Matematyk z Vanderbilt: AI tylko dokańcza cudze pomysły. Pięć powodów, by nie wpadać w panikę

OpenAI opublikowało ponad 300 rozwiązanych problemów matematycznych naraz i wywołało w środowisku akademickim falę przygnębienia. Kilka tygodni wcześniej firma twierdziła też, że rozwiązała problem Naviera-Stokesa, jeden z siedmiu problemów milenijnych. Opis tego rozwiązania jest na stronie OpenAI. W tym tygodniu doszedł kolejny cios: OpenAI ogłosiło, że jego modele obaliły hipotezę czasu wykładniczego (ETH), czyli założenie, na którym opiera się spora część teorii złożoności. Preprint jest publiczny.

Według The Information Anthropic twierdzi, że jego własne modele niezależnie doszły do tego samego wyniku w tym samym dniu. Miały na to zużyć 14 mln tokenów. Obie firmy pracowały też mniej więcej w tym samym czasie nad Navierem-Stokesem.

W tym zgiełku wyróżnia się głos Dana Margalita, który kieruje katedrą matematyki na Vanderbilt University. W rozmowie opisanej przez Axios wskazuje on pięć powodów, dla których matematycy nie muszą się poddawać rozpaczy. Ich wspólny mianownik: AI jest narzędziem do domykania ludzkich pomysłów, a nie ich źródłem.

Dokańczanie, nie wynajdywanie

Pierwszy argument dotyczy tego, które problemy w ogóle udało się rozwiązać. „Rozwiązane zostały te problemy, do których ludzie byli najbliżej” – mówi Margalit. Na tysiącach innych zadań, w których literatura nie wskazywała drogi, AI poniosła porażkę. Według niego maszyna wchodzi więc tam, gdzie ludzie już prawie dotarli.

Drugi argument to błędy. Margalit twierdzi, że gdy matematycy czytają opublikowane dowody, część prac grozi wycofaniem, bo AI popełniła te same błędy logiczne co ludzie. Nie wiadomo, ile prac dokładnie to dotyczy. OpenAI podało, że tylko część jego wyników została sformalizowana, więc pełna weryfikacja wciąż przed środowiskiem.

Szachy, kalkulator i zrozumienie

Trzeci punkt to metoda. Margalit opisuje, że OpenAI uruchomiło dziesiątki tysięcy agentów, którzy bez wytchnienia zestawiali znane twierdzenia w milionach konfiguracji. „To niesamowite, ale jak w szachach: chodzi o sprawdzenie wszystkich możliwości, żeby dojść stąd, gdzie jesteśmy, tam, dokąd chcemy dotrzeć” – mówi. Zauważa też, że AI nie zadaje ciekawych pytań.

Czwarty argument to analogia do kalkulatora. Dawniej matematycy pisali całe tomy z całkami, aż oprogramowanie zautomatyzowało ten proces. Matematyka na tym nie umarła, a ludzie mogli zająć się trudniejszymi zagadnieniami. „Kiedy całka pojawia się w zaawansowanym problemie, nie poświęcam jej już swoich badań” – mówi Margalit. AI ma być kolejnym takim akceleratorem.

Piąty argument jest najbardziej filozoficzny. Margalit przypomina, że greckie „mathematika” oznacza „naukę uczenia się”. Powołuje się na Billa Thurstona, autora głośnego eseju z 1994 roku, który ostatnio odżył w dyskusjach. Komputer może wypisać 10 tys. liczb pierwszych, ale nie powie, dlaczego istnieją ani jakie tworzą wzorce. „Jeśli komputer podaje mi odpowiedź, nie daje mi to wglądu ani satysfakcji. Matematyka to ludzkie dążenie do rozumienia” – mówi Margalit.

Jego puenta jest taka: ludzie przestali przejmować się tym, że maszyny są w szachach nie do pokonania, a potrzeba rozumienia pozostanie, nawet jeśli AI będzie ten proces wspierać.

Pytanie, czy maszyna odbiera matematyce sens, wraca zresztą w naszych tekstach. W sierpniu pisaliśmy o maszynowych dowodach i ludzkim kryzysie, a w maju o prognozie Terence’a Tao, który mówił o końcu ery samotnych geniuszy.