W skrócie
- Terence Tao argumentował, że sztuczna inteligencja uszczupla zapas owocnych otwartych problemów matematycznych szybciej, niż matematycy są w stanie identyfikować nowe.
- Jego ostrzeżenie następuje po prawdziwym precedensie laboratoriów AI rozwiązujących historycznie trudne problemy.
- Tao chce, aby matematycy oznaczali niektóre problemy jako "wymagające analizy", tak aby surowa odpowiedź wygenerowana przez AI bez wyjaśnionego rozumowania miała niewielkie znaczenie.
Terence Tao, profesor UCLA powszechnie uważany za najlepszego żyjącego czystego matematyka, podniósł alarm w związku z przyspieszającym wyścigiem AI w matematyce, który ma miejsce właśnie teraz.
Tao, który otrzymał Medal Fieldsa w 2006 roku, opublikował wczoraj ostrzeżenie na matematycznej instancji Mastodona Mathstodon, w którym argumentował, że AI uszczupla zasób dobrych otwartych problemów w tej dziedzinie, czyli nierozwiązanych pytań, które faktycznie popychają matematykę do przodu. Nie dowodów. Nie artykułów. Dobrych pytań.
Każdy może wymyślić nieskończenie wiele nowych pytań matematycznych; googolna cyfra liczby pi jest technicznie otwartym problemem, którego nikt nie obliczył. Prawie żadne z nich nie ma znaczenia, ponieważ większość nie uczy niczego o szerszej dziedzinie. To, co naprawdę ma znaczenie, napisał Tao, to wiedzieć, co naprawdę jest warte wysiłku.
„Krótko mówiąc, bezmyślne używanie potężnych narzędzi do wydobywania rozwiązań może osiągnąć bezpośredni krótkoterminowy cel rozwiązania bieżących problemów, ale kosztem utrzymania ekosystemu dla następnej fali postępu lub zrozumienia już osiągniętego postępu” – napisał Tao.
Wraz z wydaniem modeli rozumowania i najnowszej generacji zaawansowanych systemów AI laboratoria zaczęły rzucać ogromne ilości obliczeń na problemy matematyczne i naukowe. Anthropic i OpenAI wystawiły swoje modele na próbę w problemach, które opierały się ludzkim matematykom przez lata, czasem dziesięciolecia.
Wyniki obejmowały fizykę kwantową, matematykę stosowaną i medycynę. Ale matematyka jest inna: naprawdę trudne problemy są stosunkowo rzadkie, a naukowcy często starannie wybierają, które z nich poświęcić miesiące, a nawet lata.
Ustalenie tego zależało kiedyś od „krajobrazu trudności” danej dziedziny – które pytania są trywialne, które wymagają prawdziwego wysiłku, które są beznadziejne przy obecnych narzędziach. Nowe metody zawsze spłaszczały części tego krajobrazu, ale także otwierały nowe granice poza ich własnymi ograniczeniami. AI łamie ten wzorzec, argumentuje Tao, ponieważ nikt nie może dokładnie powiedzieć, gdzie kończy się zdolność modelu.
Od plotki do wyścigu
Tao nie opisuje hipotetycznej sytuacji. W maju model OpenAI obalił hipotezę Erdősa o odległości jednostkowej, 80-letnie pytanie o to, ile par punktów na płaszczyźnie może znajdować się dokładnie w odległości jednej jednostki. Zewnętrzni matematycy, w tym zdobywca medalu Fieldsa Tim Gowers, zweryfikowali to.
W tym samym tygodniu badacz Anthropic, Levent Alpöge, przepuścił identyczny problem przez Claude Mythos, niewydany jeszcze najwyższej klasy model tej firmy, pracując offline, aby nie mógł skopiować opublikowanego rozwiązania OpenAI. Inżynier Anthropic, Sholto Douglas, nazwał wynik „uroczym, prostym dowodem”, krótszym niż ten od OpenAI. Matematyk Daniel Litt nazwał go „nieco gorszym” niż wersja OpenAI, chociaż Mythos znalazł również własne rozwiązanie OpenAI.
Ogromne uznanie dla zespołu OAI za rozwiązanie problemu odległości jednostkowej za pomocą 5.5 - to teraz mój ulubiony przykład na to, że modele rzeczywiście potrafią łączyć różne pomysły w nowe odkrycia.
Jak w przypadku każdego „czterominutowego mila”, musieliśmy spróbować go przekroczyć! Okazuje się, że mythos rozwiązuje go uroczo,… https://t.co/NFymE8P8lu
— Sholto Douglas (@_sholtodouglas) 26 maja 2026
Właśnie w tym tygodniu Anthropic sformalizował wielowiekowy dowód wielkiego twierdzenia Fermata, a kilka dni później OpenAI rozwiązał 90-letni problem, kilka godzin po tym, jak badacz opublikował własny dowód, współautorując pracę z badaczem z Anthropic.
Ten wyścig właśnie martwi Tao. „Widzieliśmy już, że nawet plotka o tym, że ktoś pracuje nad problemem, może wywołać ogromny wysiłek wspomagany przez AI, aby go spłaszczyć, zanim oryginalny projekt badawczy zdąży w pełni rozwinąć swój potencjał” – napisał.
Tao argumentuje, że to ostatecznie odwraca wieki otwartej nauki.
Oceniaj proces, nie tylko odpowiedź
Proponowane przez Tao rozwiązanie polega na oznaczeniu niektórych problemów jako „wymagające analizy”, co oznacza, że poprawna surowa odpowiedź ma niewielkie znaczenie, chyba że towarzyszy jej rozumowanie, które ujawnia coś o pokrewnych problemach. Porównał to do banków żywności, które przestały przyjmować jakiekolwiek datki, które były tylko jadalne.
To albo to, albo zakazanie AI w matematyce – rozwiązanie, które według Tao jest „technicznie niewykonalne”.
Propozycja nie została jeszcze przekształcona w politykę nigdzie, a biorąc pod uwagę zachowanie dużych laboratoriów AI, nawet to może być obecnie technicznie niewykonalne.
