AI Erdős Problemlerini Çözüyor. Sonra Ne Olacak?

Sadece birkaç ay önce, soru büyük ölçüde felsefi görünüyordu: Yapay zeka açık matematik problemlerini çözebilirse, insan dehası kavramı ne olur?

Artık bu soru teorik değil. OpenAI ve Google DeepMind ile ilgili yakın tarihli iki gelişme, yapay zekanın matematiksel asistanlıktan matematiksel katılımcılığa doğru ilerlediğini gösteriyor. Matematikçileri tamamen değiştirmek anlamında değil, daha kesin ve daha önemli bir anlamda argümanlar üreterek, arama yaparak, kontrol ederek ve bazen keşfederek uzmanların incelemesinden geçebilecek argümanlar üretebiliyor.

İlk gelişme OpenAI’den geldi. OpenAI, duyurdu ki dahili genel amaçlı bir akıl yürütme modeli, Paul Erdős tarafından 1946 yılında ortaya atılan ünlü bir problem olan düzlemde birim uzaklık probleminde bir atılım gerçekleştirdi. Problem, bir düzlemde kaç çift noktanın tam olarak bir birim uzaklıkta olabileceğini soruyor. Onlarca yıl boyunca, en iyi yapıların kare ızgara benzeri yapılardan oluşacağına dair yaygın bir inanç vardı. OpenAI’nin modeli, bu inancı çürüten yeni bir yapı ailesi buldu.

İkinci gelişme, Google DeepMind araştırmacılarından geldi. Araştırmacılar, bir makale yayımladılar. Makale, “Yapay Zekâ Güdümlü Biçimsel Kanıt Aramasıyla Matematik Araştırmalarını İlerletmek” başlığını taşıyordu. AlphaProof Nexus adlı sistemleri, açık araştırma düzeyindeki problemlerde yapay zeka tarafından üretilen kanıtları değerlendirdi ve en güçlü ajanın 353 açık Erdős probleminden 9’unu bağımsız olarak çözdüğünü bildirdi. Ayrıca, Online Encyclopedia of Integer Sequences’den 492 açık varsayımın 44’ünü kanıtladı.

Bu sonuçlar birlikte bir değişimi işaret ediyor. Önemli olan hikaye, yapay zekânın aniden matematiği çözdüğü değil. Yapay zeka sistemlerinin araştırma döngüsü içinde çalışmaya başladığıdır.

Erdős Problemlerinin Yapay Zeka için Ciddi Bir Test Olmasının Nedeni

Paul Erdős, tarihin en üretken matematikçilerinden biriydi ve onun çalışmalarıyla ilgili problemler matematikte özel bir yere sahiptir. Çoğu problem kolayca ifade edilebilir, ancak çözümü zordur ve kombinatorik, sayı teorisi, graf teorisi ve ayrık geometri gibi derin alanlarla bağlantılıdır.

Bu, onları yapay zeka akıl yürütmesi için benzersiz bir şekilde yararlı bir test haline getirir. Bunlar okul egzersizleri değildir. Ayrıca, her zaman Riemann hipotezi gibi devasa, kuramları sarsan varsayımlar da değildir. Bunun yerine, birçok Erdős problemi, ilerlemenin doğru bağlantıyı, doğru yapıyı veya doğru gözden kaçan lemmayı bulmasına bağlı olan orta zeminde yer alır.

Bu, yapay zekanın özellikle yararlı olabileceği erken bir alandır. Modern akıl yürütme sistemleri sadece hesap makineleri değildir. Birçok olası kanıtlama yolunu keşfedebilir, kısmi stratejileri karşılaştırabilir, komşu alanlardan uzak fikirleri bulup getirebilir ve bir argümanın titiz bir şekilde yapılabileceğini test edebilir.

OpenAI’nin sonucu çarpıcıdır, çünkü model yalnızca bilinen bir rotayı parlatmadı. Ayrık geometri ve cebirsel sayı teorisi arasında beklenmedik bir köprü buldu. Bu, matematikçiler tarafından genellikle gerçek yaratıcılıkla ilişkilendirilen kavramsal bir sıçramadır.

OpenAI ve Birim Uzaklık Atılımı

Düzlemde birim uzaklık problemi basittir. Düzleme n nokta yerleştirin. Birim uzaklıktaki nokta çiftlerinin sayısını sayın. Hedef, bu sayının n arttıkça ne kadar büyük olabileceğini anlamaktır.

Yaklaşık 80 yıl boyunca, matematikçiler en iyi yapıların kare ızgara tabanlı yapılardan çarpıcı biçimde daha iyi olmayacağına inanıyordu. OpenAI’nin modeli, beklenen sınırı polinom düzeyinde bir iyileştirmeyle aşan sonsuz bir örnek ailesi üreterek bu varsayıma meydan okudu.

Bu, iki nedenle önemlidir. Birincisi, matematiksel resmi değiştirir. Sayı teorisindeki yapıların ayrık geometriye birçok araştırmacının varsaydığından daha fazla katkı sağlayabileceğini gösterir. İkincisi, yapay zeka resmi değiştirir. Kullanılan model, bu özel problem için inşa edilmiş bir sistem değil, genel amaçlı bir akıl yürütme modeli olarak tanımlanmıştır.

Başka bir deyişle, sistem, tanıdık olmayan bir araştırma ortamına akıl yürütme gücünü aktarmış gibi görünüyor. Sadece bilinen bir kanıtı ezberlememiş, dışarıdan matematikçiler tarafından önemli bir katkı olarak kabul edilen bir sonuç üretmiştir.

Google DeepMind ve Formal Kanıt Arama

Google DeepMind’in makalesi, eşit derecede önemli bir başka soruyu ele alıyor: Nasıl yapay zeka tarafından üretilen matematik güvenilir hale getirilebilir?

Dil modelleri, içerdiği ince hataları tespit etmesi zor olan çekici görünen argümanlar üretebilir. Normal metinde bu hatalar zor tespit edilebilir. Matematikte, bir yanlış adım tüm kanıtı geçersiz kılabilir. Bu nedenle, Lean gibi biçimsel kanıt sistemleri önemlidir. Lean, bir argümanın ikna edici olup olmadığına bakmaz. Her mantıksal adımın kontrolü gerekir.

AlphaProof Nexus, bu kısıtlamayı iş akışının bir parçası olarak kullanır. Yapay zeka ajanları, Lean’de kanıt girişimlerinde bulunurlar, derleyici geri bildirimi alırlar, yaklaşımlarını değiştirir ve aramaya devam ederler. Daha güçlü sürüm, alt ajanları koordine eder ve aramayı odaklamak için daha gelişmiş kanıt araçları kullanır.

DeepMind’in sonucu, özellikle önemlidir, çünkü yapay zeka akıl yürütmesini doğrulamaya bağlar. Sisteme, doğal dil kullanan bir sohbet botuna güvenildiği gibi güvenmek gerekmez. Kanıtı ya derlenir ya da derlenmez.

Matematik Araştırması için Ne Anlama Geliyor

Şu anki ders, matematikçilerin eskimiş olduğu değil, matematikteki tıkanıklığın değişebileceğidir.

Tarihsel olarak, bir araştırmacı neredeyse her şeyi yapmalıydı: problemi formüle etmek, literatürü araştırmak, fikirleri test etmek, kanıtı oluşturmak, her adımı kontrol etmek ve sonucu iletmek. Yapay zeka, bu emeğin dağılımını değiştirme potansiyeli taşıyor. İş akışının bazı kısımları daha hızlı, daha ucuz ve daha otomatik hale gelebilir.

• Yapay zeka, bir insan zaman ayırmadan önce birçok kanıt yolunu keşfedebilir.
• Formal sistemler, yavaş uzman kontrolleri gerektirebilecek adımları doğrulayabilir.
• Araştırmacılar, uzak matematiksel alt alanlar arasında arama yapmak için yapay zekayı kullanabilir.

Bu, yeni bir araştırma stili üretebilir. Matematikçiler, artık yapay zeka için bir cevap istemek yerine, kanıt ajanları filolarını denetleyebilir. İnsan rolü, bir hesap makinesi gibi olmaktan çıkıp daha çok bir araştırma müdürü gibi olur: doğru problemleri seçmek, sonuçları yorumlamak, kavramsal önemi tespit etmek ve hangi yolların daha derin bir dikkat gerektirdiğini belirlemek.

Limitler Hala Gerçektir

Bu gelişmelerin önemini abartmamak gerekir. Google DeepMind’in sistemi, 353 denenen Erdős probleminden 9’unu çözdü. Bu etkileyici, ancak aynı zamanda problemlerin çoğunun çözülmediğini gösterir. OpenAI’nin birim mesafe sonucu, bir kilometre taşıdır, ancak her ünlü varsayımın artık kolayca erişilebilir olduğu anlamına gelmez.

Yapay zeka sistemleri, bir problem yeni bir kavramsal çerçeve gerektirirse, ilgili matematik kötü bir şekilde formalize edilmişse veya bir kanıt, aranabilir adımlara kolayca bölünemeyen uzun zincirlerdeki içgörülere bağlıysa hala mücadele ediyor. Formal kanıt kitaplıkları da düzensiz. Lean kapsamı olgun olan alanlar, AlphaProof Nexus gibi yapay zeka ajanlarına, temel materyali hala kodlanması gereken alanlardan daha erişilebilirdir.

• Sistemler, hala insan problem seçimi ve yorumuna bağımlıdır.
• Formalizasyon, tanımlar belirsiz veya yeterince geliştirilmemiş olduğunda zor olabilir.
• Yapay zeka tarafından üretilen kanıt girişimleri, kanıtlanmamış yardımcı iddialar içinde zorlu işleri hala gizleyebilir.

Bu limitler, başarısızlıklar değildir. Bir sonraki ilerlemenin nerede olması gerektiğini açıklar. Daha güçlü teorem kanıtlama ajanları, daha zengin formal kitaplıklar, daha güçlü doğrulama iş akışları ve daha etkili insan-yapay zeka arayüzleri önemli olacaktır.

Yapay Zeka Erdős Problemlerini Çözdükten Sonra Ne Olur?

En olası yakın gelecek, yapay zekanın tüm matematiği çözdüğü bir an değil, temiz problem ifadeleri, güçlü formal kitaplıklar ve büyük parçalı önceki çalışmalar içeren alanlara yapay zeka destekli araştırmanın sürekli genişlemesidir.

Kombinatorik, graf teorisi, sayı teorisi, optimizasyon ve ayrık geometri, doğal erken hedeflerdir. Bu alanlar, sorunun kısa olduğu, ancak çözümün uzak alanlardan fikirleri bir araya getirmeye bağlı olduğu problemler içerir. Yapay zeka, bu tür bir aramaya uygundur.

Zamanla aynı örüntü matematiğin ötesine geçebilir. Bir model zor bir argümanın bütünlüğünü koruyabiliyor, ara iddiaları sınayabiliyor ve farklı alanlardaki fikirleri birleştirebiliyorsa, bu beceriler fizik, biyoloji, malzeme bilimi, kriptografi ve yapay zekâ araştırmasının kendisi için de önem taşır.

Daha derindeki sonuç kültüreldir. Matematik, kanıtı her zaman değerlendirmiştir, ancak aynı zamanda matematiksel sezgi ve beğeniyi de önemsemiştir: Hangi sorunun önemli olduğunu, hangi soyutlamayı geliştirmenin değerli olduğunu ve hangi sonucun bir alanın şeklini değiştirdiğini bilmek. Kanıt araması otomatik hale geldikçe, bu beğeni daha az değil, daha önemli hale gelebilir.

Sonuç: Deha Daha Üst Düzey Görevlere Geçer

Önceki soruya verilen cevap şimdi daha nettir. Yapay zeka açık matematik problemlerini çözebilirse, insan dehası ortadan kaybolmaz. Daha üst düzey görevlere geçer.

Nadir beceri, her teknik adımı tek başına tamamlamak olmayacak. Doğru soruları sormak, doğru soyutlamaları çerçevelendirmek, makine tarafından keşfedilen sonuçların anlamını değerlendirmek ve yapay zeka sistemlerini önemli problemlere yöneltmek olacak.

OpenAI’nin birim uzaklık atılımı ve Google DeepMind’in formal kanıt arama sonuçları, insan matematiksel yaratıcılığını kapatmıyor. Yeni bir bölüm açıyor, matematikçiler, bireysel bir zihinden daha hızlı keşfedebilen sistemlerle çalışabileceği bir bölüm.

Matematiğin geleceği, sadece insanlara veya makinelere ait olmayabilir. İnsanlarla makinelerin birlikte düşünmesini sağlamayı öğrenen araştırmacılara ait olabilir.