Terence Tao: Sztuczna inteligencja, która zbyt szybko rozwiązuje problemy, może „zatruć” matematykę

Terence Tao to rodzaj matematyka, który spędził lata w milczeniu, próbując nowych narzędzi sztucznej inteligencji i otwarcie chwaląc te dobre. Ale po wysłaniu GPT-6 Astra napisał coś, czego spodziewało się po nim niewiele osób: jeśli sieci neuronowe zaczną zbyt szybko i bez przejrzystego procesu udzielać odpowiedzi na wielkie otwarte problemy, matematyka może stracić więcej niż zyskać. Powodem był konkretny wynik — nowy model OpenAI zapewnił postęp w rozwiązaniu problemu bliźniaczych liczb pierwszych.

Najpierw fakty. Według OpenAI GPT-6 Astra wykorzystała formalne dowody w Lean, aby zmniejszyć górną granicę odstępu między kolejnymi liczbami pierwszymi z 246 do 186. Dla skali: w 2013 r. Yitang Zhang udowodnił, że istnieje nieskończenie wiele par liczb pierwszych oddalonych od siebie o nie więcej niż 70 milionów. James Maynard, zdobywca Medalu Fieldsa w 2022 r., obniżył tę granicę do 600, a społeczność później zawęziła ją do 246. Teraz trzy laboratoria jednocześnie zgłosiły nowe liczby: OpenAI na 186, Anthropic na 188, Axiom na 212.

Na pozór powód do świętowania. Tao zobaczył coś jeszcze – znak ostrzegawczy.

Odpowiedź nie jest najcenniejszą częścią

Główna teza Tao brzmi niemal paradoksalnie: wielki, otwarty problem jest cenny nie ze względu na rozwiązanie, ale ze względu na drogę do niego. Kiedy matematycy zmagają się z jakimś problemem latami, po drodze wymyślają nowe metody, koncepcje i całe teorie — a to właśnie te „produkty uboczne” faktycznie popychają naukę do przodu. Nawet ślepe zaułki są przydatne: zrozumienie, dlaczego dane podejście się nie powiodło, często ma większe znaczenie niż znalezienie rozwiązania.

Teraz wyobraź sobie, że odpowiedź pochodzi z sieci neuronowej. Szybko, czarna skrzynka, nie pokazano żadnych etapów pośrednich. Problem formalnie został rozwiązany, ale proces, który miał wygenerować nowe pomysły, nigdy nie nastąpił. Tao nazywa to „zanieczyszczaniem” problemu: przestaje być źródłem przyszłych odkryć.

Przykład Naviera-Stokesa

Tao rozwija swoją argumentację na konkretnym przypadku — globalnym problemie regularności równań Naviera-Stokesa, jednym z siedmiu problemów Nagrody Milenijnej. Matematycy są już całkiem pewni, że odpowiedź jest negatywna: istnieją warunki początkowe, w których rozwiązanie „wysadza” w skończonym czasie. Naszkicowano nawet czteroetapowy plan, od zbudowania przybliżonego rozwiązania samopodobnego do sprawdzenia jego stabilności.

Haczyk polega na tym, że każdy krok jest brutalnie trudny dla człowieka, ale idealnie pasuje do linii montażowej „uczenia maszynowego + rygorystycznej arytmetyki + dowodów formalnych”. Tao pozwala, aby taka hybryda rzeczywiście rozwiązała problem. I tu jest problem: jeśli rozwiązanie okaże się tak skomplikowane, że żaden człowiek nie będzie w stanie go ogarnąć, a firma obsługująca sztuczną inteligencję ukrywa cały proces za zamkniętymi drzwiami, matematyka otrzymuje pole wyboru, ale prawie niczego się nie uczy.

Dlaczego to ma znaczenie nie tylko dla matematyków

Logika Tao jest szersza niż się wydaje. Dotyczy to każdego pola, w którym wartość tworzona jest w procesie, a nie w ostatecznej odpowiedzi. Jeśli sztuczna inteligencja natychmiast zacznie generować „poprawne” rozwiązania, a ludzie przestaną podążać metodą prób i błędów, ryzykujemy utratą nie szybkości, ale zrozumienia. Tao ujmuje to bez ogródek: w najgorszym przypadku wpływ sztucznej inteligencji na matematykę może zmienić się z pozytywnego na negatywny.

Nie jest przeciwny sztucznej inteligencji w nauce – wręcz przeciwnie, jest jednym z jej najaktywniejszych użytkowników. Martwi go specyficzny scenariusz: autonomiczny system, który obraca w sobie cały cykl „hipoteza – test – odrzucenie” na ogromnych komputerach i podaje tylko ostateczną odpowiedź. Żadnych śladów, żadnych przeciągów, żadnej możliwości uczenia się na swoich błędach.

Co będzie dalej

Na razie jest to ostrzeżenie, a nie werdykt. GPT-6 Astra rzeczywiście zmniejszyła tę granicę do 186, ale sama hipoteza bliźniaczych liczb pierwszych – że istnieje nieskończenie wiele takich par – pozostaje niepotwierdzona. Jest to wynik pośredni, aczkolwiek zauważalny. Pytanie, które stawia Tao, sięga głębiej: jak sprawić, by sztuczna inteligencja przyspieszyła naukę, nie niszcząc jej. Nie ma jeszcze odpowiedzi – i, szczerze mówiąc, nikt inny też nie.

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