Новые алгоритмы на основе метрики Вассерштейна, разработанные математиками в 2025 году, позволили значительно ускорить обучение генеративных нейросетей (GAN). Теория оптимального транспорта теперь используется для минимизации затрат на перемещение вероятностных распределений данных.

Это решило проблему коллапса мод в обучении ИИ. Математический аппарат Монжа-Канторовича получил новую жизнь в эпоху глубокого обучения, став стандартом для задач компьютерного зрения и обработки естественного языка.

Команда MIT в июне 2023 года разработала гибридный алгоритм для задачи коммивояжера (TSP), способный решать экземпляры с тысячами вершин за минуты. Метод сочетает квантовый отжиг с эвристиками локального поиска, превосходя классические солверы на 30%.

Результат, опубликованный в Nature Machine Intelligence, демонстрирует первое практическое "квантовое преимущество" в комбинаторной оптимизации. Приложения охватывают логистику и сворачивание белков в биологии.

В мае 2025 года Google DeepMind представил AlphaEvolve — систему, которая превзошла человеческие результаты в 3D bin packing (упаковке контейнеров). Алгоритм находит оптимальные решения для логистических задач, комбинируя обучение с подкреплением и символическую регрессию.

Это достижение знаменует революцию в прикладной математике, демонстрируя, как ИИ может находить новые эвристики, недоступные человеческой интуиции. Технология уже внедряется в облачные сервисы для оптимизации ресурсов.

В августе 2025 года Университет Карнеги-Меллон совместно с NSF запустил институт стоимостью $50M для ускорения математических открытий с помощью ИИ. Фокус направлен на использование машинного обучения для доказательства теорем и генерации гипотез в алгебраической геометрии и комбинаторике.

Институт интегрирует символическую регрессию с формальной верификацией. Уже получены первые результаты в оптимизации и решены три открытые проблемы. Это революционизирует рутинные части исследований, позволяя математикам сосредоточиться на концептуальных задачах.