Чжао Сун (независимый исследователь) и Синьчжи Чжан (группа Machine Learning and Optimization в Microsoft Research) заявили доказательство гипотезы KLS (Kannan–Lovász–Simonovits) 1995 года — одной из центральных открытых задач многомерной выпуклой геометрии. В работе над 140-страничным доказательством ИИ-агенты параллельно прорабатывали более 100 подходов, а отбор направлений и ключевые шаги выполнили люди; почти одновременно появилась и независимая 32-страничная версия доказательства другой группы. Результат снимает зависимость от размерности у констант, задающих скорость сходимости случайных блужданий и MCMC-сэмплирования, а для ИИ-индустрии стал редким задокументированным примером совместной работы агентов и математика на задаче уровня гранд-челленджа.

image
image

Что произошло

Препринт «An O(1) Bound for the KLS Constant» объёмом 140 страниц появился на arXiv 1 октября 2026 года, 4 октября вышла вторая версия с номером arXiv:2610.01447, а 21 октября 2026 года Microsoft Research официально объявил о результате. В теореме утверждается, что константа Чеегера ψn любого изотропного логвогнутого вероятностного распределения в R^n ограничена снизу универсальной константой, не зависящей от размерности; аналогичная универсальная оценка даётся и для константы Пуанкаре. По описанию авторов, доказательство строилось на агентном поиске с человеческим отбором: ИИ-агенты параллельно исследовали более 100 подходов с длинными тензорными вычислениями, а авторы отбрасывали слабые направления, пока не нашли новый критерий, применённый рекурсивно. Сам рекурсивный цикл и итоговую оценку ошибок, завершившие доказательство, разработали сами исследователи, опираясь на свою раннюю работу по быстрым алгоритмам линейного программирования. Параллельно в те же дни вышло независимое 32-страничное доказательство работы Bizeul, Klartag и Lehec.

Контекст

Гипотеза KLS (Kannan–Lovász–Simonovits) была сформулирована в 1995 году и требовала доказать, что у каждого изотропного логвогнутого распределения в R^n есть универсальная, не зависящая от размерности нижняя оценка константы Чеегера. Тридцать один год задача оставалась открытой и считалась центральной для области: MSRI называл её «центральной открытой задачей многомерной выпуклой геометрии», а Simons Institute — «одной из важнейших открытых задач выпуклой геометрии». Ставка высока, потому что константы Чеегера и Пуанкаре задают скорость сходимости случайных блужданий и алгоритмов MCMC-выборки, а через них — теоретические гарантии сэмплирования, статистики и высокоразмерной оптимизации. Техническая основа нового доказательства выросла из собственной траектории авторов: их ранняя работа по быстрым алгоритмам линейного программирования дала материал для рекурсивного критерия, которым и замыкается рассуждение.

Почему это важно для индустрии

Для AI-индустрии главный сигнал методологический: воркфлоу «агентный перебор плюс человеческий отбор» задокументирован на задаче уровня гранд-челленджа. Ценность агентов здесь была не в автономии, а в генерации и проверке десятков параллельных направлений под экспертной селекцией; автономные попытки нескольких ведущих ИИ-моделей с примерно тем же бюджетом токенов, но без руководства человека, результата не дали. Для команд, строящих research-инструменты, это готовый скелет: батч-генерация кандидатов, очередь человек-ревью и трекинг параллельных направлений можно прототипировать на существующих LLM-агентах уже сегодня. Немедленного продуктового эффекта нет — это теорема, а не релиз: ни кода, ни API, ни бенчмарков внедрять нечего, зато кейс усиливает позиционирование продуктов категории «ИИ для R&D». В ближайшей перспективе ожидаемы вторичные работы: упрощения доказательства, прогресс формализации в Lean 4 и первые продуктовые копии UX «кандидаты от агентов плюс отбор человеком» в научных копилотах и платформах для R&D.

Почему это важно для пользователей

Читателям новость приносит три практических вещи. Исследователям сэмплирования из логвогнутых распределений и MCMC: гарантии сходимости в теории перестают упираться в зависимость от размерности через KLS, то есть меняется отправная точка алгоритмической теории, хотя готовых новых алгоритмов из теоремы пока не существует и в текущие пайплайны внедрять нечего. Тем, кто собирает агентные системы: появился рабочий ориентир, в котором агентам делегируют массовую генерацию и проверку вариантов, а человеку оставляют отбор направлений и контроль ошибок в цикле. Остальным — трезвая система координат: ИИ реально прошёл через доказательство задачи уровня гранд-челленджа, но как ускоритель под руководством математиков, а не как самостоятельный автор теоремы.

Что пока неизвестно / ограничения

Доказательство пока существует в виде 140-страничного препринта: его проверка сообществом не завершена, а формализация в Lean 4 только началась, поэтому корректнее говорить о заявленном результате, хотя независимое параллельное доказательство существенно повышает уверенность в истинности теоремы. Методология агентных экспериментов не опубликована: нет абляций, нет описания промптов и скаффолдов, как и разметки того, какой вклад внесли агенты, а какой — люди; детали автономных попыток, включая конкретные модели и бюджеты, не раскрыты. Наконец, это единственный задокументированный кейс такого рода, поэтому экстраполировать переносимость паттерна на другие задачи и команды преждевременно.

Источники

Автор

Look at AI, редакция