[TL;DR Araw na Pinili] Bago ko pa natapos basahin ang mensaheng ito, ang unang reaksyon ko ay hindi “Talo na naman ng AI,” kundi—baka kailangan ng muli pang pagkakasunod-sunod ng mga mesa sa akademya. Kung talagang kayang linisin ng isang modelo ang mga komplikadong aksiyoma na nagtrabaho nang halos 30 taon, at kahit pa’y makakapag-aksyon sa mga mahihirap na problema tulad ng挂谷, lokal na pagpapalambot, at apat-dimensyonal na quantum field theory, ang tanong ay hindi na lang “Kaya niya ba ang pagsagot sa mga tanong?” kundi: Handa na ba ang tao na tanggapin ang malaking dami ng mga sagot? 😏 Ang pangunahing punto ng artikulong ito ay hindi ang tatlong resulta mismo, kundi isang mas nakakalungkot na pagbabago: Ang AI ay nagsisimulang maging “kagamitan” at lumilipat sa “kakilala sa pananaliksik,” at kahit na gumawa muna ng mga patotoo bago ibigay sa tao ang trabaho ng “pag-unawa, pagsusuri, at pagpapalit ng kaalaman.” 📌 Kompyuter agham: Maaaring mabalewala ang ETH, at ang epekto ay higit pa sa isang aksiyoma • Sinumpa ng OpenAI na mayroon silang sub-eksponensyal na algoritmo para sa mga problema kaugnay ng 3-SAT, na may komplikasyon na 2^{O(n/√log n)}, hindi gaya ng limitasyon na tinatanggihan ng ETH. • Ang ETH, o Exponential Time Hypothesis, ay namamahala sa teoretikal na kompyuter agham nang halos 30 taon. Mga hundreds ng papel ay ginamit ito bilang pundasyon upang makuha ang mga lower bound sa larangan ng graph algorithms, database, at computational biology. • Ang drama ay naging mas malakas: Kasama sa mga reviewer ay si Russell Impagliazzo at Ramamohan Paturi, ang mga tagapagtatag ng ETH, at si Ryan Williams, isang eksperto sa complexity theory. • Ang timeline ay napakabilis: Nakuha ang natural language counterproof noong Oktubre 16, natapos ang Lean formalization noong Oktubre 17, at ipinahayag noong Oktubre 26. Sa madaling salita, ang bilis ng paggawa ng patotoo ng AI ay nagsisimulang gawing mukhang “paghahanap ng mas mataas” ang peer review. 📌 Matematika: Mula sa挂谷 sa apat-dimensyonal—ang AI ay nagsisikap gumawa ng isang pangkalahatang teorya • Hindi lang pinag-ugnay ng OpenAI ang挂谷 problem, kundi sinimulan ito mula sa lokal na smoothness conjecture na ipinakilala noong 1991, at sinasabing patotohanan ang lahat ng dimensyon. • Ayon sa kanila, ang modelo ay gumamit ng isang bagong auxiliary PDE upang iugnay ang lokal na smoothness,挂谷 conjecture, at Stein restriction conjecture sa isang malinaw na linya. • Ito ay iba sa mga 722 na matematikal na manuskrito na dati—kung saan bawat isa ay naglalayong solusyunan ang isang dimensyon o isang espesyal na kaso. Ngayon, parang nagtatayo sila ng isang pangkalahatang framework, hindi lang pagsabog sa isang punto. • Ang bilis ay patuloy na nakakalito: Nakuha ang patotoo noong Oktubre 18, natapos ang Lean formalization noong Oktubre 19. Baka pa lang umiinom pa ng kape ang mga matematiko, ang AI ay naka-pack na ng bersyon para sa lahat ng dimensyon. 📌 Pisika: Ang pinakamahirap ay hindi ang formula, kundi kung “totoo bang umiiral ang teorya” • Ang ikatlong resulta ay mas mahirap: Sinumpa ng OpenAI na nagawa nila ang strict existence proof para sa apat-dimensyonal na quantum field theory na naglalaman ng QCD, kasama ang bahagi tungkol sa existence ng pure Yang–Mills theory. • Dito mahalaga: Ang existence ≠ paglutas ng Millennium Problem. Ang “mass gap” bahagi ng Yang–Mills ay hindi pa binigkas bilang nalutas, kaya huwag muna magbigay ng parangal. • Ngunit malaki pa rin ang halaga nito, dahil hindi ito pagpapabuti sa teknik sa pagkalkula—kundi pagtatanong: Maaari bang buuin nang mayroong matibay na pundasyon ang teorya na ginagamit natin upang ilarawan ang mikro mundo? • Ang team na nagsusuri ay napakalaking pangalan: Pinuno ni David Gross, kasama ni Michael Douglas, Arthur Jaffe, Igor Klebanov, at Nikita Nekrasov. Ang ganitong komposisyon ay hindi “tingnan muna,” kundi parang pumasok ang top-tier academic fire department para mag-check. 📌 Ang tunay na balita: Ang OpenAI ay nagsisimulang gamitin ang AI-generated proofs bilang “raw research data” • Ito ay maaaring ang pinakamahalagang punto sa buong artikulo. Hindi inilalabas ng OpenAI ang output ng AI bilang “huling kaalaman,” kundi bilang raw research data. • Sa madaling salita: Ang AI ang gumagawa nang mabilis; ang tao naman ang nagpapatotoo, nagpapaliwanag, nagre-revise, nag-a-archive, at nag-i-integrate sa loob ng disiplina. Parang isang sobrang produktibong eksperimento na nagtatapon ng resulta at pinipilit ang buong akademya na baguhin ang kanilang workflow? • Ito rin ang nagpapaliwanag kung bakit may tatlong paraan ng pagpapahayag: Ang matematika ay direktang ipinahayag; ang kompyuter agham ay may team ng reviewer; at ang pisika ay unang inilahad sa isang grupo ng eksperto. • Tanong: Kung sa hinaharap, bawat linggo ay magbabawas ang AI ng hundreds ng advanced proofs—ano pa ba ang pinakamahalagang yaman? Magiging “pagkakakita” pa ba o “pagpapatotoo” at “kapasidad sa pagpapaliit ng kaalaman”? 📌 Mga datos at detalye—huwag kalimutan ang mga sumusunod: • Noong unang bahagi ng Oktubre, ipinahayag ng OpenAI ang 722 na matematikal na manuskrito, na sumasakop sa 372 mga pamilya ng resulta at 17 mga direksyon. • Tatlo sa mga ito ay binawi dahil sa mga error sa simbolo. Ito ay nagpapaalala: Kahit gaano pa kalakas ang Lean formalization, hindi ibig sabihin na awtomatikong natutupad ang semantic mapping, proposition correspondence, o paghuhusga sa akademikong halaga. • Binigyan din ng OpenAI ang pagsuporta sa independiyenteng pagsusuri at inilahad ang $5 milyon para sa Simons Foundation upang suportahan mga konperensya, seminar, at pananaliksik. • Hindi ito pera ang mahalaga—kundi kung ano ito ay ipinapahiwatig: Pagkatapos makagawa ng AI ng resulta, magiging bagong bottleneck sa sistema ng agham ang infrastraktura para sa pagsusuri. Ang aking sariling pananaw ay simpleng: Hindi ito kuwento tungkol sa “AI na nagpapalitan sa mga siyentipiko,”至少 hindi pa. Mas parang ginawa na ni AI ang “pagbibigay ng posibleng tama sagot” bilang isang industriya—at lumilipat na ang papel ng tao patungo sa “pagtukoy ng problema, paghuhusga sa kapanahunan, at pagkuha ng maaring i-transfer na ideya.” Kung patuloy itong magtagumpay, sa hinaharap, hindi kinakailangan na maging pinakamabilis magkalkula para maging pinakamalakas na mananaliksik—kundi maging pinakamahusay na makikipagtulungan sa mga intelligent agent at makakakuha ng istruktura mula sa isang gubat ng patotoo. Tanong para sa iyo: Kung may isang intelligent agent na mas mabilis kaysa sa karamihan sa mga akademiko sa paggawa ng mga teorema at teorya—magpapanatili pa ba ang sistema ng akademikong reputasyon, sistema ng pagsulat ng papel, at peer review sa kanilang kasalukuyang anyo? #AI #OpenAI #Matematika #KompyuterAgham #QuantumFieldTheory #AgentFi