# Гипотезу KLS доказали с помощью ИИ-агентов и математического анализа

> Источник: 404 Media. Канонический URL: https://404-media.ru/tehnologii/gipotezu-kls-dokazali-s-pomoschyu-ii-agentov-i-matematicheskogo-analiza

Исследователи Microsoft Research и независимый математик представили доказательство гипотезы KLS. ИИ помогал проверять идеи, но ключевые решения принимали люди.

- Рубрика: Технологии (https://404-media.ru/tehnologii)
- Опубликовано: 2026-10-22T16:14:25+03:00
- HTML: https://404-media.ru/tehnologii/gipotezu-kls-dokazali-s-pomoschyu-ii-agentov-i-matematicheskogo-analiza
- Markdown: https://404-media.ru/tehnologii/gipotezu-kls-dokazali-s-pomoschyu-ii-agentov-i-matematicheskogo-analiza.md
- llms.txt: https://404-media.ru/llms.txt

Исследователь Microsoft Research Синьчжи Чжан и независимый исследователь Чжао Сун представили доказательство гипотезы Каннана — Ловаса — Симоновица (KLS), сформулированной в 1995 году. Она считается одной из важных задач геометрии высоких размерностей и связана с тем, насколько быстро случайные алгоритмы исследуют сложные пространства.

В работе использовали [ИИ](/tehnologii)-агентов, которые параллельно перебирали математические подходы, выполняли вычисления и проверяли промежуточные рассуждения. Однако окончательные решения оставались за исследователями: они оценивали полученные результаты, отбрасывали слабые идеи и направляли поиск в более перспективные области.

## Что утверждает гипотеза KLS

Если упростить формулировку, гипотеза утверждает, что для определённого класса многомерных распределений простой плоский разрез позволяет оценить самое узкое место пространства с точностью до постоянного множителя. Важно, что этот множитель не должен увеличиваться вместе с числом измерений.

Геометрия таких «узких мест» влияет на скорость смешивания случайных блужданий — алгоритмов, применяемых для выборки из сложных распределений, оценки объёмов выпуклых тел и решения задач оптимизации. Доказательство KLS позволяет убрать дополнительное предположение из ряда теоретических результатов, которые ранее опирались на недоказанную гипотезу.

## Как исследователи искали решение

По данным Microsoft Research, учёные рассмотрели более ста возможных направлений. Многие из них требовали громоздких вычислений с тензорами высокого порядка. В ходе работы исследователи сформулировали новый математический критерий, который затем стал основой доказательства.

Авторы применили рекурсивное уточнение оценок: результат одного шага использовался для улучшения следующего. В финале процедуру пришлось применить повторно. Исследователи доказали, что ошибки, возникающие при таком подходе, остаются ограниченными постоянной величиной независимо от размерности пространства. Именно этот ключевой этап был разработан людьми, а не получен автоматически от ИИ.

В отдельной серии экспериментов ведущие языковые модели пытались решить задачу без руководства исследователей и при сопоставимом бюджете токенов. Самостоятельно получить доказательство они не смогли.

## Другие доказательства и проверка в Lean

Работа появилась на arXiv в начале октября, а 21 октября Microsoft Research опубликовала более подробное описание результата. В тот же день другая группа математиков представила собственное доказательство. Её участники назвали критерий Суна и Чжана ключевым шагом к решению задачи. Позднее появилось и третье доказательство, основанное на близкой идее.

Кроме того, была опубликована формализация результата в системе Lean 4. Авторы работы Microsoft сообщили, что проверили в Lean сокращённую версию своего доказательства и готовят её к публикации. Пока все эти материалы остаются препринтами, а не рецензированными журнальными статьями. Тем не менее независимые доказательства и формальная проверка в Lean усиливают основания считать результат корректным.