AlphaProof Nexus kontra zagadki Erdősa. Google DeepMind przesuwa granice formalnej matematyki

Dziewięć rozwiązanych problemów Erdősa, w tym jeden, który opierał się ludzkiemu intelektowi przez 56 lat. To nie jest kolejny efektowny pokaz możliwości generatywnych AI, ale twardy dowód na to, że systemy oparte na logice symbolicznej zaczynają radzić sobie z nauką tam, gdzie same modele językowe zawodzą. Google DeepMind udostępnił właśnie wyniki prac nad systemem AlphaProof Nexus, pokazując, że era „halucynujących” asystentów ustępuje miejsca narzędziom zdolnym do autonomicznej weryfikacji własnego rozumowania.

Przełom ten następuje w momencie, gdy branża technologiczna desperacko szuka sposobu na wyeliminowanie błędów logicznych w AI, a naukowcy domagają się odporności na zmyślone fakty. AlphaProof Nexus to pierwszy system na taką skalę, który łączy kreatywność Gemini 3.1 Pro z rygorem języka programowania Lean 4. Pozwala to na pełną, mechaniczną kontrolę każdego kroku dowodowego, co ma kluczowe znaczenie nie tylko dla matematyki, ale i dla bezpieczeństwa oprogramowania czy gospodarki opartej na wiedzy.

Pętla logiki i formalna weryfikacja

Kluczem do sukcesu AlphaProof Nexus nie jest czysta intuicja lingwistyczna, lecz integracja modelu z kompilatorem Lean. System tworzy kroki dowodowe, które są natychmiast sprawdzane pod kątem poprawności. Mechanizm ten domyka pętlę zwrotną: komunikaty o błędach trafiają bezpośrednio do modelu, pozwalając mu korygować logiczne luki w czasie rzeczywistym. Dzięki temu AI zyskuje oparcie w symbolicznej logice. To ewolucja linii badawczej z 2024 roku, kiedy to system AlphaProof zdobył srebrny medal na Międzynarodowej Olimpiadzie Matematycznej.

9 problemów i 50 lat oczekiwania

Najnowsze wyniki opublikowane w serwisie GitHub robią wrażenie liczbami. AlphaProof Nexus rozwiązał 9 z 353 otwartych problemów Erdősa oraz 44 z 492 hipotez z internetowej encyklopedii ciągów liczb całkowitych (OEIS). Analitycy technologiczni, tacy jak @kimmonismus, podkreślają, że „niektóre z tych zadań pozostawały nierozwiązane przez 56 lat, a koszt ich rozpracowania to zaledwie kilkaset dolarów na problem”. To radykalna zmiana ekonomii badań podstawowych.

Wsparcie dla matematyków, nie zastępstwo

Mimo spektakularnych sukcesów, AlphaProof Nexus wciąż odbija się od ściany przy większości zagadek. Skuteczność na poziomie 2,5% dla zadań Erdősa potwierdza, że system najlepiej radzi sobie tam, gdzie biblioteki matematyczne (Mathlib) są już dojrzałe. System nie zastępuje naukowców, ale staje się ich asystentem. Nawet błędy generowane przez AI pomagają badaczom zrozumieć strukturę problemu i wskazać miejsca, w których dotychczasowa literatura była wadliwa.

Dziś technologia ta znajduje zastosowanie w optyce kwantowej i teorii grafów. Choć do stworzenia „automatycznego matematyka” droga jest daleka, Nexus udowadnia, że przyszłość dyscypliny leży w hybrydzie ludzkiej kreatywności i bezlitosnej, maszynowej rygorystyczności.