Как ИИ расшифровал письмо Наполеона?

Через перебор с проверкой. Модель распознала символы на скане, свела по-разному выглядящие знаки к одному алфавиту и собрала дешифратор, который проверял варианты ключа на то, читается ли текст как французский. После нескольких раундов ключ сложился целиком. На всё ушло около шести часов.

Итог

За одну обычную новостную неделю ИИ приложил руку к двум задачам, которые тянулись 59 и 217 лет: нашёл конфигурации плазмы, опровергающие правило из 1967 года, и прочитал письмо Наполеона. Обе истории объединяет одно: там, где ответ можно строго проверить, ИИ превращается из инструмента для рутины в участника открытий. Полный выпуск недели, где были и Gemini 4 Argon, и роботы-бадминтонисты, смотрите в видео AI Search: AI News: Gemini 4, GPT 6.1, Dots, Claude Sonnet 5.5.