AI Rozwiązuje Problemy Erdősa. Co Dalej?

Ledwie kilka miesięcy temu, pytanie wydawało się głównie filozoficzne: jeśli sztuczna inteligencja może pomóc rozwiązać otwarte problemy matematyczne, co się stanie z pojęciem ludzkiej genialności?

To pytanie już nie jest teoretyczne. Dwa niedawne osiągnięcia OpenAI i Google DeepMind sugerują, że AI przechodzi od asystenta matematycznego do uczestnika matematycznego. Nie w sensie zastępowania matematyków całkowicie, ale w bardziej precyzyjnym i ważnym sensie generowania, wyszukiwania, sprawdzania i czasem odkrywania argumentów, które mogą wytrzymać weryfikację ekspertów.

Pierwszy postęp pochodził od OpenAI, które ogłosiło, że wewnętrzny model rozumowania ogólnego przeznaczenia osiągnął przełom w problemie odległości jednostkowej na płaszczyźnie, słynnym pytaniu postawionym przez Paula Erdősa w 1946 roku. Problem pyta, ile par punktów na płaszczyźnie może być oddalonych od siebie dokładnie o jedną jednostkę. Przez dziesięciolecia, dominująca wiara była taka, że konstrukcje oparte na kwadratowej siatce są praktycznie optymalne. Model OpenAI znalazł nową rodzinę konstrukcji, która obaliła tę wiarę.

Drugi postęp pochodził od badaczy Google DeepMind, którzy opublikowali artykuł zatytułowany “Rozwój badań matematycznych z wykorzystaniem AI-sterowanego formalnego wyszukiwania dowodów”. Ich system, AlphaProof Nexus, ocenił AI-sterowane generowanie dowodów na otwarte problemy badawcze i zgłosił, że jego najsilniejszy agent samodzielnie rozwiązał 9 z 353 otwartych problemów Erdősa. Udowodnił również 44 z 492 otwartych hipotez z Online Encyklopedii Ciągów Całkowitych.

Te wyniki razem oznaczają zmianę. Ważna historia nie jest taka, że AI nagle rozwiązało matematykę. Nie zrobiło. Ważna historia jest taka, że systemy AI zaczynają działać wewnątrz samej pętli badawczej.

Dlaczego Problemy Erdősa Są Poważnym Testem Dla AI

Paul Erdős był jednym z najbardziej płodnych matematyków w historii, a problemy związane z jego pracą zajmują specjalne miejsce w matematyce. Wiele z nich jest łatwych do sformułowania, trudnych do rozwiązania i połączonych z głębokimi obszarami, takimi jak kombinatoryka, teoria liczb, teoria grafów i geometria dyskretna.

To sprawia, że są one niezwykle użyteczne jako benchmark dla AI-owego rozumowania. Nie są ćwiczeniami szkolnymi. Nie zawsze są też gigantycznymi hipotezami burzącymi teorie, takimi jak hipoteza Riemanna. Zamiast tego wiele problemów Erdősa leży w połowie, gdzie postęp zależy od znalezienia odpowiedniego połączenia, odpowiedniej konstrukcji lub odpowiedniego przeoczonego lematu.

To jest dokładnie tam, gdzie AI może być najbardziej przydatne na początku. Współczesne systemy rozumowania nie są tylko kalkulatorami. Mogą one badać wiele możliwych ścieżek dowodowych, porównywać częściowe strategie, pobierać odległe idee z sąsiednich pól i testować, czy argument może być uczyniony rygorystycznym.

Wynik OpenAI jest uderzający, ponieważ model nie tylko wygładził znaną trasę. Znaleziono nieoczekiwaną przeprawę między geometrią dyskretną a algebraiczną teorią liczb. To jest rodzaj konceptualnego skoku, który matematycy zwykle kojarzą z prawdziwą kreatywnością.

OpenAI i Przełom w problemie odległości jednostkowej

Problem odległości jednostkowej na płaszczyźnie jest prosty do opisania. Umieść n punktów w płaszczyźnie. Zliczaj, ile par punktów jest oddalonych od siebie dokładnie o jedną jednostkę. Celem jest zrozumienie, jak duży może być ten zliczany wynik, gdy n rośnie.

Przez prawie 80 lat, matematycy podejrzewali, że najlepsze konstrukcje nie będą dramatycznie przewyższać układów opartych na kwadratowej siatce. Model OpenAI zakwestionował to założenie, produkując nieskończoną rodzinę przykładów, które pokonały oczekiwany limit o poprawę wielomianową.

To ma znaczenie z dwóch powodów. Po pierwsze, zmienia to matematyczny obraz. Sugeruje to, że konstrukcje z teorii liczb mogą mieć więcej do wniesienia do geometrii dyskretnej, niż wielu badaczy założyło. Po drugie, zmienia to obraz AI. Model ten został opisany jako model rozumowania ogólnego przeznaczenia, a nie system zbudowany tylko dla tego konkretnego problemu.

Innymi słowy, system wydaje się przenosić moc rozumowania do nieznanej sytuacji badawczej. Nie ograniczył się do zapamiętania znanego dowodu. Wygenerował wynik, który zewnętrzni matematycy traktowali jako główny wkład.

Google DeepMind i Formalne Wyszukiwanie Dowodów

Artykuł Google DeepMind zajmuje się innym, ale równie ważnym pytaniem: jak AI-matematyka może być uczyniona niezawodną?

Modele językowe mogą produkować eleganckie argumenty, które zawierają subtelne błędy. W normalnym tekście, te błędy mogą być trudne do wykrycia. W matematyce, jeden błędny krok może unieważnić cały dowód. Dlatego formalne systemy dowodowe, takie jak Lean, mają znaczenie. Lean nie dba o to, czy argument brzmi przekonywająco. Każdy logiczny krok musi być sprawdzony.

AlphaProof Nexus wykorzystuje to ograniczenie jako część przepływu pracy. Agenci AI generują próby dowodów w Lean, otrzymują informacje zwrotne od kompilatora, modyfikują swoje podejście i kontynuują wyszukiwanie. Silniejsza wersja koordynuje subagentów i wykorzystuje bardziej zaawansowane narzędzia dowodowe, aby skupić wyszukiwanie.

Wynik DeepMind jest szczególnie ważny, ponieważ łączy AI-owe rozumowanie z weryfikacją. Systemowi nie trzeba ufać w taki sam sposób jak chatbotowi w języku naturalnym. Jego dowód albo przechodzi kompilację, albo nie.

Co To Znaczy Dla Badań Matematycznych

Bieżąca lekcja nie jest taka, że matematycy są przestarzali. Jest taka, że wąskie gardło w matematyce może się zmieniać.

Historycznie, badacz musiał zrobić prawie wszystko: sformułować problem, przeglądnąć literaturę, przetestować pomysły, zbudować dowód, sprawdzić każdy krok i skomunikować wynik. AI może teraz doprowadzić do ponownego podziału tej pracy. Niektóre części przepływu pracy mogą stać się szybsze, tańsze i bardziej zautomatyzowane.

• AI może badać wiele tras dowodowych, zanim człowiek poświęci czas na jedną.
• Formalne systemy mogą weryfikować kroki, które w przeciwnym razie wymagałyby powolnej ekspertowej kontroli.
• Badacze mogą wykorzystywać AI do wyszukiwania w odległych matematycznych podpolach.

To może wyprodukować nowy styl badań. Zamiast prosić AI o odpowiedź, matematycy mogą coraz częściej nadzorować floty agentów dowodowych. Rola człowieka zaczyna bardziej przypominać rolę dyrektora badań niż kalkulatora: wybieranie odpowiednich problemów, interpretowanie wyników, wykrywanie znaczenia koncepcyjnego i decydowanie, które ścieżki zasługują na głębszą uwagę.

Granice Nadal Są Rzeczywiste

Ważne jest, aby nie przeceniać znaczenia tej chwili. System Google DeepMind rozwiązał 9 z 353 próbowanych problemów Erdősa. To jest imponujące, ale oznacza to również, że większość pozostała nierozwiązana. Wynik OpenAI dotyczący odległości jednostkowej jest kamieniem milowym, ale nie oznacza to, że każda słynna hipoteza jest teraz łatwa do rozwiązania.

Systemy AI nadal mają trudności, gdy problem wymaga nowej ramy konceptualnej, gdy odpowiednia matematyka jest słabo sformalizowana, lub gdy dowód zależy od długich łańcuchów spostrzeżeń, które nie mogą być łatwo rozłożone na wyszukiwalne kroki. Biblioteki formalnych dowodów są również nierównomiernie rozwinięte. Obszary z dojrzałym pokryciem Lean są bardziej dostępne dla agentów AI niż obszary, gdzie materiał podstawowy wciąż musi być zakodowany.

• Systemy pozostają zależne od ludzkiego wyboru problemu i interpretacji.
• Sformalizowanie może być trudne, gdy definicje są niejasne lub niedorozwinięte.
• Próby dowodów AI mogą nadal ukrywać ciężką pracę wewnątrz niesprawdzonych twierdzeń pomocniczych.

Te granice nie są porażkami. Wyjaśniają, gdzie muszą nastąpić następne postępy. Lepsi agenci dowodowi, bogatsze biblioteki formalne, silniejsze przepływy weryfikacji i bardziej skuteczne interfejsy ludzko-AI będą wszystkie miały znaczenie.

Co Następuje Po Rozwiązaniu Problemów Erdősa Przez AI?

Najbardziej prawdopodobna bliska przyszłość nie jest jednym dramatycznym momentem, w którym AI rozwiązuje całą matematykę. Jest to stopniowe rozszerzanie badań wspomaganych przez AI do dziedzin z jasnymi sformułowaniami problemów, silnymi bibliotekami formalnymi i dużymi zbiorami rozproszonych wcześniejszych prac.

Kombinatoryka, teoria grafów, teoria liczb, optymalizacja i geometria dyskretna są naturalnymi wczesnymi celami. Te pola często zawierają problemy, w których pytanie jest zwięzłe, ale rozwiązanie zależy od łączenia pomysłów z odległych dziedzin. AI jest dobrze przystosowana do tego rodzaju wyszukiwania.

Z czasem, ten sam wzorzec może się rozciągać poza matematykę. Jeśli model może utrzymać trudny argument, przetestować twierdzenia pośrednie i połączyć idee z różnych pól, te możliwości mają znaczenie w fizyce, biologii, nauce o materiałach, kryptografii i badaniach AI samej w sobie.

Głębsza konsekwencja jest kulturowa. Matematyka zawsze ceniła dowód, ale ceniła również smak: umiejętność wiedzy, które pytanie ma znaczenie, które abstrakcje są warte wynalezienia i które wyniki zmieniają kształt pola. Gdy wyszukiwanie dowodów staje się bardziej zautomatyzowane, smak może stać się jeszcze ważniejszy, a nie mniej.

Wnioski: Genialność Przesuwa Się W Górę

Odpowiedź na wcześniejsze pytanie jest teraz wyraźniejsza. Jeśli AI może rozwiązać otwarte problemy matematyczne, ludzka genialność nie znika. Przesuwa się w górę.

Rzadka umiejętność nie będzie umiejętnością przetrwania każdego technicznego kroku samotnie. Będzie umiejętnością zadawania odpowiednich pytań, formułowania odpowiednich abstrakcji, oceny znaczenia wyników odkrytych przez maszynę i kierowania systemami AI w stronę problemów, które mają znaczenie.

Przełom OpenAI dotyczący odległości jednostkowej i wyniki formalnego wyszukiwania dowodów Google DeepMind nie zamykają książki na ludzką kreatywność matematyczną. Otwierają nowy rozdział, w którym matematycy mogą pracować z systemami, które mogą badać teren szybciej niż jeden umysł.

Przyszłość matematyki może nie należeć do ludzi ani maszyn samotnie. Może należeć do badaczy, którzy uczą się, jak sprawić, by ludzie i maszyny myśleli wspólnie.