AI løser Erdős-problemer. Hva kommer neste?

For bare noen måneder siden, spørsmålet føltes mest filosofisk: hvis kunstig intelligens kan hjelpe med å løse åpne matematikkproblemer, hva skjer med ideen om menneskelig genialitet?

Det spørsmålet er ikke lenger teoretisk. To nylige utviklinger som involverer OpenAI og Google DeepMind, antyder at AI flytter seg fra å være en matematisk assistent til å bli en matematisk deltaker. Ikke i betydningen at det erstatter matematikere helt, men i den mer presise og viktige betydningen at det genererer, søker, sjekker og noen ganger oppdager argumenter som kan overleve ekspertgransking.

Den første utviklingen kom fra OpenAI, som annonserte at en intern generell resonneringsmodell hadde gjort et gjennombrudd på planet unit distance-problemet, et berømt spørsmål stilt av Paul Erdős i 1946. Problemet spør hvordan mange par punkter i en plane kan være nøyaktig en enhet fra hverandre. I årevis var den rådende troen at kvadratisk rutenett-lignende konstruksjoner var essensielt optimale. OpenAI’s modell fant en ny familie av konstruksjoner som motbeviste denne troen.

Den andre kom fra Google DeepMind-forskere, som publiserte en artikkel med tittelen Advancing Mathematics Research with AI-Driven Formal Proof Search. Deres system, AlphaProof Nexus, evaluerte AI-drevet bevisgenerering på åpne forskningsnivåproblemer og rapporterte at dens sterkeste agent autonomt løste 9 av 353 åpne Erdős-problemer. Det beviste også 44 av 492 åpne konjekturer fra Online Encyclopedia of Integer Sequences.

Sammen markerer disse resultater en skifte. Den viktige historien er ikke at AI har plutselig løst matematikk. Det har det ikke. Den viktige historien er at AI-systemer begynner å operere innen forskningsløkken selv.

Hvorfor Erdős-problemer er en alvorlig test for AI

Paul Erdős var en av de mest produktive matematikere i historien, og problemene som er knyttet til hans arbeid, okkuperer en spesiell plass i matematikk. Mange er lette å formulere, vanskelige å løse og koblet til dype områder som kombinatorikk, tallteori, grafteori og diskret geometri.

Det gjør dem usedvanlig nyttige som en benchmark for AI-resonnering. De er ikke skoleøvelser. De er heller ikke alltid gigantiske, teori-rykkende konjekturer som Riemann-hypotesen. I stedet ligger mange Erdős-problemer i midten hvor fremgang avhenger av å finne riktig sammenheng, riktig konstruksjon eller riktig oversett lemma.

Dette er nettopp der AI kan være mest nyttig tidlig. Moderne resoneringssystemer er ikke bare regnemaskiner. De kan utforske mange mulige bevisruter, sammenligne delvis strategier, hente fjerne ideer fra nærliggende felt og teste om et argument kan gjøres rigorøst.

OpenAI-resultatet er slående fordi modellen ikke bare polerte en kjent rute. Den fant en uventet bro mellom diskret geometri og algebraisk tallteori. Det er den type konseptuell hopp som matematikere vanligvis assosierer med ekte kreativitet.

OpenAI og unit distance-gjennombruddet

Planet unit distance-problemet er enkelt å beskrive. Plasser n punkter i planet. Telle hvor mange par punkter er nøyaktig en enhet fra hverandre. Målet er å forstå hvor stort det tellingen kan være når n vokser.

I nesten 80 år, mistenkte matematikere at de beste konstruksjonene ikke ville overgå kvadratisk rutenett-lignende arrangementer dramatisk. OpenAI’s modell utfordret denne antagelsen ved å produsere en uendelig familie av eksempler som slo den forventede grensen med en polynomisk forbedring.

Det betyr to ting. Først, det endrer det matematiske bildet. Det antyder at tallteoretiske konstruksjoner kan ha mer å bidra til diskret geometri enn mange forskere antok. Andre, det endrer AI-bildet. Modellen som var involvert, ble beskrevet som en generell resonneringsmodell, ikke et system bygget bare for dette spesifikke problemet.

Med andre ord, systemet ser ut til å ha overført resonneringskraft til et ukjent forskningsmiljø. Det genererte ikke bare en kjent bevis. Det produserte et resultat som eksterne matematikere behandlet som en stor bidrag.

Google DeepMind og formal bevis-søk

Google DeepMind-forskerne adresse en annen, like viktig spørsmål: hvordan kan AI-generert matematikk gjøres pålitelig?

Språkmodeller kan produsere elegante argumenter som inneholder subtile feil. I normal prosa, kan disse feilene være vanskelige å oppdage. I matematikk, kan ett feil skritt invalidere hele beviset. Dette er hvorfor formelle bevis-systemer som Lean betyr. Lean bryr seg ikke om hvorvidt et argument lyder overbevisende. Hver logisk skritt må sjekkes.

AlphaProof Nexus bruker denne begrensningen som en del av arbeidsflyten. AI-agenter genererer bevisforsøk i Lean, mottar tilbakemelding fra kompilatoren, reviderer sin tilnærming og fortsetter å søke. Den sterkeste versjonen koordinerer underagenter og bruker mer avanserte bevisverktøy for å fokusere søket.

DeepMind-resultatet er spesielt viktig fordi det kobler AI-resonnering til verifisering. Systemet trenger ikke å bli betrodd på samme måte som en naturlig språk-chatbot må bli betrodd. Dets bevis enten kompilerer eller det gjør ikke.

Hva dette betyr for matematisk forskning

Den nåværende lære er ikke at matematikere er foreldet. Det er at flaskenhalen i matematikk kan være i ferd med å endre seg.

Historisk sett, trengte en forsker å gjøre nesten alt: formulere problemet, gjennomgå litteraturen, teste ideer, bygge beviset, sjekke hver skritt og kommunisere resultatet. AI truer nå med å redistribuere denne arbeidet. Noen deler av arbeidsflyten kan bli raskere, billigere og mer automatisert.

• AI kan utforske mange bevisruter før en menneske begynner å bruke tid på en.
• Formelle systemer kan verifisere skritt som ellers ville kreve langsom ekspertkontroll.
• Forskere kan bruke AI til å søke over fjerne matematiske underfelt.

Dette kunne produsere en ny forskningsstil. I stedet for å spørre AI om et svar, kan matematikere stadig oftere overvåke flåter av bevis-agenter. Den menneskelige rollen blir mindre som en regnemaskin og mer som en forskningsdirektør: velge riktige problemer, tolke resultater, detektere konseptuell betydning og bestemme hvilke stier fortjener dypere oppmerksomhet.

Grensene er fortsatt reelle

Det er viktig ikke å overdrive øyeblikket. Google DeepMind’s system løste 9 av 353 forsøkte Erdős-problemer. Det er imponerende, men det betyr også at de fleste forble uløste. OpenAI’s unit distance-resultat er en milepæl, men det antyder ikke at hver berømt konjektur nå er innenfor lett rekkevidde.

AI-systemer kjemper fortsatt når et problem krever en ny konseptuell ramme, når den relevante matematikken er dårlig formalisert, eller når et bevis avhenger av lange kjeder av innsikt som ikke kan dekomponeres i søkbare skritt. Formelle bevis-biblioteker er også ujevne. Områder med moden Lean-dekning er mer tilgjengelige for AI-agenter enn områder hvor grunnleggende materialet fortsatt må kodifiseres.

• Systemene er fortsatt avhengige av menneskelig problemvalg og tolkning.
• Formalisering kan være vanskelig når definisjoner er uklare eller underutviklet.
• AI-generert bevisforsøk kan fortsatt skjule hardt arbeid inni ubeviste hjelpekrav.

Disse grensene er ikke feil. De klarer hvor de neste fremgangene må skje. Bedre bevis-agenter, rikere formelle biblioteker, sterkere verifiseringsarbeidsflyt og mer effektive menneske-AI-grensesnitt vil alle bety.

Hva kommer neste etter at AI løser Erdős-problemer?

Den mest sannsynlige nære fremtid er ikke et dramatisk øyeblikk hvor AI løser all matematikk. Det er en jevn utvidelse av AI-assistert forskning inn i domener med rene problemformuleringer, sterke formelle biblioteker og store mengder fragmentert tidligere arbeid.

Kombinatorikk, grafteori, tallteori, optimalisering og diskret geometri er naturlige tidlige mål. Disse feltene inneholder ofte problemer hvor spørsmålet er konsist, men løsningen avhenger av å sy sammen ideer fra fjerne steder. AI er godt egnet til denne typen søk.

Over tid, kan samme mønster utvides utover matematikk. Hvis en modell kan holde et vanskelig argument sammen, teste mellomliggende krav og koble ideer over felt, disse evnene betyr noe i fysikk, biologi, materialvitenskap, kryptografi og AI-forskning selv.

Den dypere konsekvensen er kulturell. Matematikk har alltid verdsett bevis, men det har også verdsett smak: evnen til å vite hvilket spørsmål betyr noe, hvilken abstraksjon er verdt å oppfinne og hvilket resultat endrer formen på et felt. Mens bevis-søk blir mer automatisert, kan smak bli viktigere, ikke mindre.

Konklusjon: Genialitet flytter seg oppover i stakken

Følgespørsmålet til det tidligere spørsmålet er nå klarere. Hvis AI kan løse åpne matematikkproblemer, forsvinner ikke menneskelig genialitet. Den flytter seg oppover i stakken.

Den sjeldne ferdigheten vil ikke være evnen til å male gjennom hver teknisk skritt alene. Den vil være evnen til å stille riktige spørsmål, ramme riktige abstraksjoner, vurdere meningen av maskin-oppdagete resultater og guide AI-systemer mot problemer som betyr noe.

OpenAI’s unit distance-gjennombrudd og Google DeepMind’s formelle bevis-søk-resultater lukker ikke boken på menneskelig matematisk kreativitet. De åpner et nytt kapittel hvor matematikere kan arbeide med systemer som kan utforske terrenget raskere enn noen enkelt sinn.

Fremtiden for matematikk kan ikke tilhøre mennesker eller maskiner alene. Den kan tilhøre forskerne som lærer å få begge til å tenke sammen.