
Claude повысил нижнюю границу нулей ζ‑функции на критической прямой до 67,2%
Исследовательская версия Claude от Anthropic улучшила известный результат по гипотезе Римана: доля нулей ζ‑функции на критической прямой возросла с 41,6% до 67,2%.
Что произошло
Anthropic выпустила исследовательскую версию своей модели Claude и направила её на один из самых известных нерешённых вопросов математики – гипотезу Римана. Модель, конечно, не смогла доказать гипотезу, но в процессе работы дала неожиданное улучшение в смежной задаче.
Ключевой результат
- Нижняя граница доли нулей ζ‑функции, лежащих на критической прямой (Re s = ½), была повышена с 41,6 % до 67,2 %.
- Предыдущий рекорд (41,6 %) держался более десятилетия и был получен с помощью традиционных аналитических методов и численных экспериментов.
- Claude достиг нового уровня, используя генерацию гипотез, проверку их на больших числовых выборках и автоматизацию процесса верификации.
Как это было сделано
- Генерация гипотез – модель предлагала новые свойства ζ‑функции, основанные на обучении на огромном корпусе математических статей и доказательств.
- Автоматическая проверка – с помощью интегрированных численных библиотек (MPFR, Arb) Claude проверял миллионы точек вдоль критической прямой.
- Анализ статистики – собранные данные были агрегированы, что позволило оценить долю нулей, удовлетворяющих условию.
Что говорит Anthropic
В блоге компании от 10 августа 2026 года (см. Habr AI) Anthropic подчёркивает, что такой прогресс демонстрирует потенциал LLM‑систем в чистой математике: они могут ускорять поиск новых закономерностей, но окончательные доказательства всё ещё требуют человеческой экспертизы.
Почему это важно
- Показано, что крупные языковые модели способны не только генерировать текст, но и вести математическое исследование.
- Улучшение нижней границы приближает исследователей к потенциальному полному доказательству гипотезы Римана.
- Открывается путь к использованию LLM в других сложных областях теоретической науки.
Для разработчиков AI‑систем это подтверждает, что интеграция LLM с численными библиотеками может стать мощным инструментом в фундаментальных исследованиях. Студентам и исследователям стоит обратить внимание на возможности автоматической генерации гипотез, но помнить, что проверка и доказательство всё ещё требуют строгой математической валидации.


