Суть прорыва: от роста к константе
Гипотеза KLS, сформулированная в 1995 году, утверждала, что для широкого класса распределений в многомерном пространстве наилучшее плоское сечение (гиперплоскость) почти так же эффективно, как и сечение любой формы. Разница между ними ограничена универсальной константой, не зависящей от числа измерений.
Доказательство, опубликованное в октябре 2026 года, опровергает предыдущие оценки. Ранее лучший результат (июль 2026 г.) допускал, что эта граница медленно растет с увеличением размерности. Новая работа доказывает, что пространство ведет себя лучше, чем считалось: барьеры навигации не растут бесконечно.
Методология: ИИ как инструмент, а не автор
Ключевым фактором успеха стала не просто мощность моделей, а архитектура взаимодействия. Исследователи использовали агентный поиск с итеративной «обрезкой» (pruning) человеком. ИИ параллельно исследовал вариации идей, а математики отбраковывали бесперспективные направления.
| Параметр | Результат |
|---|---|
| Количество исследованных траекторий | Более 100 |
| Роль ИИ | Генерация гипотез, выкладки, проверка |
| Роль человека | Стратегия, отбор, финальная верификация |
| Неудачные попытки (blind search) | Прямой запрос к моделям без контроля не дал результата |
Технические детали доказательства
Прорыв произошел в несколько этапов. Сначала авторы улучшили предыдущую оценку, введя новый математический критерий. Затем они применили рекурсивный метод: улучшенная граница подавалась обратно в аргумент, сужая ошибку. В версии от 1 октября 2026 года зависимость от размерности снизилась до итерированного логарифма. Финальный шаг (4 октября 2026) показал, что накопленные ошибки на каждом этапе рекурсии сжимаются достаточно быстро, чтобы их сумма оставалась ограниченной константой.
Независимое подтверждение и формализация
На момент публикации работы Microsoft, другая группа экспертов опубликовала собственное полное доказательство, назвав критерий из статьи Microsoft «ключевым шагом». Третья независимая работа также опирается на смежные идеи. Дополнительно была выпущена формализация доказательства на Lean 4, что обеспечивает машинную проверку корректности логики.
Значение для науки
Решение KLS снимает теоретическое препятствие для теории высокомерной геометрии, статистики и алгоритмов. Это подтверждает, что случайные блуждания в таких пространствах эффективнее, чем предполагалось, и открывает путь к улучшению алгоритмов сэмплирования и оптимизации.
Источник: Microsoft Research ↗