สื่อต่างประเทศรายงานว่า ศาสตราจารย์เทอ เจ๋อเซิน จากมหาวิทยาลัยแคลิฟอร์เนีย ลอสแอนเจลิส ผู้ได้รับรางวัลฟีลด์ส เพิ่งเตือนอย่างเปิดเผยว่า AI กำลังใช้ปัญหาเปิดที่แท้จริงซึ่งขับเคลื่อนวิชาคณิตศาสตร์ไปอย่างเร็วกว่าที่วงการคณิตศาสตร์จะสามารถเติมเต็มปัญหาใหม่ๆ ได้ ตามคำกล่าวของเขา ความเสี่ยงไม่ได้อยู่ที่โมเดลจะเขียนหลักฐานเพิ่มขึ้น แต่อยู่ที่มันอาจบีบอัดพื้นที่การวิจัยที่นักวิจัยใช้เวลาค้นคว้ามานานเกินไป
ปัญหาที่มีมูลค่าสูงกำลังลดลง
เทอเรนซ์ ทาโอ ชี้ให้เห็นว่า โจทย์คณิตศาสตร์สามารถสร้างขึ้นได้ไม่สิ้นสุด แต่โจทย์ที่สำคัญจริงๆ มีไม่มากนัก แม้จะมีปัญหาที่ยังไม่ได้รับการแก้ไขอยู่มากมาย แต่บางปัญหาก็未必สามารถนำไปสู่วิธีการใหม่ๆ หรือผลักดันให้สาขาที่เกี่ยวข้องก้าวหน้าต่อไปได้ นักวิจัยในอดีตมักใช้ประสบการณ์ในการตัดสินว่า โจทย์ใดคุ้มค่าที่จะลงทุนเวลาหลายเดือนหรือหลายปี
เขาเชื่อว่า AI กำลังทำลายจังหวะนี้ อดีตที่ผ่านมา เครื่องมือใหม่จะลดความยากของปัญหาบางประการ แต่ก็เปิดทิศทางใหม่ที่อยู่นอกขอบเขตของความสามารถ ขณะนี้ขีดจำกัดของโมเดลยังไม่ชัดเจน นักวิจัยจึงยากที่จะตัดสินว่าปัญหาใดยังคงเหมาะกับการลงทุนในระยะยาว และปัญหาใดอาจถูกโมเดลแก้ไขได้โดยตรงในเร็วๆ นี้
ห้องปฏิบัติการ AI ได้เริ่มการแข่งขันแก้ปัญหาอย่างเร่งด่วน
รายงานระบุว่าในเดือนพฤษภาคมปีนี้ แบบจำลองของ OpenAI ได้ให้ตัวอย่างที่ขัดแย้งกับสมมติฐานระยะทางของ Erdős ซึ่งเป็นปัญหาทางคณิตศาสตร์ที่มีมานานประมาณ 80 ปี นักคณิตศาสตร์ภายนอก รวมถึงผู้ได้รับรางวัลฟิลด์ส Tim Gowers ได้ตรวจสอบยืนยันต่อมา
ในเวลาใกล้เคียงกัน นักวิจัยจาก Anthropic ก็ได้ทดสอบคำถามเดียวกันด้วย Claude Mythos ที่ยังไม่ได้เปิดตัว วิศวกรของบริษัทระบุว่า โมเดลดังกล่าวให้หลักฐานที่สั้นกว่า; ขณะที่นักคณิตศาสตร์บางคนมองว่า เวอร์ชันนี้โดยรวมอ่อนกว่า OpenAI เล็กน้อย แต่ก็พบวิธีแก้ที่ใช้ได้เช่นกัน
รายงานยังระบุว่า Anthropic ต่อมาได้ทำกระบวนการฟอร์มัลไลซ์สำหรับพิสูจน์ทางประวัติศาสตร์ของทฤษฎีบทสุดท้ายของเฟอร์มาต์ ไม่กี่วันต่อมา OpenAI ก็แก้ปัญหาที่มีอายุประมาณ 90 ปี ซึ่งเกิดขึ้นเพียงไม่กี่ชั่วโมงหลังจากนักวิจัยคนหนึ่งเปิดเผยพิสูจน์ของตน ความเร็วเช่นนี้คือสิ่งที่เทอ เจิ้นเหวินกังวล
แนะนำให้เพิ่มน้ำหนักของกระบวนการให้เหตุผล
เทอเรนซ์ ทาโอ เสนอว่า สามารถระบุคำถามบางข้อว่า “ต้องวิเคราะห์” ภายใต้มาตรฐานนี้ คุณค่าของการให้คำตอบที่ถูกต้องเพียงอย่างเดียวจะลดลง และนักวิจัยจำเป็นต้องอธิบายกระบวนการให้เหตุผล รวมถึงกระบวนการดังกล่าวสามารถให้แรงบันดาลใจใดแก่คำถามที่เกี่ยวข้อง
เขาเชื่อว่า การมุ่งเน้นแค่การดึงคำตอบให้เร็วที่สุดอาจแก้ปัญหาในระยะสั้นได้จริง แต่จะทำลายระบบนิเวศของคำถามที่จำเป็นสำหรับการวิจัยรอบถัดไป และไม่ช่วยให้เข้าใจว่าทำไมผลงานที่มีอยู่จึงถูกต้อง ตามรายงาน คำแนะนำนี้ยังไม่ได้รับการกำหนดเป็นกฎอย่างเป็นทางการ และความก้าวหน้าอย่างต่อเนื่องของห้องปฏิบัติการ AI ขนาดใหญ่อาจทำให้โลกคณิตศาสตร์ต้องเผชิญกับการถกเถียงเรื่องมาตรฐานการประเมินเร็วขึ้น