GPT-5.2 Pro вывела формулу, которую физики искали 15 лет

Пятнадцать лет физики считали, что определённый тип взаимодействия глюонов невозможен на уровне деревьев Фейнмана. GPT-5.2 Pro потратила 12 часов на рассуждения — и доказала обратное. Результат опубликован на arXiv и верифицирован учёными из Института перспективных исследований в Принстоне, Гарварда, Кембриджа и Университета Вандербильта.

Что именно обнаружила модель

Речь идёт об амплитудах рассеяния глюонов — фундаментальном понятии квантовой хромодинамики. Глюоны — переносчики сильного ядерного взаимодействия, «клей», удерживающий кварки внутри протонов и нейтронов. Для расчёта их взаимодействий физики используют так называемые амплитуды рассеяния.

Стандартная формула Парке-Тейлора описывает MHV-амплитуды (Maximally Helicity Violating), когда среди глюонов ровно два имеют «минусовую» спиральность. Но для случая с единственным минусовым глюоном — «single-minus» амплитуд — существовал устойчивый консенсус: на уровне деревьев такие амплитуды равны нулю. Это было общепринятым фактом, который не ставили под сомнение.

GPT-5.2 Pro нашла лазейку. Модель обнаружила, что в так называемом «полуколлинеарном режиме» (half-collinear regime) — когда все внешние частицы становятся почти коллинеарными — стандартный аргумент о занулении не работает. В пространстве Клейна или для комплексных масс эти амплитуды оказываются ненулевыми.

Проще говоря: AI нашла область параметров, которую физики не рассматривали, и показала, что в ней происходит то, что считалось невозможным.

Как проходила работа

Процесс не был «AI нажала кнопку и выдала ответ». Всё началось с совместной работы физиков и модели. Исследователи вручную вывели базовые случаи, после чего GPT-5.2 Pro распознала закономерность и упростила выражения, которые растут суперэкспоненциально по сложности.

«GPT-5.2 предложила формулу для глюонной амплитуды, которую позже доказала внутренняя модель OpenAI и верифицировали авторы» — OpenAI, официальный блог

Затем внутренняя скаффолдированная версия модели провела 12 часов в режиме расширенного рассуждения, исследуя множество путей доказательства. На выходе — формальное доказательство, которое физики затем проверили вручную, сопоставив с результатами рекурсии Берендса-Гиле.

Среди соавторов препринта — Нима Аркани-Хамед из Института перспективных исследований в Принстоне, один из ведущих теоретиков в области амплитуд рассеяния, который занимался этой проблемой на протяжении пятнадцати лет.

Почему это не просто очередной бенчмарк

Событие вызвало широкий резонанс не только потому, что AI помогла в физике. Принципиальная разница — GPT-5.2 Pro не просто решила задачу, а предложила гипотезу, которую люди затем доказали. Это инверсия привычной роли: обычно учёные формулируют гипотезы, а компьютеры их проверяют.

Как отметил Ноам Браун из OpenAI в LinkedIn: «Если модель продолжит находить "невозможные" амплитуды, не превращаемся ли мы постепенно в команду проверки доказательств для её любопытства?»

Это не первый успех GPT-5.2 в фундаментальной математике. В январе 2026 модель помогла решить задачу Эрдёша #728 — результат, принятый Теренсом Тао. Сам Тао отметил, что «многие из более простых задач Эрдёша теперь скорее будут решены чисто методами AI, чем людьми или гибридными подходами». Но гluонное открытие — это уже не чистая математика, а новый физический результат с потенциальными последствиями для квантовой теории поля.

Что это меняет для науки

Для физиков-теоретиков этот случай демонстрирует конкретный сценарий: AI не заменяет учёного, а становится «генератором гипотез» — системой, способной исследовать пространства параметров, которые человеческая интуиция обходит стороной. Суперэкспоненциальный рост сложности выражений делает такие задачи практически неподъёмными для ручного перебора, но оказывается посильным для модели с 12-часовым бюджетом рассуждений.

Для разработчиков AI это подтверждение того, что масштабирование inference-time compute — долгие цепочки рассуждений, а не просто увеличение числа параметров — может давать качественно новые результаты. 12 часов вычислений для одного доказательства — это принципиально другой режим работы, далёкий от привычного «ответил за секунду».

Критики, впрочем, предупреждают: результат получен в очень специфических условиях (полуколлинеарная кинематика, пространство Клейна), и масштабировать такой подход на произвольные физические задачи пока рано. Тем не менее прецедент создан — и препринт на arXiv это фиксирует.

Что дальше

OpenAI позиционирует этот результат как «взгляд в будущее AI-ассистированной науки, где физики работают рука об руку с AI для генерации и валидации новых инсайтов». Вопрос в том, окажется ли глюонное открытие единичным случаем удачного совпадения — или началом систематического процесса, где модели будут целенаправленно исследовать забытые углы теоретической физики.

Терренс Тао сформулировал это точнее всех: полностью автономное творческое научное исследование AI пока остаётся далёкой перспективой. Но текущие возможности — аугментация, формализация, систематический перебор — уже сейчас меняют практику математики и физики.