Tízezer ügynök keresett megoldást egy híres problémára
Az OpenAI szeptember 8-án számolt be arról, hogy egy még nem nyilvános belső modell javaslatot készített a Navier Stokes egyenletek létezését és simaságát érintő matematikai problémára. A kérdés a Clay Mathematics Institute által 2000-ben kiválasztott hét Millennium probléma egyike. Mindegyik helyes megoldásáért 1 millió dolláros díjat ajánlottak fel.
A kísérletben nagyjából 10 000 AI ügynök dolgozott párhuzamosan 88 órán keresztül. A Brookings által idézett adatok szerint a számítás több millió dollárba került. Sébastien Bubeck, az OpenAI munkatársa egy sajtótájékoztatón úgy fogalmazott, hogy ez körülbelül ezerszerese annak az összegnek, amelyet a vállalat korábban egyetlen problémára fordított.
A javasolt bizonyítást egyelőre nem hitelesítették. A matematikusok vizsgálják az anyagot, miközben a Clay szabályai több lépést írnak elő: a megoldásnak megfelelő kiadványban kell megjelennie, ezt két évnek kell követnie, majd a szakma széles körű elfogadása is szükséges a díj odaítélésének mérlegeléséhez. Az OpenAI közölte, hogy nem akarja igényelni a pénzjutalmat.
722 kézirat került fel egyetlen csomagban
Október 6-án a vállalat 722 kéziratot tett közzé egyetlen GitHub csomagban. Az OpenAI szerint ezek 372 nyitott problémánál jelentettek előrelépést az algebra, a geometria, a számelmélet és az elméleti számítástudomány területén. A dokumentumokat ugyanaz a belső modell készítette, és a vállalat becslése szerint egy átlagos eredmény előállítása körülbelül háromórányi ChatGPT Pro számításnak felelt meg.
A közzétett anyagok közül csak 162-höz tartozott géppel ellenőrizhető Lean formalizálás. Ez a módszer lehetővé teszi, hogy számítógép is megerősítse egy matematikai bizonyítás helyességét. A publikációt több matematikus azonnal bírálta. Az Association for Human Mathematics szerint a csomag nem a tudományos munka bemutatása, hanem inkább teljesítménydemonstráció volt.
Az OpenAI egy nappal később három kéziratot visszavont. Belső ellenőrzésük egy hibás előjelet talált, amely érvénytelenített egy érvelést, valamint két erre épülő konstrukciót is. Az eset jól érzékelteti, hogy a nagy mennyiségben létrehozott anyagoknál már a kezdeti szűrés is komoly feladat.
Az előállítás felgyorsult, az értelmezés nem
Niam Yaraghi, a Brookings szerzője szerint a történet legfontosabb tanulsága nem önmagában a matematikai javaslat, hanem az előállítás és a megértés közötti különbség. Ha növelik az ügynökök számát, a számítási kapacitást és a munkára fordított időt, a kutatási eredmények elkészítése ipari méretű folyamattá válhat. Az emberek azonban továbbra is egyesével tudják megérteni és ellenőrizni ezeket, ráadásul ehhez hosszú képzésre van szükség.
Az AI ügynökök tudományos hatása ezért nem pusztán a gyorsabb felfedezésekről szól. A [Brookings elemzése] szerint az AI a kutatási munka egy részét egyre inkább átveheti, közben viszont felértékelődik az eredmények befogadásához szükséges szaktudás. A gép által létrehozott állítások értelmezése, összevetése és szakmai környezetbe helyezése nem válik automatikusan egyszerűbbé.
Az emberi ellenőrzés továbbra is nélkülözhetetlen
Egy korábbi OpenAI kísérletben kilenc matematikus vizsgált egy gép által készített bizonyítást, amely megcáfolta Paul Erdős egységtávolság sejtését. A kutatók rövid, emberek által ellenőrzött változatot és magyarázatot készítettek hozzá. Thomas Bloom szerint az eredeti bizonyítás helyes volt, az emberi közreműködés mégis sokat javított rajta.
A matematikusok ugyanis nemcsak ellenőrizték a gondolatmenetet, hanem megvitatták, értelmezték, továbbfejlesztették és feltárták a következményeit is. A Brookings szerint kevés olyan intézmény létezik, amely a gépi eredmények növekvő tömegét képes lenne megfelelően átvizsgálni. Ez különösen nagy gond lehet hosszú vagy nehezen olvasható bizonyítások esetén.
A tudományban így új szűk keresztmetszet alakulhat ki. Nem feltétlenül az lesz a legnagyobb kihívás, hogy megszülessen egy új eredmény, hanem az, hogy elegendő képzett ember álljon rendelkezésre annak hitelesítéséhez és megértéséhez. Az AI teljesítményének növekedése önmagában nem garantálja, hogy a tudomány gyorsabban is lesz képes elfogadni és használni az új felismeréseket.
