Математика как «язык без носителя»
1.Исходный тезис: цитата из книги
Это направление начинается с тезиса, который невозможно проверить обычными средствами. Если математика — автономная языковая структура, то вопрос не в том, «понимает ли ИИ математику». Вопрос в том, воспроизводит ли ИИ математику как структуру — или он воспроизводит только человеческие тексты о математике.
Это разные вещи. Первое — продолжение автономного языка. Второе — имитация человеческой деятельности. Различить их можно только экспериментально.
2.Что это означает для математики
Математика — единственный язык, который не зависит от носителя. Два плюс два равно четырём, будь то в Древней Греции, средневековом Китае или в современной Кремниевой долине. Это свойство делает математику уникальным инструментом для проверки: если модель воспроизводит математику как структуру, она должна справляться с ней независимо от того, видела ли она её в текстах.
Именно на этом строится наша гипотеза. Если LLM работает с математикой как с автономной структурой, то новая аксиоматика или нестандартное обозначение не должны её смущать. Если же она работает как «эхо человеческих текстов», то любое отклонение от знакомой формы будет вызывать ошибки.
Что именно мы проверяем. Мы даём модели три типа задач:
Первый. Знакомая структура, знакомая форма (стандартное уравнение или стандартное доказательство). Это базовая линия.
Второй. Знакомая структура, незнакомая форма (привычная математика, но записанная нестандартными символами). Проверка: сохранится ли результат, если изменить только форму.
Третий. Незнакомая структура, незнакомая форма (новая аксиоматическая система с произвольными обозначениями). Проверка: способна ли модель работать со структурой, которой нет в её тренировочных данных.
A2: (a ? b) ? c = (a ? c) ? (b ? c)
A3: a ? a = e
A4: a ? e = a
3.Дихотомия: структура или имитация
Наша гипотеза формулируется как дихотомия. Мы не предполагаем заранее, какой ответ верен. Мы делаем это предметом исследования.
4.Что уже есть за рубежом
Зарубежные исследования
- Liang Zhang (ACL 2026). Показывает, что более 90% ошибок LLM в математике связаны с непониманием логических отношений, а не с вычислениями. Chain-of-Thought не решает эту проблему. Это означает: модель имитирует рассуждение, но не воспроизводит структуру. Прямое подтверждение гипотезы B — но только частичное.
- Dias-Alexiou и соавторы. Заменяли привычный символ импликации на произвольный ¦ и проверяли, насколько меняется качество математических доказательств LLM. Результат: качество значимо падало. Это ещё одно подтверждение: модель опирается на знакомую форму, а не на структуру.
- Williamson, Ji, Dwyer — «Syntactic Blind Spots». Показано, что LLM может ошибаться на семантически одной и той же математической задаче, если изменить синтаксическую форму. Переформулировка в более знакомую структуру часто возвращает правильный ответ. Это означает: структура не удерживается независимо от формы.
- Stolfo, Belinkov, Sachan. Механистическая интерпретируемость: какие компоненты Transformer участвуют в арифметическом рассуждении. Работа не ставит вопрос об автономии структуры, но даёт инструменты для его проверки.
5.Чего ещё нет: радикальный вопрос
Все существующие исследования показывают отдельные факты: модель ошибается при смене символа, теряет логику при переформулировке, не удерживает структуру за пределами знакомых форм. Но никто не ставит вопрос радикально: является ли математика в LLM автономной структурой, или это только эхо человеческих текстов о математике?
Это не технический вопрос. Это вопрос о природе математики в машине. И он имеет прямые последствия для математического образования:
- Если модель воспроизводит структуру — она может быть полезна для обучения, потому что работает с математической сутью, а не с шаблонами.
- Если модель имитирует — её нужно использовать осторожно, потому что она работает с формой, а не со смыслом.
- Если гибридна — нужно понимать, в каких условиях она работает со структурой, а в каких — с формой.
Ни один из этих вопросов не исследован системно. И ни один из них не поставлен на русскоязычном материале.
6.Что это меняет
Это направление — самое радикальное из dct[. Оно не про «улучшение преподавания» и не про «новые методы». Оно про природу математики в машине. И его результат имеет прямые последствия для того, как мы понимаем саму математику.
Если математика в LLM автономна — значит, язык действительно может существовать без носителя, и математика — первый пример этого. Если она производна от языка о математике — значит, даже математика не является полностью автономной, и наша гипотеза о «языке без носителя» требует пересмотра.
В любом случае, это вопрос, который нельзя решить никакой следующей версией модели. Его можно решить только экспериментом. И этот эксперимент — задача нашей лаборатории.