AI løser Erdős-problemer. Hvad kommer herefter?

For blot få måneder siden virkede spørgsmålet mest filosofisk: hvis kunstig intelligens kan hjælpe med at løse åbne matematiske problemer, hvad sker der så med ideen om menneskelig genialitet?

Dette spørgsmål er ikke længere teoretisk. To nyere udviklinger med OpenAI og Google DeepMind antyder, at AI bevæger sig fra at være matematisk assistent til at være matematisk deltager. Ikke i den forstand, at AI erstatter matematikere helt, men i den mere præcise og vigtigere forstand, at generere, søge, verificere og af og til opdage argumenter, der kan overleve ekspertundersøgelse.

Den første udvikling kom fra OpenAI, som meddelte, at en intern ræsonneringsmodel til generelle formål havde gjort et gennembrud i det plane enhedsafstandsproblem, et berømt spørgsmål stillet af Paul Erdős i 1946. Problemet spørger, hvor mange par punkter i et plan kan være præcis én enhed fra hinanden. I årtier har den herskende tro været, at kvadratisk grid-lignende konstruktioner ville være essentielt optimale. OpenAI’s model fandt en ny familie af konstruktioner, der modsagde denne tro.

Den anden udvikling kom fra Google DeepMind-forskere, som offentliggjorde en artikel med titlen “Fremme af matematisk forskning med AI-dreven formel bevis-søgning”. Deres system, AlphaProof Nexus, vurderede AI-dreven bevis-generering på åbne forskningsniveau-problemer og rapporterede, at dens stærkeste agent selvstændigt løste 9 af 353 åbne Erdős-problemer. Det beviste også 44 af 492 åbne formodninger fra Online Encyclopedia of Integer Sequences.

Sammen markerer disse resultater et skift. Den vigtige historie er ikke, at AI pludselig har løst matematikken. Det har det ikke. Den vigtige historie er, at AI-systemer begynder at fungere inden for forskningsløkken selv.

Hvorfor Erdős-problemer er en alvorlig test for AI

Paul Erdős var en af de mest produktive matematikere i historien, og problemerne forbundet med hans arbejde besætter en særlig plads i matematikken. Mange er lette at formulere, svære at løse og forbundet med dybe områder som kombinatorik, talteori, grafteori og diskret geometri.

Dette gør dem usædvanligt nyttige som en benchmark for AI-resonnering. De er ikke skoleøvelser. De er heller ikke altid kæmpe, teori-omstyrtende formodninger som Riemann-hypotesen. I stedet ligger mange Erdős-problemer i midtergrunden, hvor fremgang afhænger af at finde den rigtige forbindelse, den rigtige konstruktion eller det rigtige oversete lemma.

Dette er præcis, hvor AI kan være mest nyttig tidligt. Moderne ræsonneringssystemer er ikke bare regnemaskiner. De kan udforske mange mulige bevisveje, sammenligne delvise strategier, hente fjerntliggende ideer fra tilstødende felter og teste, om et argument kan gøres stringent.

OpenAI-resultatet er slående, fordi modellen ikke blot polerede en kendt rute. Den fandt en uventet bro mellem diskret geometri og algebraisk talteori. Det er den type konceptuelle spring, som matematikere normalt associerer med ægte kreativitet.

OpenAI og enhedsafstands-gennembruddet

Det plane enhedsafstandsproblem er let at beskrive. Placer n punkter i planet. Tæl, hvor mange par punkter er præcis én enhed fra hinanden. Målet er at forstå, hvor stort det tal kan være, når n vokser.

I næsten 80 år har matematikere formodet, at de bedste konstruktioner ikke ville overgå kvadratisk grid-baserede arrangementer dramatisk. OpenAI’s model udfordrede denne antagelse ved at producere en uendelig familie af eksempler, der overgik den forventede grænse med en polynomial forbedring.

Dette er vigtigt af to grunde. For det første ændrer det det matematiske billede. Det antyder, at talteoretiske konstruktioner kan have mere at bidrage til diskret geometri, end mange forskere antog. For det andet ændrer det billedet af AI. Modellen var beskrevet som en ræsonneringsmodel til generelle formål, ikke et system bygget kun til dette specifikke problem.

Med andre ord synes systemet at have overført ræsonneringsevne til en ukendt forskningskontekst. Det havde ikke blot lært et kendt bevis udenad. Det producerede et resultat, som eksterne matematikere behandlede som et væsentligt bidrag.

Google DeepMind og formel bevis-søgning

Google DeepMinds artikel behandler et andet, men lige så vigtigt spørgsmål: hvordan kan AI-genereret matematik gøres pålidelig?

Sprogmodeller kan producere elegant-udseende argumenter, der indeholder subtile fejl. I normal prosa kan disse fejl være svære at opdage. I matematik kan ét forkert skridt ugyldiggøre hele beviset. Det er derfor, formelle bevis-systemer som Lean betyder noget. Lean bekymrer sig ikke om, hvorvidt et argument lyder overbevisende. Hvert logisk skridt skal kontrolleres.

AlphaProof Nexus bruger denne begrænsning som en del af arbejdsgangen. AI-agenter genererer bevisforsøg i Lean, modtager feedback fra kompilatoren, reviderer deres tilgang og fortsætter med at søge. Den stærkere version koordinerer underagenter og bruger mere avancerede bevisværktøjer til at fokusere søgningen.

DeepMind-resultatet er særligt vigtigt, fordi det forbinder AI-resonnering til verificering. Man behøver ikke at stole på systemet på samme måde som på en chatbot i naturligt sprog. Dets bevis kan enten kompileres eller ej.

Hvad dette betyder for matematisk forskning

Den nuværende lære er ikke, at matematikere er forældede. Det er, at flaskehalsen i matematikken måske er under forandring.

Historisk set har en forsker behøvet at gøre næsten alt: formulere problemet, gennemgå litteraturen, teste ideer, bygge beviset, kontrollere hvert skridt og kommunikere resultatet. AI truer nu med at redistribuere denne arbejdskraft. Nogle dele af arbejdsgangen kan blive hurtigere, billigere og mere automatiserede.

• AI kan udforske mange bevisveje, før et menneske kommer til at bruge tid på en.
• Formelle systemer kan verificere skridt, der ellers ville kræve langsom ekspertkontrol.
• Forskere kan bruge AI til at søge på tværs af fjerne matematiske underfelter.

Dette kunne producere en ny forskningsstil. I stedet for at spørge en AI om et svar, kan matematikere mere og mere overvåge flåder af bevis-agenter. Den menneskelige rolle bliver mindre som en regnemaskine og mere som en forskningsdirektør: vælge de rigtige problemer, fortolke resultaterne, opdage konceptuel betydning og beslutte, hvilke veje der fortjener dybere opmærksomhed.

Grænserne er stadig reelle

Det er vigtigt ikke at overdrive øjeblikket. Google DeepMinds system løste 9 af 353 forsøgte Erdős-problemer. Det er imponerende, men det betyder også, at de fleste forblev uløste. OpenAI’s enhedsafstandsresultat er en milepæl, men det antyder ikke, at enhver berømt formodning nu er let at løse.

AI-systemer kæmper stadig, når et problem kræver en ny konceptuel ramme, når den relevante matematik er dårligt formaliseret, eller når et bevis afhænger af lange kæder af indsigt, der ikke kan dekomponeres i søgbare skridt. Formelle bevis-biblioteker er også uregelmæssige. Områder med moden Lean-dækning er mere tilgængelige for AI-agenter end områder, hvor det grundlæggende materiale stadig skal kodificeres.

• Systemerne er stadig afhængige af menneskers problemvalg og fortolkning.
• Formalisering kan være svær, når definitioner er tvetydige eller underudviklede.
• AI-genererede bevisforsøg kan stadig skjule hårdt arbejde inde i ubeviste hjælpepåstande.

Disse grænser er ikke fejl. De klargør, hvor de næste fremskridt må ske. Bedre bevis-agenter, rigere formelle biblioteker, stærkere verificerings-arbejdsgange og mere effektive menneske-AI-grænseflader vil alle betyde noget.

Hvad kommer herefter, efter at AI løser Erdős-problemer?

Den mest sandsynlige nære fremtid er ikke et dramatisk øjeblik, hvor AI løser al matematik. Det er en stadig udvidelse af AI-assisteret forskning til domæner med klare problemformuleringer, stærke formelle biblioteker og store mængder fragmenteret tidligere arbejde.

Kombinatorik, grafteori, talteori, optimering og diskret geometri er naturlige tidlige mål. Disse felter indeholder ofte problemer, hvor spørgsmålet er kortfattet, men løsningen afhænger af at kombinere ideer fra fjerne steder. AI er godt egnet til denne type søgning.

Over tid kan samme mønster udvide sig ud over matematik. Hvis en model kan holde et svært argument sammen, teste mellemliggende påstande og forbinde ideer på tværs af felter, betyder disse evner noget i fysik, biologi, materialevidenskab, kryptografi og AI-forskning selv.

Den dybere konsekvens er kulturel. Matematik har altid værdsat bevis, men det har også værdsat smag: evnen til at vide, hvilket spørgsmål betyder noget, hvilken abstraktion er værd at opfinde, og hvilket resultat ændrer formen på et felt. Når bevissøgning bliver mere automatiseret, kan smag blive endnu vigtigere, ikke mindre.

Konklusion: Genialitet flytter sig til opgaver på et højere niveau

Svaret på det tidligere spørgsmål er nu klarere. Hvis AI kan løse åbne matematiske problemer, forsvinder menneskelig genialitet ikke. Den flytter sig til opgaver på et højere niveau.

Færdigheden, der bliver knap, vil ikke være evnen til at gå igennem hvert teknisk skridt alene. Det vil være evnen til at stille de rigtige spørgsmål, formulere de rigtige abstraktioner, vurdere betydningen af maskin-opdagede resultater og guide AI-systemer mod problemer, der betyder noget.

OpenAI’s enhedsafstands-gennembrud og Google DeepMinds formelle bevis-søgningsresultater lukker ikke bogen på menneskelig matematisk kreativitet. De åbner et nyt kapitel, hvor matematikere kan arbejde med systemer, der kan udforske terrænet hurtigere end et enkelt menneskes sind.

Matematikkens fremtid tilhører måske hverken mennesker eller maskiner alene. Den kan tilhøre forskerne, der lærer at få begge til at tænke sammen.