เมื่อ AI แก้ปัญหาเลขคณิตที่เปิดอยู่ สิ่งที่เหลืออยู่สำหรับคนฉลาดคืออะไร?

คณิตศาสตร์ได้รับการปฏิบัติเป็นมาตรฐานที่บริสุทธิ์ที่สุดของความฉลาด มันไม่ขึ้นอยู่กับอุปกรณ์ห้องปฏิบัติการ เสียงรบกวน หรือเครื่องมือวัด การพิสูจน์เป็นจริงหรือไม่จริง นั่นคือความชัดเจนที่ทำให้ปัญหาที่ยังไม่ได้รับการแก้ไขซึ่งเป็นข้อสันนิษฐานที่ต้านทานเทคนิคที่ทราบทั้งหมดกลายเป็นเหมือนจุดสูงสุดของการปีนเขาแห่งความฉลาด

ประวัติมักจะเล่าเรื่องเดียวกัน: คำถามหนึ่งลอยอยู่ในอากาศเป็นเวลาหลายทศวรรษหรือหลายศตวรรษจนกว่าจิตใจที่หายากจะมาถึง – คนที่มีส่วนผสมที่ไม่寻常ของความอดทน ความคิดสร้างสรรค์ และอำนาจทางเทคนิคที่จะเห็นเส้นทางที่ไม่มีใครเห็น เราเฉลิมฉลอง “นักคิดเดี่ยว” เพราะในคณิตศาสตร์ นั้นมักจะเป็นเรื่องราวที่เหมาะสม

แต่ลักษณะใหม่เริ่มปรากฏขึ้น ในช่วงปลายปี 2025 และต้นปี 2026 การอภิปรายออนไลน์เกี่ยวกับปัญหา Erdős (ชุดปัญหาเปิดที่รวบรวมโดย Paul Erdős) แสดงให้เห็นว่าหลักฐานที่ได้รับการช่วยเหลือจาก AI อาจได้รับการแก้ไขหลายรายการในระยะเวลาที่ไม่คาดคิด บางส่วนของการวาดภาพหลักฐานเหล่านี้ได้รับการตรวจสอบโดยนักคณิตศาสตร์ hàng đầu รวมถึง Terence Tao ซึ่งได้พูด公开เกี่ยวกับบทบาทที่เพิ่มขึ้นของ AI ในฐานะผู้ร่วมงานทางคณิตศาสตร์ อย่างไรก็ตาม สิ่งสำคัญที่สุดคือการยอมรับว่า คณิตศาสตร์ไม่ได้ขึ้นอยู่กับหัวข้อข่าว การยอมรับอย่างกว้างขวางมักต้องการเวลา – การตรวจสอบอิสระ การเขียนอย่างระมัดระวัง และบางครั้งการสร้างแบบฟอร์มในระบบการตรวจสอบหลักฐาน

แม้ว่าจะมีการเตือน แต่จุดสำคัญยังคงอยู่: โลกได้รับการมองเห็นครั้งแรกเกี่ยวกับสิ่งที่เกิดขึ้นเมื่อ AI ไม่ได้เพียงแค่คำนวณ สรุป หรือจับคู่รูปแบบ แต่เข้าร่วมในการกระทำของการให้เหตุผล หาก AI สามารถช่วยแก้ปัญหาได้อย่างน่าเชื่อถือที่มนุษย์ต้องต่อสู้กันมาหลายชั่วรุ่น มันจะบังคับให้เกิดคำถามที่ลึกซึ้งยิ่งขึ้น:
สิ่งที่คนฉลาดจะทำต่อไปเมื่อเครื่องสามารถไปถึงจุดสูงสุดได้ก่อน?

กลไกของ “การให้เหตุผลซิลิคอน”

เพื่อเข้าใจว่าทำไมจึงรู้สึกแตกต่าง มันช่วยให้แยกสองรุ่นของ AI ที่คนมักจะ混淆กัน

รุ่นก่อนๆ ของโมเดลภาษาได้รับการอธิบาย (อย่างยุติธรรม) ว่าเป็นระบบที่คาดการณ์คำที่น่าจะเป็นถัดไป มันสามารถดูเหมือนน่าประทับใจ แต่ก็ยังเสี่ยงต่อ “ความเชื่อมั่นในเรื่องไร้สาระ” เพราะมันมีความสามารถที่จำกัดในการชะลอการทำงาน ตรวจสอบความคิด หรือแก้ไขตนเอง

ระบบใหม่ๆ มากขึ้นเรื่อยๆ อาศัยแนวทางที่แตกต่าง: การให้เหตุผลในขณะทดสอบ (บางครั้งอภิปรายเป็น “การคำนวณในขณะทดสอบ”) แทนที่จะผลิตคำตอบทันที โมเดลสามารถใช้เวลามากขึ้นในการแก้ปัญหาหนึ่งๆ – สร้างแนวทางที่เป็นไปได้ ตรวจสอบว่าขั้นตอนต่างๆ ตามหลักตรรกะหรือไม่ ถอยหลังเมื่อถูกขัดแย้ง และสำรวจเส้นทางที่แตกต่าง ในแง่ของมนุษย์ มันคล้ายกับสิ่งที่นักคณิตศาสตร์ทำที่กระดานขาว: ลองบางสิ่ง หักล้างมัน แก้ไขมัน และทำซ้ำ

สิ่งนี้มีความสำคัญในคณิตศาสตร์เพราะความก้าวหน้าไม่เคยเป็นเส้นทางตรง ความคิดที่มีแนวโน้มมากที่สุดมักจะล้มเหลว ความสามารถในการถอยหลัง – โดยไม่มีเรื่องของความภาคภูมิใจ ความเหนื่อยล้า หรือความท้อแท้ – สามารถเปลี่ยนการค้นหาที่เป็นไปไม่ได้ให้เป็นไปได้

ระบบ AI สมัยใหม่มีการพัฒนามากกว่าการคำนวณเพียงอย่างเดียว โดยให้ความสามารถที่เป็นประโยชน์ 4 ประการซึ่งทำให้พวกมันรู้สึกน้อยกว่าเครื่องคิดเลขและมากกว่าผู้ร่วมงาน มันเชี่ยวชาญในการสังเคราะห์ขนาดใหญ่ โดยเชื่อมโยงความคิดทั่วห้วนของวรรณกรรมและแขนงย่อยที่มีเลมมาที่สำคัญที่ไม่ค่อยอ้างอิง มันทำให้สามารถทำซ้ำได้อย่างรวดเร็ว โดยทดสอบเส้นทางการให้เหตุผลหลายเส้นทางอย่างรวดเร็วและทิ้งจุดตายไว้ขณะรักษาโครงสร้างย่อยที่มีแนวโน้ม นอกจากนี้ เครื่องจักรเหล่านี้บางครั้งเสนอแนวทางที่ไม่ธรรมดา – การก่อสร้างระหว่างที่รู้สึกแปลกกับ直觉ของมนุษย์แต่ยังคงตรรกะ นอกจากนี้ยังผลิตผลลัพธ์ที่เป็นมิตรกับการยืนยันซึ่งสามารถแปลเป็นช่วยเหลือการให้เหตุผลอย่างเป็นทางการ เช่น Lean หรือ Coq โดยให้ชุมชนเส้นทางที่มั่นใจมากขึ้น

สิ่งสำคัญคือสิ่งนี้ไม่ได้หมายความว่า AI “เข้าใจ” คณิตศาสตร์เหมือนมนุษย์ มันหมายถึงสิ่งที่เฉพาะเจาะจงมากขึ้น: ภายใต้ข้อจำกัดที่เหมาะสม มันสามารถสร้างโซ่การให้เหตุผลที่ยืนหยัดภายใต้การตรวจสอบ ในคณิตศาสตร์ นั่นคือสิ่งที่สำคัญ

เหตุใดปัญหา Erdős-Style จึงมีเหตุผลที่จะเป็นเป้าหมายแรก

ไม่ใช่ทุกด้านหน้าของคณิตศาสตร์ที่มีความเสี่ยงต่อการเร่งความเร็วของ AI เท่าๆ กัน บางปัญหาเรียกร้องทฤษฎีใหม่ การกำหนดใหม่ หรือการกระโดดแนวคิดที่ลึกซึ้งซึ่งไม่มีจุดยึดในวรรณกรรมที่มีอยู่ แต่ปัญหาบางอย่าง – โดยเฉพาะอย่างยิ่งในด้านคณิตศาสตร์เชิงผสม คณิตศาสตร์จำนวน และคณิตศาสตร์แบบไม่ต่อเนื่อง – มักจะมีรูปร่างที่แตกต่าง:

• คำชี้แจงเป็นเรื่องง่ายพอที่จะอธิบายให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญ
• เครื่องมือที่ทราบมีมากมาย กระจายอยู่ทั่วกระดาษและง่ายต่อการพลาด
• ความก้าวหน้ามักมาจากการรวมผลลัพธ์ที่มีอยู่ในลักษณะที่ชาญฉลาด

ปัญหา Erdős มักจะเข้ากับรูปแบบนี้ มันขึ้นชื่อในเรื่องของการอธิบายที่ง่ายและยากที่จะแก้ และมันอยู่ในโดเมนที่การให้เหตุผลอาจเกี่ยวข้องกับการผสมผสานเทคนิค: วิธีการทางความน่าจะเป็น คณิตศาสตร์เชิงผสมสุดขั้ว ทฤษฎีเชิงอิร์โกดิก การวิเคราะห์ฮาร์มอนิก และอื่นๆ

สิ่งนี้ทำให้พวกมันใช้ประโยชน์เป็น “การทดสอบความดัน” สำหรับ AI หากระบบสามารถเสนอแนวทางที่น่าเชื่อถือสำหรับปัญหาที่ต้านทานความพยายามของมนุษย์โดยทั่วไป นั่นเป็นสิ่งที่มีความหมาย – แม้ว่ามันจะพบว่าความคิดหลักนั้นเป็นเรื่องซ่อนอยู่ในงานเก่าหรือว่าการพิสูจน์ต้องการการขัดเกลาเพื่อให้กลายเป็นแบบฉบับ

ในอีกคำหนึ่ง: เรื่องราวไม่ใช่ “AI แทนนักคณิตศาสตร์” เรื่องราวคือ AI อาจลดระยะห่างระหว่าง “ผลลัพธ์ที่มีอยู่ที่ไหนสักแห่ง” และ “ชุมชนสามารถมองเห็นได้จริง”

เมื่อ AI ค้นพบสิ่งที่มนุษย์ลืม

หนึ่งในรูปแบบที่น่าสนใจที่สุดในวิทยาศาสตร์สมัยใหม่ไม่ใช่ว่ามนุษย์ขาดความรู้ แต่ว่าเราต่อสู้กับการ ดึง ความรู้

คณิตศาสตร์เป็นเรื่องที่ใหญ่มาก ผลลัพธ์กระจายอยู่ทั่วทศวรรษของวารสาร บันทึกการทำงาน และแขนงย่อยที่มีภาษาและข้อกำหนดของตนเอง แม้ว่านักคณิตศาสตร์ที่ดีจะพลาดทฤษฎีหนึ่งที่ “ชัดเจน” ภายในโดเมนย่อย นั้น เมื่อเวลาผ่านไป โซ่การให้เหตุผลสามารถถูกฝัง – ไม่ใช่เพราะมันผิด แต่เพราะความสนใจเปลี่ยนไปที่อื่น

AI เปลี่ยนแปลงพลวัตนี้โดยการเต็มใจที่จะค้นหามุมที่น่าเบื่อที่มนุษย์ไม่ค่อยมองเพราะพวกเขาถูกดึงดูดไปยังพื้นที่ที่น่าสนใจ AI ยังช่วยเชื่อมต่อภาษา ระหว่างภาษาของแขนงย่อยที่แตกต่างกันและจัดแนวความคิดที่มนุษย์แบ่งแยก

สิ่งนี้คือที่ที่หลายคนเห็นคำมั่นสัญญาที่ลึกที่สุด แม้ว่า AI ไม่ได้คิดค้นคณิตศาสตร์ใหม่จากศูนย์ มันสามารถทำงานเหมือน “นักขุดค้นความรู้” ที่มีพลังมาก โดยนำโครงสร้างที่ถูกมองข้ามกลับมาที่มองเห็นและรวมเข้าด้วยกันในลักษณะที่รู้สึกใหม่

การเปลี่ยนแปลง “คณิตศาสตร์ใหญ่”: จากผู้เขียนพิสูจน์เป็นผู้กำกับ

หาก AI ดำเนินต่อไป การเปลี่ยนแปลงที่ใหญ่ที่สุดอาจไม่ใช่ว่าเครื่องจักรจะแก้สมการได้มากขึ้น มันอาจเป็นว่าบทบาทของนักคณิตศาสตร์มนุษย์เปลี่ยนแปลงไป

เป็นเวลานานที่การทำคณิตศาสตร์หมายถึงการเสียเวลามากในการพิสูจน์เอง – ค้นหาทาง ตรวจสอบทุกขั้นตอน และเขียนมันในลักษณะที่ผู้เชี่ยวชาญอื่นสามารถตรวจสอบได้ การทำงานนี้เป็นส่วนหนึ่งของงานฝีมือ แต่มันก็เป็นปัญหาด้วย มีความคิดที่มีแนวโน้มมากที่สุดหลายอย่างที่ตายไปเพียงเพราะเวลาในการดำเนินการและทำให้เสร็จสิ้นของมนุษย์มีค่าใช้จ่ายสูงเกินไป

ในโลกที่เร่งความเร็วของ AI การพิสูจน์กลายเป็นสิ่งที่ไม่ค่อยมี นั่นไม่ได้ทำให้คณิตศาสตร์กลายเป็นเรื่องง่าย มันเปลี่ยนไปที่ที่ทำงานหนักอาศัยอยู่

นักคณิตศาสตร์เป็นนักทำแผนที่ ไม่ใช่เครื่องคิดเลข

หากการพิสูจน์ไม่ใช่ปัญหาอีกต่อไป “ความฉลาด” จะเปลี่ยนไปสู่งานระดับสูง การเลือกคำถามที่มีค่าที่จะแก้ไขกลายเป็นความรับผิดชอบหลักของมนุษย์ เช่นเดียวกับการออกแบบการสร้างแบบใหม่ๆ เช่น อินวาเรียนต์ และคำจำกัดความที่เชื่อมโยงสนาม นอกจากนี้ จิตใจที่ยิ่งใหญ่จะเน้นไปที่การสร้างโปรแกรมการวิจัยโดยการทำแผนที่ภูมิประเทศของการคาดเดา และจัดระเบียบการค้นพบ ในขณะเดียวกันก็แปลผลลัพธ์ทางนามธรรมให้เป็นเครื่องมือที่ใช้งานได้สำหรับสาขาอื่นๆ
ลองนึกถึงการเปลี่ยนแปลงในหมากรุกหลังจากที่คอมพิวเตอร์เอาชนะเราได้ การเล่นหมากรุกของมนุษย์ไม่ได้สิ้นสุดลงเมื่อเครื่องจักรเอาชนะเราได้ แต่การเล่นระดับสูงของมนุษย์ก็พัฒนาไปสู่การถามคำถามที่ดีกว่าของเครื่องจักร การตีความคำแนะนำของมัน และพัฒนากลยุทธ์ที่รวมทั้ง直觉และคำนวณ

คณิตศาสตร์อาจผ่านการเปลี่ยนแปลงที่คล้ายกัน – ยกเว้นว่าเดิมพันจะกว้างกว่า เครื่องมือทางคณิตศาสตร์ใหม่สามารถเปลี่ยนแปลงการเข้ารหัสลับ การเพิ่มประสิทธิภาพ การเรียนรู้ของเครื่อง การฟิสิกส์ และเศรษฐศาสตร์ หาก AI ลดต้นทุนของการค้นพบ ผลกระทบที่ตามมาอาจมีขนาดใหญ่มาก

สิ่งนี้คือ “การคิดอิสระ” หรือแค่การค้นหาที่รวดเร็วมาก?

ผู้วิพากษ์วิจารณ์ที่สมเหตุสมผลอาจพูดได้ว่า: สิ่งนี้ไม่ใช่ความฉลาด มันเป็นเพียงการบังคับให้ทำงานให้มาก ให้เครื่องจักรมีการคำนวณมากพอที่จะพบสิ่งที่ใช้ได้

มีจุดที่แท้จริงที่นี่ AI นำการปรับขนาดมาให้ มันสามารถลองเส้นทางหลายเส้นทางได้ แต่กรณีที่น่าสนใจที่สุดไม่ใช่การเดินหน้าโดยการสุ่ม – มันเกี่ยวข้องกับการสังเคราะห์ที่มีโครงสร้าง: การเชื่อมต่อแนวคิด การใช้เลมมาใหม่ในบริบทที่ไม่คุ้นเคย และการประกอบโซ่การให้เหตุผลที่มีความสอดคล้องพอที่จะทำให้ผู้เชี่ยวชาญตรวจสอบได้

ในทางปฏิบัติ เส้นแบ่งระหว่าง “การค้นหา” และ “การคิด” กลายเป็นเรื่องที่คลุมเครือ นักคณิตศาสตร์มนุษย์ก็ค้นหาเช่นกัน – ผ่านความคิด ผ่านการเปรียบเทียบ ผ่านผลลัพธ์ที่ไม่สมบูรณ์ สิ่งที่สำคัญคือกระบวนการนั้นสร้างความจริงใหม่ที่ตรวจสอบได้อย่างต่อเนื่อง

หาก AI กลายเป็นไปได้อย่างต่อเนื่องในการทำเช่นนั้น แล้วป้ายกำกับจะสำคัญน้อยกว่าผลลัพธ์ ด้านหน้าจะเปลี่ยนแปลงไปไม่ว่าจะด้วยวิธีใด

ด้านหน้าใดที่จะล้มลงต่อไป?

หาก AI ยังคงปรับปรุงต่อไป เราควรคาดหวังรูปแบบ: ปัญหาที่ล้มลงก่อนมักจะเป็นปัญหาที่ความรู้มีอยู่แล้วแต่กระจัดกระจาย ที่เทคนิคที่มีอยู่สามารถรวมกันใหม่ได้ และที่การยืนยันอย่างเป็นทางการสามารถเพิ่มความมั่นใจได้อย่างรวดเร็ว

เป้าหมายที่น่าจะเป็นไปได้ในระยะเวลาอันใกล้ ได้แก่:

• คณิตศาสตร์เชิงผสมสุดขั้วและทฤษฎีกราฟ: ชุดเครื่องมือที่มีประสิทธิภาพ มีเลมมาหลายอย่างที่ทราบ และมีปัญหาหลายอย่างที่กำหนดไว้ในรูปของดิสครีตที่สะอาด
• ทฤษฎีจำนวนเชิงบวก: พื้นที่อุดมสมบูรณ์สำหรับการพิสูจน์ข้ามเทคนิคและข้อโต้แย้งที่ “เชื่อมต่อ” สนามต่างๆ
• การเพิ่มประสิทธิภาพและคำถามที่เกี่ยวข้องกับความซับซ้อน: ไม่ใช่ผลลัพธ์ที่ลึกที่สุด “P เทียบกับ NP” ในตอนแรก แต่ผลลัพธ์ทางโครงสร้างเล็กๆ น้อยๆ รอบๆ อัลกอริทึมและขอบเขต
• โดเมนย่อยที่สามารถสร้างแบบฟอร์มได้: พื้นที่ที่ถูกเข้ารหัสบางส่วนในโปรแกรมการให้เหตุผล โดยที่ AI สามารถเร่งการแปลจากความคิดเป็นทฤษฎีที่ตรวจสอบได้

ปัญหาใหญ่และ著名 – เช่น ปัญหา Millennium Prize – อาจยังคงต้องการการประดิษฐ์แนวคิดที่ลึกซึ้ง แต่แม้กระทั่ง那里 AI ก็สามารถกัดกร่อนพื้นที่โดยรอบ: การพิสูจน์เลมมา ตรวจสอบกรณีพิเศษ และสร้างโครงสร้างที่ทำให้การกระโดดสุดท้ายของมนุษย์ (หรือไฮบริด) มีความน่าจะเป็นมากขึ้น

การเปลี่ยนมุมมองเชิงปรัชญา: การกลับมาของคนถามคำถาม

เมื่อเราใช้เครื่องจักรแก้ปัญหาเชิงกลไก เราถูกบังคับให้เผชิญหน้ากับความเป็นจริงที่มีอยู่ตั้งแต่เริ่มก่อตั้งวิชานี้: คณิตศาสตร์เป็นและเป็นเสมอส่วนหนึ่งของปรัชญา ในประวัติศาสตร์ จิตใจที่มีคุณค่าที่สุดของมนุษยชาติคือผู้ที่สามารถต่อสู้กับคำถามที่มีความหมายที่สุดของชีวิต การศึกษาของกรีกไม่ได้แยกการศึกษาตัวเลขออกจากการศึกษาการดำรงอยู่ สำหรับพวกเขา “ความไม่สมเหตุสมผล” ของตัวเลขเป็นภาวะวิกฤตของจิตวิญญาณเช่นเดียวกับวิกฤติของตรรกะ

ในยุคสมัยใหม่ เราเปลี่ยนการประเมินความฉลาดของมนุษย์ไปสู่การคำนวณที่ดีที่สุด – จิตใจที่สามารถทำงานได้ด้วยความแม่นยำสูง เราเทียบความฉลาดกับการทำงานเป็นเครื่องคิดเลขทางชีวภาพ แต่เมื่อ AI เริ่มไปถึงจุดสูงสุดของการพิสูจน์ก่อน สิ่งกีดขวางทางเทคนิคจะหายไป สิ่งนี้ไม่ได้ลดทอนความฉลาดของมนุษย์ มันบังคับให้มัน “เลื่อนขึ้น”

จิตใจที่มีคุณค่าที่สุดในอนาคตจะไม่ใช่ผู้ที่สามารถดำเนินการตามกระบวนการที่ทราบด้วยความเร็วสูง แต่จะเป็นนักปรัชญาที่สามารถกำหนดสิ่งที่ควรค้นพบในตอนแรก เมื่อ “วิธีการ” กลายเป็นสินค้าที่มีให้จากซิลิคอน “เหตุผล” กลายเป็นความขาดที่เหลืออยู่ เรากำลังจะกลับไปสู่ยุคของ Polymath โดยที่ทักษะที่เหนือกว่าคือการวางคำถามที่เปลี่ยนแปลงชีวิต – คิดถึงแนวหน้าใหม่ของความหมาย เช่นเดียวกับการเปลี่ยนจาก铲ไปเป็นเครื่องขุด เราไม่ได้รับการประเมินจากความสามารถในการขุดด้วยมือของเรา แต่จากความมุ่งมั่นในการตัดสินใจว่าจะขุดที่ไหน

สรุป: อนาคตที่ความฉลาดเลื่อนขึ้น

หาก AI สามารถช่วยแก้ปัญหาได้ที่เคยต้องการความฉลาดที่หายาก มันไม่ได้หมายความว่าเราจะหมดคณิตศาสตร์ มันหมายความว่าเราจะเปลี่ยนวิธีการทำมัน

ในโลกที่การพิสูจน์กลายเป็นเรื่องราคาถูก ทรัพยากรที่หายากกลายเป็นสิ่งอื่น: คำถามที่ดี การสร้างแบบใหม่ และความสามารถในการตีความสิ่งที่คณิตศาสตร์หมายถึง

ความฉลาดที่ “ไม่เหมือนใคร” ในอนาคตอาจดูไม่เหมือนคนเดียวที่ใช้เวลาทศวรรษในการพิสูจน์ แต่เหมือนกับคนทำแผนที่ความคิด – คนที่สามารถมองเห็นว่าภูเขาอะไรมีค่าในการปีน และวิธีการประสานการเดินทางรูปแบบใหม่ๆ ที่มนุษย์และเครื่องจักรปีนขึ้นไปด้วยกัน