280x быстрее на одном Mac: как Axiom Math сжала математический AI с тысяч GPU до настольного компьютера

Задача, на которую Meta потратила три недели и тысячи GPU, теперь решается за 2,5 часа на единственной машине — и инструмент можно скачать бесплатно.

Кто и как исследовал

Стартап Axiom Math из Пало-Альто, основанный математиком Кариной Хонг, выпустил в марте 2026 года Axplorer — переработанную версию PatternBoost от Meta. Инструмент тестировали на проблеме Турана о четырёхциклах — классической задаче теории графов, которая не решена с середины XX века. PatternBoost от исследователя Meta Франсуа Шартона (который теперь работает в Axiom Math) требовал суперкомпьютер и работал три недели в 2024 году. Axplorer справился с той же задачей за 2,5 часа на Mac Pro. Код открыт и доступен через GitHub.

Ключевые цифры

280x ускорение по сравнению с PatternBoost — с трёх недель на тысячах GPU до 2,5 часов на одной машине
Три крупные задачи теории графов, где Axplorer улучшил лучшие известные результаты
2025 год — DARPA запустила программу expMath для стимулирования использования AI-инструментов математиками
Ноль затрат на инфраструктуру: инструмент работает локально, не требует облачных кластеров как AlphaEvolve от DeepMind

Почему LLM проигрывают эволюционному поиску в математике

Франсуа Шартон жёстко критикует недавние успехи LLM в решении задач Пауля Эрдёша: «Есть множество открытых проблем, потому что на них никто не смотрел». LLM консервативны — они переиспользуют существующие подходы из данных предобучения. Но многие математические проблемы требуют абсолютно новых идей и паттернов, которых нет в тренировочных данных.

PatternBoost и Axplorer работают по принципу эволюционного поиска: инструмент генерирует примеры, математик выбирает интересные, система производит больше похожих вариантов. Это напоминает AlphaEvolve от DeepMind, но Axplorer не требует доступа к закрытой системе Google и специального разрешения от компании. Установил — и работаешь.

Математики перегружены выбором инструментов

Джорди Уильямсон, математик Сиднейского университета и соавтор оригинального PatternBoost, ещё не пробовал Axplorer, но следит за реакцией коллег. Он отмечает проблему: математики сейчас «несколько перегружены возможностями» — компании предлагают множество AI-инструментов, часть из которых требует самостоятельного обучения нейросетей.

Уильямсон использует LLM, но призывает «не забывать более приземлённые подходы» и не выбрасывать доски для записей. Он считает PatternBoost «прекрасной идеей», но «определённо не панацеей». Остаётся открытым вопрос, насколько улучшения Axiom Math расширят применимость инструмента к широкому кругу математических задач — пока это проверяется на задачах теории графов.

Что это значит для CTO и ML-команды

Прорывы в математике напрямую влияют на технологические достижения — от следующих поколений AI до интернет-безопасности. Три точки входа для технических команд:

1. Теория графов в продакшене. Если вы работаете с социальными сетями, цепочками поставок, поисковыми системами — Axplorer может стать способом быстро тестировать гипотезы без инфраструктурных затрат. Код открыт, запускается локально.

2. Альтернатива LLM для исследовательских задач. Когда вам нужны новые паттерны, а не переупаковка существующих подходов — эволюционный поиск работает лучше. Это подтверждают результаты Axiom Math на трёх крупных задачах.

3. Инфраструктурная экономия. Если раньше для подобных экспериментов нужны были GPU-кластеры, теперь достаточно одной машины. Это снижает барьер входа для математических исследований внутри компаний.

Стоит следить за программой DARPA expMath — она может ускорить появление открытых AI-инструментов для фундаментальных исследований, на которых строятся практические технологии.

Источник: MIT Technology Review

280x быстрее на одном Mac: как Axiom Math сжала математический AI с тысяч GPU до настольного компьютера

Похожие статьи

Поделиться в соц. сетях

Комментарии