Ringkasan yang dihasilkan AI: Tim Universitas Florida menerapkan dugaan Kakeya tiga dimensi yang baru saja dibuktikan pada pelatihan model besar, mengembangkan metode GeoLAN untuk menyelesaikan masalah “black box” AI. Metode ini memanfaatkan konsep “himpunan Kakeya lengket” yang muncul dari bukti dugaan Kakeya, memberikan batasan geometris pada ruang semantik model besar, sehingga mengatur konsep sejak tahap pelatihan dan membuat jalur pemikiran AI dapat dilacak. Eksperimen menunjukkan peningkatan signifikan pada model seperti Llama-3-8B dan Gemma-3-4B. Sementara itu, penerima Medali Fields tahun ini, Jacob Tsimerman, mengumumkan pada hari penerimaan penghargaannya bahwa ia bergabung dengan OpenAI untuk fokus pada keamanan AI, menunjukkan bahwa matematika dan AI sedang bergabung dengan kecepatan yang belum pernah terjadi sebelumnya.

Penulis artikel, sumber: Leifengwang

Komunitas matematika dan komunitas AI saling terhubung erat

Hasil murni matematis tingkat tinggi telah langsung diterapkan di garis depan pelatihan model besar.

Seorang penulis Xiaohongshu, Z9, menemukan saat membaca paper bahwa dugaan Kakeya tiga dimensi yang baru saja viral di seluruh internet kini telah diintegrasikan ke dalam proses pelatihan jaringan saraf oleh tim Universitas Florida untuk menyelesaikan masalah "black box" pada model besar.

Makalah mereka berjudul "GeoLAN: Geometric Learning of Latent Explanatory Directions in Large Language Models", yang intinya memanfaatkan konsep inti yang muncul dari bukti Konjektur Kakeya, yaitu "Kakeya Set Kleptocratic", untuk menetapkan "aturan penataan" dalam ruang semantik internal model besar, mengurai konsep-konsep yang kacau sejak tahap pelatihan, sehingga jalur pemikiran AI benar-benar dapat dilacak.

Benar-benar, di depan ada ahli matematika yang membuka lahan, di belakang ada peneliti AI yang mengumpulkan harta karun.

Masalah mendasar pada model besar: kolaps representasi

Mari mulai dengan "masalah kotak hitam" yang semua orang rasakan.

Model besar saat ini memiliki akurasi tinggi dalam mengerjakan soal, menulis kode, dan melakukan analisis, tetapi ketika Anda bertanya, "Bagaimana langkah ini dipikirkan?" ia tidak bisa menjelaskan dengan jelas atau langsung membuat alasan palsu untuk mengaburkan Anda.

Akar masalah ini tersembunyi dalam fitur dasar yang disebut representasi kolaps.

Anda dapat membayangkan ruang semantik model besar sebagai gudang cerdas raksasa berlapis-lapis, yang secara teoritis mampu menyimpan tak terhingga banyak konsep: logika, emosi, fakta, penalaran, dan lainnya, masing-masing menempati ruangnya sendiri.

Namun, saat dilatih, Transformer sangat “malas”—ia selalu mengumpulkan semua informasi semantik di sebuah area kecil di depan gudang, sementara 90% ruang lainnya dibiarkan kosong.

Hasilnya, semua konsep terkompresi ke dalam wilayah kerucut berdimensi tinggi yang sempit, yang disebut oleh akademisi sebagai "anisotropi".

Namun, akibat saling berdesakan akan menimbulkan banyak masalah.

Misalnya, keterikatan konsep memaksa konten yang sama sekali tidak terkait ke dalam arah yang sama, sehingga satu neuron harus merespons "kucing" sekaligus mengaktifkan "ayat-ayat Alkitab".

Dan kamu sama sekali tidak bisa memisahkan bagian representasi mana yang sesuai dengan logika mana, bahkan model pun tidak bisa merekonstruksi jalur pemikiran aslinya.

Menggabungkan konsep yang mirip tapi berbeda dalam satu tempat mudah menimbulkan kebingungan; sedikit mengubah pertanyaan, AI bisa berbicara sembarangan.

Untuk ini, makalah tersebut memiliki ringkasan yang sangat akurat: beberapa "dimensi jahat" sedikit mendominasi sebagian besar varians informasi, menghabiskan seluruh kapasitas efektif model.

Masalah ini hampir menjadi kelemahan semua arsitektur Transformer utama, mulai dari GPT, Llama hingga Gemma, tanpa terkecuali.

Dalam menghadapi situasi ini, solusi sebelumnya dalam industri pada dasarnya adalah "perbaikan setelah kejadian", menunggu hingga pelatihan model selesai, lalu menggunakan alat seperti sparse autoencoder untuk memisahkan konsep-konsep yang saling terkait secara paksa.

Namun, hasil yang diperoleh dari metode ini hanya “terlihat masuk akal,” tidak selalu mencerminkan logika sebenarnya di dalam model, sehingga tingkat keakuratan selalu berkurang.

Sekarang, pendekatan GeoLAN berubah langsung: jangan menunggu berantakan baru merapikan, mulailah dengan menata semuanya sesuai aturan dari awal. Tambahkan batasan geometris pada ruang representasi sepanjang pelatihan, agar setiap konsep berada di tempatnya masing-masing.

Bagaimana dugaan挂谷 terkait dengan AI?

Untuk memahami gagasan GeoLAN, Anda harus terlebih dahulu mengetahui apa yang dibahas oleh Konjektur Yokota.

Pada tahun 1917, matematikawan Kakeya Sōichi mengajukan masalah yang tampak sederhana namun membingungkan dunia matematika selama setengah abad: Dengan memutar jarum sepanjang 1 sentimeter di atas meja, berapa luas minimum yang dapat dicakupnya?

Anda mungkin berpikir, berputar-putar pasti akan membentuk lingkaran, sehingga luasnya tidak akan kecil. Namun, para matematikawan menemukan bahwa luasnya bisa mendekati 0.

Bagaimana cara melakukannya?

Jika Anda memutar dan menggeser jarum secara bersamaan, ia ternyata dapat menciptakan bentuk aneh dengan luas hampir nol. Artinya, di dunia dua dimensi, Anda dapat memuat seluruh jejak geometris ke dalam sudut yang sangat kecil.

Tantangan semakin meningkat, bagaimana jika dalam ruang tiga dimensi? Ketika jarum ini dapat berputar ke segala arah立体—atas, bawah, kiri, kanan, dan tak terhingga arah lainnya—berapa ukuran minimum ruang yang diperlukan untuk memasukkan seluruh jarum dalam semua arah tersebut?

Menurut pengalaman dua dimensi, dalam ruang tiga dimensi, volume absolut dari bentuk ini masih dapat dikompresi mendekati nol.

Namun, ini menciptakan teka-teki baru: meskipun grafik ini kosong tanpa volume, apakah ia juga menyusut dan terdegradasi pada skala mikro? Matematikawan memperkenalkan "dimensi fraktal" untuk mengukur kepadatan rangkanya.

Akhirnya, Wang Hong dan rekan-rekannya menemukan bahwa meskipun volume grafik dipadatkan hingga sekosong mungkin, kerangka internal yang saling terjalin tetap mempertahankan "kepadatan tiga dimensi" yang kokoh, tanpa penurunan sama sekali pada dimensi mikro. Inilah kehebatan Wang Hong dalam menyelesaikan masalah abad ini.

Dalam proses bukti keras ini, muncul konsep sangat penting yang disebut "sticky谷集".

“Kekentalan” secara sederhana adalah seperangkat aturan anti-kerumunan. Ini secara khusus dirancang untuk mengendalikan segmen dan tabung agar tidak saling mendekat.

Jika sekelompok tabung mematuhi aturan ini, mereka akan tersebar dengan rapi, dan ruangnya tetap sebesar apa adanya; tetapi jika mereka tidak patuh dan saling berdesakan di satu sudut kecil, "ukuran" ruang akan menyusut, terlihat seperti terhimpit.

Di sini Anda pasti sudah bisa menyadari: keruntuhan representasi model besar, bukankah itu "saluran semantik tidak memenuhi kondisi viskositas, semua terkompresi jadi satu"?

Apa yang dilakukan GeoLAN adalah mengambil kesimpulan matematis dari Konjektur Gu Valley sebagai standar teknik: karena secara matematis telah dibuktikan secara ketat bahwa "memenuhi viskositas, ruang tidak runtuh", maka kami juga menerapkan batasan viskositas yang sama pada ruang semantik model besar, sehingga representasinya secara alami tidak akan saling menumpuk.

Harus memasukkan aturan ini ke dalam proses pelatihan, intinya adalah menciptakan fungsi hukuman yang dapat diukur, yaitu aturan hukuman yang dapat dihitung oleh model dan diketahui cara memperbaikinya.

Kemudian, GeoLAN merancang dua aturan hukuman yang dapat dihitung, mengubah aturan geometri dalam Konjektur Gu to menjadi tujuan pelatihan. Satu disebut KT-CW, khusus menangani "kluster semantik"; yang lainnya disebut KT-Attn, khusus menangani "perhatian yang malas".

Secara sederhana, KT-CW berarti secara acak memeriksa berbagai arah dalam ruang semantik selama pelatihan. Jika ditemukan suatu arah terlalu padat dengan informasi semantik, model akan diberi penalti. Hal ini memaksa model untuk menyebarkan pengetahuannya secara merata ke seluruh sudut ruang berdimensi tinggi, memanfaatkan seluruh dimensi yang sebelumnya terbuang, dan menyelesaikan masalah "terkumpul berjejal" dari akarnya.

Satu set lainnya, KT-Attn, secara khusus menangani perilaku malas dalam mekanisme perhatian. Pada tahap akhir pelatihan, kepala perhatian model besar cenderung mengalami homogenisasi serius, di mana banyak kepala hanya terus-menerus fokus pada kata dan posisi yang sama, dengan sedikit sekali tenaga kerja yang benar-benar produktif. Aturan ini secara paksa mewajibkan setiap kepala perhatian untuk memperhatikan area semantik yang sama sekali berbeda, memastikan cakupan perhatian secara menyeluruh ke segala arah dan mengatasi secara tuntas fenomena keruntuhan peringkat pada kepala perhatian.

Setelah serangkaian langkah ini dilakukan, efeknya bisa langsung terlihat.

Pada Llama-3-8B, GeoLAN secara paksa membentuk ruang representasi kerucut yang sebelumnya terjepit menjadi bentuk bola yang halus, mengurangi tingkat kepadatan antar titik secara signifikan, meningkatkan keseragaman di semua arah, sekaligus mempertahankan akurasi tugas.

Pada Gemma-3-4B, akurasi MMLU meningkat dari 0,59 menjadi 0,60, atau sekitar 0,75 poin persentase. Stabilitas semantik TruthfulQA meningkat secara signifikan.

Pada Gemma-3-12B dengan volume yang lebih besar, indikator tingkat bias juga mengalami penurunan yang signifikan secara statistik.

Yang lebih menarik, makalah tersebut juga menemukan fenomena menarik yang disebut "zona Goldilocks".

Dengan demikian, distribusi merata terhadap batasan geometris yang ketat justru menjadi bencana bagi model dengan jumlah parameter terlalu kecil; model kecil secara alami memerlukan keterikatan konsep untuk kompresi semantik ekstrem, dan memaksa pemisahan hanya akan membuat struktur geometris internal menjadi jauh lebih buruk.

Sedangkan untuk model raksasa yang terlalu besar, proses pra-pelatihan yang luas telah secara alami membangun struktur manifold yang sangat kompleks; menambahkan aturan ini tidak hanya tidak cocok, tetapi juga akan memperlambat kinerja keseluruhan.

Hanya model dengan ukuran sedang, seperti empat hingga delapan miliar parameter, yang memiliki ruang cukup untuk menyerap manfaat dari distribusi seragam, sehingga mencapai hasil terbaik.

Selain itu, makalah tersebut juga menurunkan teorema canggih yang disebut "Teorema Semantik Kleit": ketika representasi memenuhi "aturan anti-penggusuran", konsep semantik yang berbeda akan secara otomatis terurai menjadi subruang yang hampir saling tegak lurus, yang oleh makalah tersebut disebut secara ilustratif sebagai butiran. Setiap subruang dapat dijelaskan dan disesuaikan secara independen, yang berarti masalah black box yang telah mengganggu industri selama bertahun-tahun kini menjadi transparan.

Sebuah paper ACL membawa dugaan Kakeya langsung dari ruang matematika murni ke dalam rekayasa AI.

Penerima Fields Medal, pada hari itu mengumumkan bergabung dengan OpenAI

Yang perlu diperhatikan lainnya adalah salah satu penerima Penghargaan Fields, Jacob Tsimerman, yang pada hari penerimaan penghargaan langsung mengumumkan bahwa ia akan segera bergabung dengan OpenAI untuk fokus pada keamanan AI.

Ini membuat kita harus memperhatikan hubungan erat antara matematika mutakhir dan AI.

Satu tahun lalu, ia bersama peneliti keamanan AI dari Berkeley, Andrew Critch, menerbitkan makalah berjudul "A Taxonomy of Omnicidal Futures Involving Artificial Intelligence", yang membangun sistem klasifikasi ketat untuk jalur risiko AI dengan ketelitian ekstrem seorang matematikawan.

Dia sendiri adalah penerima manfaat besar dari AI, pada tahun 2025 ia memiliki 5 makalah matematika yang diunggah ke arXiv, dan secara terbuka mengatakan bahwa AI membuat efisiensi produksi penelitiannya langsung berlipat ganda.

Lebih dramatis lagi, tiga hari sebelum penghargaan, seseorang menggunakan Claude Fable 5 terbaru dari Anthropic, yang dalam semalam membantah dugaan Jacobi yang telah ditangguhkan selama 87 tahun, mengguncang dunia matematika. Orang itu adalah muridnya, Levent Alpöge.

Menghadapi kecerdasan AI yang terus mendekati bahkan melampaui matematikawan terkemuka, ahli matematika ternama Timothy secara terbuka berkomentar: ini adalah pertama kalinya dalam hidupnya ia melihat model bahasa besar dengan mudah memecahkan masalah abad yang terkenal di bidang yang sama sekali asing baginya.

Hubungan antara matematika dan AI telah melampaui batas yang dapat dijelaskan oleh kata "saling terkait erat"; keduanya sedang menyatu dengan kecepatan luar biasa.

Mengulas catatan prestasi AI di arena matematika selama setahun terakhir, mulai dari AlphaProof milik DeepMind yang meraih medali perak di ajang Olimpiade Matematika Internasional, hingga model penalaran OpenAI yang berhasil membantah dugaan jarak satuan Erdős yang telah menggantung selama delapan puluh tahun, kemudian GPT-5.6 hanya membutuhkan satu jam untuk menyelesaikan dugaan double covering siklik, serta Claude Fable 5 yang menghancurkan dugaan Jacobian dalam semalam. AI secara berturut-turut mencatatkan sejumlah rekor abad dalam waktu dua bulan, dan kecepatan penyelesaian masalahnya terus mempercepat secara eksponensial.

Dalam wawancara AMS, Jacob secara terus terang mengatakan, "Ada banyak self-deception di kalangan matematikawan yang melihat bahwa AI saat ini belum sebaik matematikawan, lalu menyimpulkan bahwa ia akan selalu kalah dari matematikawan." Ia membuktikan dengan praktiknya sendiri bahwa meskipun bukti yang dihasilkan model "tidak lengkap dan tidak ketat", namun "biasanya mampu menghasilkan pendekatan yang secara umum benar, membantu Anda menyelesaikan delapan puluh persen perjalanan."

Dia bahkan percaya bahwa dalam dua tahun, AI akan secara menyeluruh melebihi manusia dalam hal pembuktian matematis.

Lalu pertanyaannya adalah: apakah masih akan ada pemenang manusia untuk Medali Fields pada tahun 2030, empat tahun dari sekarang?

Medal Fields memiliki batasan usia ketat, penerima harus belum berusia 40 tahun. Ini berarti bahwa jika AI dalam empat tahun ke depan secara sistematis melampaui kemampuan penemuan orisinal matematikawan manusia, komite penilai akan menghadapi dilema tanpa preseden: apakah Anda memberikan penghargaan kepada orang yang melakukan karya matematika terbaik, atau kepada "manusia yang melakukan karya matematika terbaik"?

Yang lebih menarik adalah akselerasi timbal balik antara matematika dan AI. Dugaan Kakeya tiga dimensi baru saja dibuktikan, dan tiga bulan kemudian muncul GeoLAN, hasil murni matematika yang langsung diwujudkan sebagai alat pelatihan model besar. Hari ini, dugaan André-Oort dan terobosan pada Masalah Keenam Hilbert yang dihargai dalam Penghargaan Fields, besok akan berkembang menjadi kemampuan AI seperti apa?

Dulu selalu dikatakan, matematikawan yang berada di depan membuka jalan, sementara AI mengikuti di belakang untuk mengumpulkan harta karun. Tetapi sekarang, yang mengumpulkan harta karun itu sudah mulai membuka jalan sendiri.