Серия «Футурист»

ИИ решает проблемы Эрдёша. Что дальше?

Daniel Martin
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыИИ теперь входит в исследовательский цикл как участник, а не просто помощник.
Показать больше
  • ИИ теперь входит в исследовательский цикл как участник, а не просто помощник.
  • Формальные системы доказательств позволяют доверять математике, сгенерированной машиной, благодаря логике, проверяемой компилятором.
  • Человеческий гений смещается вверх — к вкусу и выбору того, какие задачи действительно важны.

Только несколько месяцев назад, вопрос казался в основном философским: если искусственный интеллект может помочь решить открытые математические проблемы, что происходит с идеей человеческого гения?

Этот вопрос больше не является теоретическим. Два недавних достижения, связанных с OpenAI и Google DeepMind, предполагают, что ИИ переходит от математического помощника к математическому участнику. Не в смысле замены математиков целиком, а в более точном и важном смысле генерации, поиска, проверки и иногда открытия аргументов, которые могут выдержать экспертную проверку.

Первое достижение произошло в OpenAI, который объявил, что внутренняя модель рассуждений общего назначения сделала прорыв в задаче о единичных расстояниях на плоскости, знаменитой проблеме, поставленной Полем Эрдёшем в 1946 году. Задача заключается в том, чтобы узнать, сколько пар точек в плоскости могут быть на расстоянии ровно одной единицы друг от друга. Десятилетиями преобладало мнение, что квадратные сетчатые конструкции были по сути оптимальными. Модель OpenAI обнаружила новое семейство конструкций, которое опровергло это мнение.

Второе достижение произошло у исследователей Google DeepMind, которые опубликовали статью под названием “Развитие математических исследований с помощью формального поиска доказательств, управляемого ИИ”. Их система, AlphaProof Nexus, оценила возможность генерации доказательств ИИ на открытых исследовательских задачах и сообщила, что ее самый сильный агент самостоятельно решил 9 из 353 открытых проблем Эрдёша. Она также доказала 44 из 492 открытых гипотез из Онлайн-энциклопедии целочисленных последовательностей.

Вместе эти результаты отмечают сдвиг. Важная история заключается не в том, что ИИ вдруг решил математику. Он не сделал этого. Важная история заключается в том, что системы ИИ начинают работать внутри исследовательского цикла самого по себе.

Почему проблемы Эрдёша являются серьезным тестом для ИИ

Пол Эрдёш был одним из самых плодовитых математиков в истории, и проблемы, связанные с его работой, занимают особое место в математике. Многие из них легко сформулировать, но трудно решить, и они связаны с глубокими областями, такими как комбинаторика, теория чисел, теория графов и дискретная геометрия.

Это делает их необычно полезными в качестве эталона для рассуждений ИИ. Они не являются школьными упражнениями. Они также не всегда являются гигантскими, теоретически-разрушительными гипотезами, такими как гипотеза Римана. Вместо этого многие проблемы Эрдёша находятся в промежуточной области, где прогресс зависит от нахождения правильной связи, правильной конструкции или нужной ранее упущенной леммы.

Именно здесь ИИ может быть наиболее полезен на ранней стадии. Современные системы рассуждений не являются просто калькуляторами. Они могут исследовать многие возможные пути доказательств, сравнивать частичные стратегии, извлекать далекие идеи из соседних областей и проверять, может ли быть сделано строгое доказательство.

Результат OpenAI поражает, потому что модель не просто отполировала известный путь. Она обнаружила неожиданный мост между дискретной геометрией и алгебраической теорией чисел. Это именно тот концептуальный скачок, который математики обычно ассоциируют с настоящей креативностью.

OpenAI и прорыв в единичном расстоянии

Задача о единичных расстояниях на плоскости проста в описании. Поместите n точек в плоскость. Посчитайте, сколько пар точек находятся на расстоянии ровно одной единицы друг от друга. Цель состоит в том, чтобы понять, насколько велико это количество может быть при росте n.

Почти 80 лет математики подозревали, что лучшие конструкции не будут существенно превосходить квадратные сетчатые расположения. Модель OpenAI бросила вызов этому предположению, построив бесконечное семейство примеров, которые превосходят ожидаемую границу на полиномиальное улучшение.

Это имеет значение по двум причинам. Во-первых, это меняет математическую картину. Это предполагает, что конструкции из теории чисел могут иметь больше вклада в дискретную геометрию, чем многие исследователи предполагали. Во-вторых, это меняет картину ИИ. Модель, участвовавшая в этом, была описана как модель рассуждений общего назначения, а не система, построенная только для этой конкретной проблемы.

Иными словами, система, кажется, передала силу рассуждений в незнакомую исследовательскую среду. Она не просто запомнила известное доказательство. Она сгенерировала результат, который внешние математики рассматривали как значительный вклад.

Google DeepMind и формальный поиск доказательств

Статья исследователей Google DeepMind затрагивает другой, но не менее важный вопрос: как можно сделать математику, сгенерированную ИИ, надежной?

Модели языка могут производить элегантно выглядящие аргументы, которые содержат тонкие ошибки. В обычном тексте эти ошибки бывает трудно заметить. В математике один неверный шаг может сделать все доказательство недействительным. Именно поэтому формальные системы доказательств, такие как Lean, имеют значение. Lean не заботится о том, звучит ли аргумент убедительно. Каждый логический шаг должен проверяться.

AlphaProof Nexus использует это ограничение как часть рабочего процесса. Агенты ИИ генерируют попытки доказательств в Lean, получают обратную связь от компилятора, пересматривают свой подход и продолжают поиск. Более сильная версия координирует субагентов и использует более продвинутые инструменты доказательств, чтобы сосредоточить поиск.

Развитие Метод ИИ Почему это важно
Результат единичного расстояния OpenAI Модель рассуждений общего назначения Показал, что ИИ может производить оригинальную конструкцию для известной открытой проблемы
AlphaProof Nexus Google DeepMind Поиск доказательств в Lean под управлением большой языковой модели Показал, что ИИ может формально решить несколько открытых проблем Эрдёша
Проверка формальных доказательств Логика, проверенная компилятором Снижает риск убедительного, но недействительного математического вывода

Результат DeepMind особенно важен, потому что он связывает рассуждения ИИ с проверкой. Системе не нужно доверять в том же смысле, в котором доверяют чат-боту на естественном языке. Его доказательство либо компилируется, либо нет.

Что это значит для математических исследований

Текущий урок заключается не в том, что математики устарели. Урок в том, что узкое место в математике может измениться.

Исторически исследователю нужно было делать почти все: формулировать проблему, изучать литературу, проверять идеи, строить доказательство, проверять каждый шаг и сообщать результат. ИИ теперь угрожает перераспределить этот труд. Некоторые части рабочего процесса могут стать быстрее, дешевле и более автоматизированными.

  • ИИ может исследовать многие пути доказательств, прежде чем человек потратит время на один.
  • Формальные системы могут проверять шаги, которые в противном случае потребовали бы медленной экспертной проверки.
  • Исследователи могут использовать ИИ для поиска в отдаленных разделах математики.

Это может произвести новый стиль исследований. Вместо того, чтобы просить ИИ об ответе, математики могут все чаще руководить флотами агентов доказательств. Роль человека становится менее похожей на калькулятор и более похожей на исследовательского директора: выбирающего правильные проблемы, интерпретирующего результаты, обнаруживающего концептуальное значение и решающего, какие пути заслуживают более глубокого внимания.

Ограничения все еще реальны

Важно не преувеличивать значение нынешних достижений. Система Google DeepMind решила 9 из 353 задач Эрдёша, за которые взялась. Это впечатляет, но это также означает, что большинство осталось нерешенными. Результат единичного расстояния OpenAI является вехой, но он не подразумевает, что каждую знаменитую гипотезу теперь легко доказать.

Системы ИИ все еще борются, когда проблема требует новой концептуальной основы, когда соответствующая математика плохо формализована или когда доказательство зависит от длинных цепей прозрения, которые не могут быть легко разложены на поисковые шаги. Формальные библиотеки доказательств также не равномерны. Области с зрелым покрытием Lean более доступны агентам ИИ, чем области, где основной материал все еще нужно закодировать.

  • Системы остаются зависимыми от выбора проблемы и интерпретации человека.
  • Формализация может быть трудной, когда определения неоднозначны или неразвиты.
  • Попытки доказательств, сгенерированные ИИ, все еще могут скрывать тяжелую работу внутри непроверенных вспомогательных утверждений.

Эти ограничения не являются неудачами. Они уточняют, где должны произойти следующие достижения. Более совершенные агенты для доказательства теорем, более богатые формальные библиотеки, более сильные рабочие процессы верификации и более эффективные интерфейсы человека-ИИ будут иметь значение.

Что дальше после того, как ИИ решит проблемы Эрдёша?

Наиболее вероятное ближайшее будущее не является одним драматическим моментом, когда ИИ решит всю математику. Это стабильное расширение исследований, с помощью ИИ, в области с четкими формулировками задач, сильными формальными библиотеками и большими объемами фрагментированных предыдущих работ.

Комбинаторика, теория графов, теория чисел, оптимизация и дискретная геометрия являются естественными ранними целями. Эти области часто содержат проблемы, где вопрос краток, но решение зависит от соединения идей из далеких мест. ИИ хорошо подходит для такого поиска.

Со временем тот же шаблон может распространиться за пределы математики. Если модель может удержать трудный аргумент, проверить промежуточные утверждения и соединить идеи по разным областям, эти возможности имеют значение в физике, биологии, материаловедении, криптографии и самих исследованиях ИИ.

Более глубокие последствия носят культурный характер. Математика всегда ценила доказательство, но она также ценила вкус: способность знать, какая проблема имеет значение, какая абстракция стоит изобретения и какой результат меняет форму области. Когда поиск доказательств становится более автоматизированным, вкус может стать более важным, а не менее.

Заключение: гений переходит к задачам более высокого уровня

Ответ на предыдущий вопрос теперь яснее. Если ИИ может решить открытые математические проблемы, человеческий гений не исчезает. Он переходит к задачам более высокого уровня.

Редким навыком будет не способность в одиночку прорабатывать каждый технический шаг. Это будет способность задавать правильные вопросы, формулировать правильные абстракции, оценивать значение результатов, обнаруженных машиной, и направлять системы ИИ к проблемам, которые имеют значение.

Прорыв единичного расстояния OpenAI и результат формального поиска доказательств Google DeepMind не закрывают книгу о человеческой математической креативности. Они открывают новую главу, в которой математики могут работать с системами, которые могут исследовать местность быстрее, чем любой индивидуальный ум.

Будущее математики может не принадлежать только людям или машинам. Оно может принадлежать исследователям, которые учатся добиваться совместного мышления людей и машин.

Daniel Martin

Дэниел — большой сторонник того, как AI в конечном итоге изменит всё. Он дышит технологиями и живёт, чтобы пробовать новые гаджеты.