Seri Futuris

AI Memecahkan Masalah Erdős. Apa yang Terjadi Selanjutnya?

Daniel Martin
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaAI kini memasuki lingkaran penelitian sebagai peserta, bukan sekadar asisten.
Lihat selengkapnya
  • AI kini memasuki lingkaran penelitian sebagai peserta, bukan sekadar asisten.
  • Sistem pembuktian formal memungkinkan matematika yang dihasilkan mesin dipercaya melalui logika yang diperiksa oleh kompilator.
  • Kejeniusan manusia bergeser ke tingkat yang lebih tinggi menuju selera dan memilih masalah mana yang benar-benar penting.

Hanya beberapa bulan yang lalu, pertanyaan itu terutama terasa filosofis: jika kecerdasan buatan dapat membantu memecahkan masalah matematika terbuka, apa yang terjadi pada gagasan kejeniusan manusia?

Pertanyaan itu tidak lagi teoritis. Dua perkembangan terbaru yang melibatkan OpenAI dan Google DeepMind menunjukkan bahwa AI bergerak dari asisten matematika ke peserta matematika. Bukan dalam arti menggantikan matematikawan secara keseluruhan, tetapi dalam arti yang lebih tepat dan lebih penting, yaitu menghasilkan, mencari, memeriksa, dan terkadang menemukan argumen yang dapat bertahan dari pemeriksaan ahli.

Perkembangan pertama datang dari OpenAI, yang mengumumkan bahwa model penalaran serbaguna internal telah membuat terobosan pada masalah jarak unit planar, pertanyaan terkenal yang diajukan oleh Paul Erdős pada 1946. Masalahnya bertanya berapa banyak pasang titik dalam bidang yang dapat tepat satu unit terpisah. Selama beberapa dekade, keyakinan yang berlaku adalah bahwa konstruksi grid persegi seperti itu pada dasarnya optimal. Model OpenAI menemukan keluarga baru konstruksi yang membantah keyakinan itu.

Yang kedua datang dari peneliti Google DeepMind, yang menerbitkan makalah berjudul Meningkatkan Penelitian Matematika dengan Pencarian Bukti Formal yang Dipandu AI. Sistem mereka, AlphaProof Nexus, mengevaluasi pembangkitan bukti yang dipandu AI pada masalah terbuka pada tingkat penelitian dan melaporkan bahwa agen terkuatnya secara otonom menyelesaikan 9 dari 353 masalah Erdős terbuka. Ini juga membuktikan 44 dari 492 konjektur terbuka dari Ensiklopedia Online Urutan Bilangan Bulat.

Bersama-sama, hasil ini menandai pergeseran. Cerita penting bukanlah bahwa AI telah secara tiba-tiba memecahkan matematika. AI belum melakukannya. Cerita penting adalah bahwa sistem AI mulai beroperasi di dalam lingkaran penelitian itu sendiri.

Mengapa Masalah Erdős Adalah Tes Serius untuk AI

Paul Erdős adalah salah satu matematikawan paling prolifik dalam sejarah, dan masalah yang terkait dengan pekerjaannya menduduki tempat khusus dalam matematika. Banyak di antaranya mudah dinyatakan, sulit dipecahkan, dan terhubung dengan area yang dalam seperti kombinatorik, teori bilangan, teori graf, dan geometri diskrit.

Itu membuat mereka sangat berguna sebagai benchmark untuk penalaran AI. Mereka bukanlah latihan sekolah. Mereka juga bukanlah selalu konjektur raksasa yang menghancurkan teori seperti hipotesis Riemann. Sebaliknya, banyak masalah Erdős berada di wilayah tengah di mana kemajuan bergantung pada menemukan koneksi yang tepat, konstruksi yang tepat, atau lemma yang terlewatkan.

Ini adalah tempat di mana AI mungkin paling berguna pada awalnya. Sistem penalaran modern tidak hanya kalkulator. Mereka dapat mengeksplorasi banyak jalur bukti, membandingkan strategi parsial, mengambil ide jauh dari bidang yang berdekatan, dan menguji apakah argumen dapat dibuat ketat.

Hasil OpenAI sangat mencolok karena model tidak hanya memoles rute yang diketahui. Ini menemukan jembatan tak terduga antara geometri diskrit dan teori bilangan aljabar. Itulah jenis lompatan konseptual yang matematikawan biasanya mengaitkan dengan kreativitas asli.

OpenAI dan Terobosan Jarak Unit

Masalah jarak unit planar sederhana untuk dijelaskan. Letakkan n titik di bidang. Hitung berapa banyak pasang titik yang tepat satu unit terpisah. Tujuannya adalah untuk memahami seberapa besar jumlah itu dapat menjadi saat n tumbuh.

Selama hampir 80 tahun, matematikawan curiga bahwa konstruksi terbaik tidak akan secara dramatis mengungguli pengaturan grid persegi. Model OpenAI menantang asumsi itu dengan menghasilkan keluarga tak terhingga contoh yang mengalahkan batas yang diharapkan dengan perbaikan polinomial.

Itu penting untuk dua alasan. Pertama, itu mengubah gambaran matematika. Ini menunjukkan bahwa konstruksi dalam teori bilangan mungkin memiliki lebih banyak kontribusi pada geometri diskrit daripada yang banyak peneliti anggap. Kedua, itu mengubah gambaran AI. Model yang terlibat digambarkan sebagai model penalaran serbaguna, bukan sistem yang dibangun hanya untuk masalah ini.

Dengan kata lain, sistem ini tampaknya telah mentransfer kekuatan penalaran ke dalam pengaturan penelitian yang tidak biasa. Ini tidak hanya mengingat bukti yang diketahui. Ini menghasilkan hasil yang matematikawan eksternal perlakukan sebagai kontribusi besar.

Google DeepMind dan Pencarian Bukti Formal

Makalah Google DeepMind mengatasi pertanyaan yang berbeda tetapi sama pentingnya: bagaimana matematika yang dihasilkan AI dapat dijadikan andal?

Model bahasa dapat menghasilkan argumen yang terlihat elegan yang mengandung kesalahan halus. Dalam prosa normal, kesalahan tersebut mungkin sulit dideteksi. Dalam matematika, satu langkah yang salah dapat membatalkan seluruh bukti. Ini adalah mengapa sistem bukti formal seperti Lean penting. Lean tidak peduli apakah argumen terdengar persuasif. Setiap langkah logis harus diperiksa.

AlphaProof Nexus menggunakan batasan itu sebagai bagian dari alur kerja. Agen AI menghasilkan upaya bukti dalam Lean, menerima umpan balik dari kompilator, merevisi pendekatan, dan terus mencari. Versi yang lebih kuat mengkoordinasikan subagen dan menggunakan alat bukti yang lebih maju untuk fokus pencarian.

Pengembangan Metode AI Mengapa Ini Penting
Hasil jarak unit OpenAI Model penalaran serbaguna Menunjukkan AI dapat menghasilkan konstruksi asli untuk masalah terbuka yang terkenal
AlphaProof Nexus Google DeepMind Pencarian bukti Lean yang dipandu LLM Menunjukkan AI dapat menyelesaikan secara formal beberapa masalah Erdős terbuka
Verifikasi bukti formal Logika yang diperiksa kompilator Mengurangi risiko output matematika yang mengesankan tetapi tidak valid

Hasil DeepMind sangat penting karena menghubungkan penalaran AI ke verifikasi. Sistem tidak perlu dipercaya dengan cara yang sama seperti chatbot bahasa alami harus dipercaya. Buktinya dapat dikompilasi atau tidak.

Apa Artinya bagi Penelitian Matematika

Pelajaran saat ini bukanlah bahwa matematikawan sudah usang. Ini adalah bahwa bottleneck dalam matematika mungkin berubah.

Secara historis, seorang peneliti perlu melakukan hampir semua: merumuskan masalah, menyurvei literatur, menguji ide, membangun bukti, memeriksa setiap langkah, dan mengkomunikasikan hasil. AI sekarang mengancam untuk mendistribusikan pekerjaan itu. Beberapa bagian dari alur kerja mungkin menjadi lebih cepat, lebih murah, dan lebih otomatis.

  • AI dapat mengeksplorasi banyak rute bukti sebelum manusia menghabiskan waktu untuk satu.
  • Sistem formal dapat memverifikasi langkah-langkah yang biasanya memerlukan pemeriksaan ahli yang lambat.
  • Peneliti dapat menggunakan AI untuk mencari di seluruh subbidang matematika yang jauh.

Ini bisa menghasilkan gaya penelitian baru. Alih-alih meminta jawaban kepada AI, matematikawan mungkin semakin mengawasi armada agen bukti. Peran manusia menjadi kurang seperti kalkulator dan lebih seperti direktur penelitian: memilih masalah yang tepat, menafsirkan hasil, mendeteksi signifikansi konseptual, dan memutuskan jalur mana yang layak mendapatkan perhatian yang lebih dalam.

Batasan Masih Nyata

Penting untuk tidak melebih-lebihkan momen ini. Sistem Google DeepMind menyelesaikan 9 dari 353 masalah Erdős yang dicoba. Itu mengesankan, tetapi itu juga berarti sebagian besar masih belum terpecahkan. Hasil jarak unit OpenAI adalah sebuah tonggak, tetapi itu tidak berarti setiap konjektur terkenal sekarang dalam jangkauan yang mudah.

Sistem AI masih berjuang ketika suatu masalah memerlukan kerangka konseptual baru, ketika matematika yang relevan tidak terformalisasi dengan baik, atau ketika bukti bergantung pada rantai panjang wawasan yang tidak dapat dengan mudah dipecah menjadi langkah-langkah yang dapat dicari. Perpustakaan bukti formal juga tidak merata. Bidang dengan cakupan Lean yang matang lebih dapat diakses oleh agen AI daripada bidang di mana materi dasar masih perlu dikodekan.

  • Sistem masih bergantung pada pemilihan masalah dan interpretasi oleh manusia.
  • Formalisasi dapat sulit ketika definisi kabur atau belum berkembang.
  • Upaya bukti yang dihasilkan AI masih dapat menyembunyikan kerja keras di dalam klaim pembantu yang tidak terbukti.

Batasan ini bukanlah kegagalan. Ini memperjelas di mana kemajuan berikutnya harus terjadi. Agen pembuktian teorema yang lebih baik, perpustakaan formal yang lebih kaya, alur kerja verifikasi yang lebih kuat, dan antarmuka manusia-AI yang lebih efektif semua akan penting.

Apa yang Terjadi Selanjutnya Setelah AI Memecahkan Masalah Erdős?

Masa depan yang paling mungkin dalam jangka pendek bukanlah satu momen dramatis di mana AI memecahkan semua matematika. Ini adalah perluasan berkelanjutan penelitian yang dibantu AI ke domain dengan pernyataan masalah yang jelas, perpustakaan formal yang kuat, dan kumpulan besar penelitian terdahulu yang terfragmentasi.

Kombinatorik, teori graf, teori bilangan, optimisasi, dan geometri diskrit adalah target awal yang alami. Bidang ini sering mengandung masalah di mana pertanyaannya ringkas, tetapi solusinya bergantung pada menjahit ide dari tempat yang jauh. AI sangat cocok untuk pencarian jenis ini.

Secara bertahap, pola yang sama bisa meluas melampaui matematika. Jika model dapat mempertahankan argumen yang sulit, menguji klaim antara, menghubungkan ide di seluruh bidang, kemampuan tersebut penting dalam fisika, biologi, ilmu bahan, kriptografi, dan penelitian AI itu sendiri.

Konsekuensi yang lebih dalam adalah budaya. Matematika selalu menghargai bukti, tetapi juga menghargai selera: kemampuan untuk mengetahui pertanyaan mana yang penting, abstraksi mana yang layak ditemukan, dan hasil mana yang mengubah bentuk bidang. Ketika pencarian bukti menjadi lebih otomatis, selera mungkin menjadi lebih penting, bukan kurang.

Kesimpulan: Kejeniusan Beralih ke Tugas yang Lebih Tinggi

Jawaban atas pertanyaan sebelumnya kini lebih jelas. Jika AI dapat memecahkan masalah matematika terbuka, kejeniusan manusia tidak menghilang. Perannya beralih ke tugas pada tingkat yang lebih tinggi.

Kemampuan yang langka tidak akan menjadi kemampuan untuk mengerjakan setiap langkah teknis seorang diri. Ini akan menjadi kemampuan untuk bertanya pertanyaan yang tepat, membingkai abstraksi yang tepat, menilai makna hasil yang ditemukan mesin, dan membimbing sistem AI menuju masalah yang penting.

Terobosan jarak unit OpenAI dan hasil pencarian bukti formal Google DeepMind tidak menutup buku tentang kreativitas matematika manusia. Mereka membuka bab baru di mana matematikawan mungkin bekerja dengan sistem yang dapat mengeksplorasi medan lebih cepat daripada pikiran individu mana pun.

Masa depan matematika mungkin tidak milik manusia atau mesin saja. Ini mungkin milik peneliti yang belajar membuat keduanya berpikir bersama.

Daniel adalah pendukung kuat bagaimana AI pada akhirnya akan mengganggu segala hal. Ia menghirup teknologi dan hidup untuk mencoba gadget baru.