OpenAI: Μετά τον προγραμματισμό, η AI διεκδικεί και τα μαθηματικά

Η δημοσίευση 722 μαθηματικών χειρογράφων φέρνει στο προσκήνιο ένα σημαντικό ερώτημα σχετικά με τις δυνατότητες της τεχνητής νοημοσύνης: η ικανότητα να αποδεικνύει ένα μαθηματικό θεώρημα δεν σημαίνει απαραίτητα ότι μπορεί να κατανοήσει και τη βαθύτερη σημασία του.

Η τεχνητή νοημοσύνη μπορεί πλέον να γράφει κώδικα, να επιλύει σύνθετα προβλήματα και να αναλαμβάνει εργασίες που μέχρι πρόσφατα απαιτούσαν εξειδικευμένους επαγγελματίες. Τώρα επιχειρεί κάτι ακόμη πιο φιλόδοξο: να συμμετάσχει στην παραγωγή νέας επιστημονικής γνώσης. Όμως, καθώς η OpenAI παρουσιάζει εκατοντάδες μαθηματικές αποδείξεις, ένα ερώτημα αποκτά ιδιαίτερη σημασία. Αρκεί να μπορεί μια μηχανή να αποδείξει κάτι ή πρέπει να μπορεί και να αναγνωρίσει γιατί αξίζει να αποδειχθεί;

Η OpenAI δημοσιοποίησε την Τρίτη 722 μαθηματικά χειρόγραφα, οργανωμένα σε 372 ομάδες ευρημάτων, τα οποία δημιουργήθηκαν με τη βοήθεια ενός ισχυρού μοντέλου που δεν έχει ακόμη κυκλοφορήσει. Το υλικό αφορά μακροχρόνια μαθηματικά προβλήματα και έχει τεθεί στη διάθεση της επιστημονικής κοινότητας για εξέταση, αξιολόγηση και περαιτέρω έρευνα.

Η ανακοίνωση προκάλεσε ενθουσιασμό, αλλά και έντονη αμφισβήτηση. Και αυτό γιατί, πέρα από την ορθότητα των αποδείξεων, τίθενται ερωτήματα για την πρωτοτυπία τους, τη σχέση τους με προηγούμενη ανθρώπινη εργασία και, τελικά, την επιστημονική τους αξία.

Εκατοντάδες αποδείξεις, αλλά πόσες ανακαλύψεις;

Η υποδοχή των αποτελεσμάτων αποτυπώνει το χάσμα ανάμεσα στις δυνατότητες που φαίνεται να αποκτά η AI και στην πραγματική σημασία αυτών των δυνατοτήτων.

Μαθηματικός του Πανεπιστημίου Rutgers υποστήριξε ότι ένα αποτέλεσμα που συνδέεται με την περίφημη υπόθεση Riemann θα άξιζε αυτομάτως το μετάλλιο Fields, μία από τις κορυφαίες διακρίσεις των μαθηματικών, εάν είχε προκύψει από ανθρώπινη εργασία.

Άλλοι επιστήμονες, ωστόσο, αντιμετώπισαν τις ανακοινώσεις με μεγαλύτερη επιφύλαξη. Αμφισβήτησαν κατά πόσο πρόκειται για πραγματικά πρωτότυπα αποτελέσματα ή για συνδυασμούς και επεκτάσεις προηγούμενων ανθρώπινων εργασιών. Παρόμοια ερωτήματα είχαν διατυπωθεί και τον προηγούμενο μήνα, όταν η OpenAI παρουσίασε μια προτεινόμενη λύση σχετική με το πρόβλημα Navier–Stokes.

Ο Stephen Wolfram, επιστήμονας της πληροφορικής και φυσικός, έθεσε το ζήτημα από μια διαφορετική σκοπιά.

«Μπορείς εύκολα να ανακαλύψεις νέα μαθηματικά. Μπορείς εύκολα να δημιουργήσεις ένα τρισεκατομμύριο θεωρήματα. Το πρόβλημα είναι ότι τα περισσότερα δεν θα ενδιαφέρουν κανέναν», παρατήρησε σε εκδήλωση του Εθνικού Μουσείου Μαθηματικών των ΗΠΑ.

Η τοποθέτησή του αγγίζει την ουσία της συζήτησης. Η παραγωγή μαθηματικών αποτελεσμάτων δεν ταυτίζεται απαραίτητα με την επιστημονική πρόοδο. Ένα θεώρημα μπορεί να είναι ορθό, ακόμη και πρωτότυπο, χωρίς να προσφέρει ουσιαστική κατανόηση ή να ανοίγει νέους δρόμους στην έρευνα.

Το πλεονέκτημα των μαθηματικών

Δεν είναι τυχαίο ότι, μετά τον προγραμματισμό, τα μαθηματικά αναδεικνύονται σε ένα από τα επόμενα πεδία όπου η AI εμφανίζει εντυπωσιακές δυνατότητες.Λύσεις Ασκήσεων

Και οι δύο τομείς διαθέτουν ένα χαρακτηριστικό που διευκολύνει την ανάπτυξη προηγμένων συστημάτων: τη δυνατότητα ελέγχου του αποτελέσματος.

Στον προγραμματισμό, ο κώδικας μπορεί να εκτελεστεί και να δοκιμαστεί. Στα μαθηματικά, μια απόδειξη μπορεί να εξεταστεί βήμα προς βήμα, είτε από ειδικούς είτε μέσω συστημάτων τυπικής επαλήθευσης.

Αυτό επιτρέπει στα μοντέλα να δοκιμάζουν διαφορετικές προσεγγίσεις, να εντοπίζουν σφάλματα και να βελτιώνουν τις λύσεις τους.

Η πορεία των εργαλείων προγραμματισμού δείχνει πόσο γρήγορα μπορεί να εξελιχθεί αυτή η διαδικασία. Μέσα σε σχετικά σύντομο διάστημα, η AI πέρασε από την αυτόματη συμπλήρωση εντολών στη δημιουργία εκτεταμένου κώδικα και στην ανάληψη σύνθετων εργασιών ανάπτυξης λογισμικού.

Η εξέλιξη αυτή δεν αύξησε μόνο την παραγωγικότητα. Άλλαξε και τη συζήτηση για το τι σημαίνει να είσαι προγραμματιστής, καθώς εργασίες που απαιτούσαν σημαντική ανθρώπινη προσπάθεια μπορούν πλέον να εκτελούνται, τουλάχιστον εν μέρει, από αυτόνομα συστήματα.Ειδησεογραφικό newsletter

Στα μαθηματικά, μια αντίστοιχη μεταβολή θα μπορούσε να έχει ακόμη βαθύτερες συνέπειες, καθώς αφορά όχι μόνο τον τρόπο εκτέλεσης μιας εργασίας, αλλά και τη διαδικασία της επιστημονικής ανακάλυψης.

Μπορεί η AI να αντικαταστήσει την επιστημονική πρωτοτυπία;

Η εμπειρία του προγραμματισμού προσφέρει ένα χρήσιμο παράδειγμα, αλλά και μια σημαντική επιφύλαξη.

Παρότι τα συστήματα AI επιτρέπουν στους μηχανικούς λογισμικού να παράγουν πολύ περισσότερο κώδικα, ο ανθρώπινος ρόλος παραμένει καθοριστικός στον σχεδιασμό, στην αξιολόγηση και στη δημιουργία ποιοτικών προϊόντων.

Κάτι αντίστοιχο επισημαίνουν και οι μαθηματικοί. Η σημασία μιας μεγάλης επιστημονικής ανακάλυψης δεν βρίσκεται πάντοτε στην επίλυση ενός μεμονωμένου προβλήματος. Συχνά βρίσκεται στη διατύπωση μιας νέας ιδέας, στη σύνδεση διαφορετικών πεδίων ή στη δημιουργία ενός θεωρητικού πλαισίου που αλλάζει τον τρόπο με τον οποίο αντιλαμβανόμαστε ένα ολόκληρο επιστημονικό αντικείμενο.Δείτε Νέα

Εδώ ακριβώς εντοπίζεται και η μεγαλύτερη αβεβαιότητα για τις δυνατότητες της τεχνητής νοημοσύνης.

Μπορεί ένα μοντέλο να παράγει μια μαθηματική απόδειξη. Μπορεί, όμως, να διακρίνει ποια από τις χιλιάδες πιθανές κατευθύνσεις έρευνας αξίζει να ακολουθηθεί; Μπορεί να αναγνωρίσει μια σημαντική ιδέα πριν ακόμη γίνει προφανής η χρησιμότητά της;

Η απάντηση παραμένει ανοιχτή.

Οι εξελίξεις δημιουργούν παράλληλα προβληματισμό για την εκπαίδευση των νέων επιστημόνων. Εάν οι μηχανές αναλαμβάνουν ολοένα μεγαλύτερο μέρος της τεχνικής εργασίας, πώς θα αποκτούν οι επόμενες γενιές μαθηματικών την εμπειρία που απαιτείται για να διατυπώνουν πρωτότυπα ερευνητικά ερωτήματα;

Η επόμενη μεγάλη αλλαγή μπορεί να μην αφορά μόνο τα μαθηματικά

Η σημασία των ανακοινώσεων της OpenAI υπερβαίνει τα όρια της μαθηματικής επιστήμης.Μαθήματα Coding

Ακόμη και ερευνητές ανταγωνιστικών εταιρειών, οι οποίοι αμφισβητούν την πρακτική χρησιμότητα των συγκεκριμένων αποτελεσμάτων, αναγνωρίζουν ότι αποτελούν ένδειξη της ταχύτητας με την οποία εξελίσσονται οι δυνατότητες της AI.

Εάν η τεχνητή νοημοσύνη μπορεί να αναλάβει ολοένα πιο σύνθετες εργασίες σε πεδία που απαιτούν αυστηρή λογική και εξειδικευμένη γνώση, τότε η επίδρασή της ενδέχεται να επεκταθεί σε πολύ περισσότερους επιστημονικούς κλάδους.

Αυτό δεν σημαίνει ότι οι μηχανές βρίσκονται κοντά στην αντικατάσταση των επιστημόνων. Σημαίνει, όμως, ότι η σχέση ανάμεσα στην ανθρώπινη έρευνα και στα συστήματα AI αρχίζει να αλλάζει.

Η περίπτωση των μαθηματικών αναδεικνύει έτσι μια αντίφαση που θα μπορούσε να καθορίσει την επόμενη φάση της τεχνητής νοημοσύνης: όσο ευκολότερη γίνεται η παραγωγή απαντήσεων, τόσο μεγαλύτερη σημασία αποκτά η επιλογή των ερωτήσεων.Εργαλεία AI

Η AI μπορεί να φτάσει στο σημείο να αποδεικνύει χιλιάδες θεωρήματα. Η επιστημονική πρόοδος, όμως, δεν μετριέται με τον αριθμό των αποδείξεων, αλλά με το πόσο αλλάζουν όσα γνωρίζουμε. Και αυτή είναι μια πολύ δυσκολότερη δοκιμασία από την επίλυση ακόμη και ενός εξαιρετικά σύνθετου μαθηματικού προβλήματος.

Πηγή: Pagenews.gr