Claude улучшил результат по гипотезе Римана: нижняя граница выросла с 41,6% до 67,2%

Anthropic сообщила о новом математическом результате, который получила ещё не выпущенная исследовательская версия Claude. Модель пыталась продвинуться в доказательстве гипотезы Римана и не решила эту задачу, но по ходу работы улучшила известную нижнюю границу для доли нулей дзета-функции на критической прямой — с 41,6% до 67,2%.

Что именно удалось доказать Claude

Гипотеза Римана связывает распределение простых чисел с положением нулей дзета-функции и остаётся нерешённой с 1859 года. Математики уже доказали, что как минимум 41,6% нужных нулей находятся на критической прямой. Claude объединил несколько направлений прежних исследований и получил более сильную оценку — 67,2%.

Это не доказательство самой гипотезы: результат не показывает, что на критической прямой лежат все нули. Anthropic также предупреждает, что использованные техники вряд ли напрямую приведут к полному решению. Ценность работы в том, что AI смог получить новый проверяемый результат в области, где прогресс обычно требует глубокой специализации.

Как проходило исследование

Работа заняла две сессии Claude Code и около 31 млн выходных токенов. Сначала модель перебрала 650 идей без успеха, затем примерно полтора дня координировала около 60 субагентов. Они выполнили 2 400 команд, написали сотни Python-скриптов, провели тысячи численных проверок и просмотрели 54 научные статьи, чтобы убедиться в новизне результата.

Два математика Anthropic изучили и подтвердили доказательство, а внешние эксперты Брайан Конри и Дэн Голдстон проверили работу в сжатые сроки. Кроме обычной научной статьи, Claude подготовил формально проверяемую версию доказательства на Lean, которая прошла стандартный валидатор.

Почему это важно

История показывает, как меняется роль нейросетей в сложных исследованиях: модель не просто отвечает на вопрос, а формулирует гипотезы, распределяет задачи между агентами, ищет контрпримеры и готовит результат для человеческой проверки. Для команд это практический пример связки «многоагентный AI + эксперты + формальная верификация», которая может пригодиться далеко за пределами математики — в разработке, науке и аналитике.