Medios extranjeros informan que el profesor de la UCLA y ganador de la Medalla Fields, Terence Tao, advirtió recientemente públicamente que la IA está consumiendo los problemas abiertos verdaderamente capaces de impulsar la disciplina más rápido de lo que la comunidad matemática puede generar nuevas preguntas. Según él, el riesgo no radica en que los modelos escriban más demostraciones, sino en que podrían comprimir demasiado rápido el espacio que los investigadores han explorado durante mucho tiempo.
Los problemas de alto valor están disminuyendo
Terence Tao señala que los problemas matemáticos pueden generarse infinitamente, pero realmente pocos son importantes. Muchos problemas sin resolver existen, pero no necesariamente conducen a nuevos métodos ni facilitan el avance de los campos relacionados. Anteriormente, los investigadores dependían de su experiencia para determinar qué problemas merecían invertir meses o incluso años de tiempo.
Él cree que la IA está alterando este ritmo. Anteriormente, las nuevas herramientas reducían la dificultad de ciertos problemas, pero también abrían nuevas direcciones más allá de los límites de capacidad. Hoy en día, el límite superior de los modelos no está claro, y los investigadores tienen dificultades para determinar qué problemas aún merecen inversión a largo plazo y cuáles podrían resolverse rápidamente por los modelos.
El laboratorio de IA ha iniciado la competencia de resolución rápida de problemas.
El informe menciona que en mayo de este año, el modelo de OpenAI proporcionó un contraejemplo a la conjetura de la distancia unitaria de Erdős, abordando un problema matemático que existía aproximadamente desde hace 80 años. Matemáticos externos, incluido el ganador de la Medalla Fields Tim Gowers, verificaron posteriormente el resultado.
Casi al mismo tiempo, los investigadores de Anthropic también probaron el mismo problema con el aún no lanzado Claude Mythos. Los ingenieros de la empresa afirmaron que el modelo produjo una prueba más corta; algunos matemáticos consideran que su versión es ligeramente inferior a la de OpenAI, pero igualmente encontró una solución viable.
El informe también indicó que Anthropic completó posteriormente la formalización de la demostración histórica del último teorema de Fermat. Pocos días después, OpenAI resolvió un problema de aproximadamente 90 años de antigüedad, solo horas después de que un investigador publicara su propia demostración. Esta velocidad es precisamente lo que preocupa a Terence Tao.
Sugerimos aumentar el peso del proceso de razonamiento
Terence Tao propone marcar algunos problemas como "requieren análisis". Bajo este criterio, el valor de proporcionar solo la respuesta correcta se reduce; los investigadores deben explicar simultáneamente el proceso de razonamiento y cómo este proceso puede ofrecer inspiración para problemas vecinos.
Él considera que buscar únicamente extraer respuestas lo más rápido posible resuelve efectivamente los problemas inmediatos, pero a costa de debilitar el ecosistema de preguntas necesario para la próxima ronda de investigación, y también perjudica la comprensión de por qué los resultados existentes son válidos. Según el informe, esta sugerencia aún no se ha convertido en una regla formal, y el avance continuo de los grandes laboratorios de IA podría hacer que la comunidad matemática enfrente más rápidamente el debate sobre los criterios de evaluación.