Terence Tao: AI yang memecahkan masalah terlalu cepat dapat "meracuni" matematika

Terence Tao adalah tipe ahli matematika yang telah menghabiskan waktu bertahun-tahun dengan diam-diam mencoba alat AI baru dan secara terbuka memuji alat yang bagus. Namun setelah GPT-6 Astra dikirimkan, dia menulis sesuatu yang diharapkan oleh sedikit orang darinya: jika jaringan saraf mulai memberikan jawaban terhadap permasalahan besar yang terbuka terlalu cepat dan tanpa proses yang transparan, matematika akan mengalami kerugian lebih besar daripada keuntungannya. Pemicunya adalah hasil yang nyata — model baru OpenAI mengklaim kemajuan dalam masalah bilangan prima ganda.

Pertama, faktanya. GPT-6 Astra, menurut OpenAI, menggunakan pembuktian formal dalam Lean untuk memperkecil batas atas kesenjangan antara bilangan prima berurutan dari 246 menjadi 186. Untuk skala: pada tahun 2013, Yitang Zhang membuktikan bahwa terdapat banyak sekali pasangan bilangan prima yang jaraknya tidak lebih dari 70 juta. James Maynard, yang memenangkan Fields Medal pada tahun 2022, menurunkan batas tersebut menjadi 600, dan komunitas kemudian menambahnya menjadi 246. Kini tiga laboratorium melaporkan angka baru sekaligus: OpenAI pada 186, Anthropic pada 188, Axiom pada 212.

Di permukaan, patut dirayakan. Tao melihat sesuatu yang lain – sebuah tanda peringatan.

Jawabannya bukanlah bagian yang paling berharga

Poin inti Tao terdengar hampir paradoks: sebuah masalah besar yang terbuka berharga bukan karena jawabannya tetapi karena jalan menuju ke sana. Ketika para matematikawan berjuang menghadapi suatu permasalahan selama bertahun-tahun, mereka menciptakan metode, konsep, dan teori baru sepanjang prosesnya — dan “produk sampingan” itulah yang sebenarnya memajukan ilmu pengetahuan. Bahkan jalan buntu pun berguna: memahami mengapa suatu pendekatan gagal sering kali lebih penting daripada menemukan solusinya.

Sekarang bayangkan jawabannya berasal dari jaringan saraf. Cepat, kotak hitam, tidak ada langkah perantara yang ditampilkan. Masalahnya sudah terselesaikan secara formal – namun proses yang seharusnya menghasilkan ide-ide baru tidak pernah terjadi. Tao menyebut hal ini sebagai masalah yang "mencemari": hal ini tidak lagi menjadi sumber penemuan di masa depan.

Contoh Navier-Stokes

Tao memaparkan argumennya pada sebuah kasus konkrit — masalah keteraturan global untuk persamaan Navier-Stokes, salah satu dari tujuh masalah Millennium Prize. Matematikawan sudah cukup yakin bahwa jawabannya adalah negatif: terdapat kondisi awal di mana solusinya "meledak" dalam waktu yang terbatas. Bahkan ada rencana empat langkah yang dibuat, mulai dari membangun solusi serupa hingga memverifikasi stabilitasnya.

Masalahnya adalah bahwa setiap langkah sangat sulit bagi manusia, tetapi sangat cocok dengan jalur perakitan "pembelajaran mesin + aritmatika yang ketat + pembuktian formal". Tao mengizinkan hibrida semacam itu benar-benar dapat menyelesaikan masalah. Dan inilah masalahnya: jika solusinya ternyata sangat rumit sehingga tidak ada manusia yang dapat memahaminya, dan perusahaan yang menjalankan AI menyembunyikan seluruh proses di balik pintu tertutup, matematika mendapat sebuah kotak centang tetapi hampir tidak mempelajari apa pun.

Mengapa hal ini penting di luar jangkauan ahli matematika

Logika Tao lebih luas dari yang terlihat. Ini berlaku untuk bidang apa pun di mana nilai diciptakan dalam proses, bukan pada jawaban akhir. Jika AI langsung menghasilkan solusi yang "benar" dan orang-orang berhenti melakukan trial and error, kita berisiko kehilangan bukan kecepatan, melainkan pemahaman. Tao secara blak-blakan mengatakan: dalam kasus terburuk, pengaruh AI terhadap matematika bisa berubah dari positif menjadi negatif.

Dia tidak menentang AI dalam sains — dia adalah salah satu pengguna AI yang paling aktif. Yang mengkhawatirkannya adalah skenario spesifik: sebuah sistem otonom yang memutar seluruh siklus "hipotesis - pengujian - penolakan" di dalam dirinya sendiri, pada komputasi yang sangat besar, dan hanya memberikan jawaban akhir. Tidak ada jejak, tidak ada konsep, tidak ada cara untuk belajar dari kesalahannya.

Apa yang terjadi selanjutnya

Untuk saat ini, ini adalah peringatan, bukan putusan. GPT-6 Astra memang mengecilkan batasannya menjadi 186, tetapi dugaan bilangan prima kembar itu sendiri — bahwa terdapat banyak sekali pasangan seperti itu — masih belum terbukti. Ini adalah hasil antara, betapapun penting. Pertanyaan yang diajukan Tao lebih dalam lagi: bagaimana membuat AI mempercepat ilmu pengetahuan tanpa menghilangkannya. Dia belum punya jawaban – dan sejujurnya, orang lain juga tidak punya jawaban.

Sumber:量子位 (QbitAI): 陶哲轩吐槽GPT-6孪生素数新突破.