AI řeší Erdősovy problémy. Co bude dál?

Pouze před několika měsíci se otázka zdála většinou filozofická: pokud může umělá inteligence pomoci řešit otevřené matematické problémy, co se stane s představou lidského génia?

Tato otázka již není teoretická. Dvě recentní události týkající se OpenAI a Google DeepMind naznačují, že AI se posouvá od matematického asistenta k matematickému účastníkovi. Ne v tom smyslu, že nahrazuje matematiky jako celek, ale v tom smyslu, že generuje, vyhledává, kontroluje a někdy objevuje argumenty, které mohou obstát při odborné kontrole.

První vývoj přišel z OpenAI, které ohlásilo, že vnitřní obecný model rozumu dosáhl průlomu v problému planární jednotkové vzdálenosti, slavné otázce, kterou položil Paul Erdős v roce 1946. Problém se táže, kolik párů bodů v rovině může být přesně jeden jednotkový oddělen. Po desetiletích převládalo přesvědčení, že čtvercové mřížkové konstrukce jsou zásadně optimální. Model OpenAI nalezl novou rodinu konstrukcí, které vyvrátily toto přesvědčení.

Druhý vývoj přišel od výzkumníků Google DeepMind, kteří publikovali článek nazvaný Advancing Mathematics Research with AI-Driven Formal Proof Search. Jejich systém, AlphaProof Nexus, vyhodnotil generování důkazů pomocí AI na otevřených výzkumných problémech a oznámil, že jeho nejsilnější agent autonomně vyřešil 9 z 353 otevřených Erdősových problémů. Také prokázal 44 z 492 otevřených konjekturních tvrzení z Online Encyclopedia of Integer Sequences.

Společně tyto výsledky označují posun. Důležitý příběh není ten, že AI náhle vyřešila matematiku. Není tomu tak. Důležitý příběh je ten, že systémy AI začínají fungovat uvnitř samotné výzkumné smyčky.

Proč jsou Erdősovy problémy vážnou zkouškou pro AI

Paul Erdős byl jedním z nejplodnějších matematiků v historii a problémy spojené s jeho prací zaujímají zvláštní místo v matematice. Mnohé z nich jsou snadno formulovatelné, obtížně řešitelné a spojené s hlubokými oblastmi, jako je kombinatorika, teorie čísel, teorie grafů a diskrétní geometrie.

To z nich činí neobvykle užitečné jako měřítko pro AI rozumu. Není to školní cvičení. Není to také vždy obrovské, teorií otřásající konjektury, jako je Riemannova hypotéza. Místo toho mnoho Erdősových problémů leží v půli cesty, kde pokrok závisí na nalezení správné souvislosti, správné konstrukce nebo přehlédnutého lemmatu.

To je přesně tam, kde může být AI nejvíce užitečná na začátku. Moderní systémy rozumu nejsou pouze kalkulačky. Mohou prozkoumat mnoho možných důkazových cest, porovnat částečné strategie, získat vzdálené nápady z příbuzných oborů a otestovat, zda lze argument učinit rigorózním.

Výsledek OpenAI je pozoruhodný, protože model nezměnil pouze známou cestu. Našel neočekávaný most mezi diskrétní geometrií a algebrou čísel. To je typ konceptuálního skoku, který matematikové obvykle spojují s opravdovou kreativitou.

OpenAI a průlom v jednotkové vzdálenosti

Problém planární jednotkové vzdálenosti je jednoduchý na popis. Umístěte n bodů do roviny. Spočtěte, kolik párů bodů je přesně jeden jednotkový oddělen. Cílem je pochopit, jak velký může být tento počet, když n roste.

Po téměř 80 letech matematikové podezřívali, že nejlepší konstrukce by neměly dramaticky překonat čtvercové mřížkové uspořádání. Model OpenAI zpochybnil tuto domněnku vytvořením nekonečné rodiny příkladů, které překonaly očekávanou hranici o polynomialní zlepšení.

To má význam z dvou důvodů. První je, že mění matematický obraz. Naznačuje, že číselné konstrukce mohou mít více co do činění s diskrétní geometrií, než mnoho výzkumníků předpokládalo. Druhý je, že mění obraz AI. Zahrnutý model byl popsán jako obecný model rozumu, ne jako systém postavený pouze pro tento konkrétní problém.

To znamená, že systém zdá se, že přenesl rozumnou sílu do neznámého výzkumného prostředí. Nejenom zmrazil známý důkaz. Vygeneroval výsledek, který externí matematikové považovali za významný příspěvek.

Google DeepMind a formální hledání důkazů

Článek Google DeepMind se zabývá odlišnou, ale stejně důležitou otázkou: jak lze matematiku generovanou pomocí AI učinit spolehlivou?

Jazykové modely mohou produkovat elegantně vypadající argumenty, které obsahují jemné chyby. V normálním textu mohou být tyto chyby obtížně detekovatelné. V matematice může jeden špatný krok zneplatnit celý důkaz. To je důvod, proč formální důkazové systémy, jako je Lean, mají význam. Lean se nezajímá o to, zda argument zní přesvědčivě. Každý logický krok musí být ověřen.

AlphaProof Nexus využívá tento omezení jako součást pracovního postupu. Agenti AI generují pokusy o důkazy v Lean, přijímají zpětnou vazbu od kompilátoru, revidují svůj přístup a pokračují ve vyhledávání. Silnější verze koordinuje subagenty a používá pokročilejší důkazové nástroje pro zaměření vyhledávání.

Výsledek DeepMind je zvláště důležitý, protože spojuje AI rozumnou sílu s ověřením. Systém nemusí být důvěřován stejným způsobem, jako chatbot pro přirozený jazyk. Jeho důkaz buď kompiluje, nebo ne.

Co to znamená pro matematický výzkum

Aktuální lekce není, že matematikové jsou zastaralí. Je to, že úzké místo v matematice se může měnit.

Historicky výzkumník musel udělat téměř vše: formulovat problém, prozkoumat literaturu, testovat nápady, postavit důkaz, ověřit každý krok a komunikovat výsledek. AI nyní hrozí, že převede tuto práci. Některé části pracovního postupu mohou být rychlejší, levnější a více automatizované.

• AI může prozkoumat mnoho důkazových cest, než se člověk zaváže k jedné.
• Formální systémy mohou ověřit kroky, které by jinak vyžadovaly pomalou odbornou kontrolu.
• Výzkumníci mohou použít AI k vyhledávání vzdálených matematických suboborů.

To by mohlo produkovat nový výzkumný styl. Místo toho, aby se AI zeptal na odpověď, matematikové možná budou stále více dohlížet na flotily důkazových agentů. Lidská role se stává méně jako kalkulačka a více jako výzkumný ředitel: volba správných problémů, interpretace výsledků, detekce konceptuálního významu a rozhodnutí, které cesty zasluhují hlubší pozornost.

Meze jsou stále reálné

Je důležité nepřeškolit moment. Systém Google DeepMind vyřešil 9 z 353 pokusu o Erdősovy problémy. To je působivé, ale také znamená, že většina zůstala nevyřešena. Výsledek OpenAI pro jednotkovou vzdálenost je milníkem, ale neznamená to, že každá slavná konjektura je nyní snadno dosažitelná.

Systémy AI stále bojují, když problém vyžaduje novou konceptuální strukturu, když relevantní matematika je špatně formalizována, nebo když důkaz závisí na dlouhých řetězcích vhledů, které nemohou být snadno rozloženy na vyhledatelné kroky. Formální důkazové knihovny jsou také nestejné. Oblasti s vyzrálou podporou Lean jsou více přístupné agentům AI než oblasti, kde je ještě třeba zakódovat základní materiál.

• Systémy zůstávají závislé na výběru problému a interpretaci člověka.
• Formalizace může být obtížná, když definice jsou nejednoznačné nebo nevyvinuté.
• Pokusy o důkazy generované pomocí AI mohou stále skrývat tvrdou práci uvnitř neověřených pomocných tvrzení.

Tato omezení nejsou selháními. Zjasňují, kde musí nastat další pokroky. Lepší agenti pro dokazování, bohatší formální knihovny, silnější pracovní postupy ověření a účinnější lidsko-AI rozhraní budou všechny důležité.

Co bude dál, až AI vyřeší Erdősovy problémy?

Nejbližší budoucnost není jeden dramatický moment, kdy AI vyřeší celou matematiku. Je to stálé rozšiřování AI-asistovaného výzkumu do oblastí s čistými problémy, silnými formálními knihovnami a velkými kusy fragmentovaného předchozího výzkumu.

Kombinatorika, teorie grafů, teorie čísel, optimalizace a diskrétní geometrie jsou přirozené rané cíle. Tyto oblasti často obsahují problémy, kde otázka je stručná, ale řešení závisí na spojení nápadů z vzdálených míst. AI je dobře přizpůsobena pro tento typ vyhledávání.

V průběhu času by stejný vzorec mohl rozšířit za matematiku. Pokud může model držet obtížný argument pohromadě, otestovat mezilehlá tvrzení a spojit nápady napříč obory, tyto schopnosti mají význam ve fyzice, biologii, materiálové vědě, kryptografii a výzkumu AI samotném.

Hlubší důsledky jsou kulturní. Matematika vždy hodnotila důkaz, ale také oceňovala chuť: schopnost vědět, který problém je důležitý, která abstrakce je hodna vynálezu a který výsledek mění tvar oboru. Jakmile se hledání důkazů stane více automatizovaným, chuť může být důležitější, ne méně.

Závěr: Géniovství se posouvá nahoru

Následující otázka na předchozí otázku je nyní jasnější. Pokud AI může vyřešit otevřené matematické problémy, lidské génium nezmizí. Posouvá se nahoru.

Vzácná dovednost nebude schopnost procházet každý technický krok sám. Bude to schopnost klást správné otázky, vytvářet správné abstrakce, hodnotit význam výsledků objevených pomocí stroje a vést systémy AI k problémům, které mají význam.

Průlom OpenAI v jednotkové vzdálenosti a výsledky formálního hledání důkazů Google DeepMind neuzavírají knihu o lidské matematické kreativitě. Otevírají novou kapitolu, ve které matematikové mohou pracovat se systémy, které mohou prozkoumat terén rychleji, než kterýkoli jednotlivý lidský rozum.

Budoucnost matematiky nemusí patřit pouze lidem nebo strojům. Může patřit výzkumníkům, kteří se naučí nechat oba myslet společně.