Από την ανάλυση γατών μέχρι τις θεωρήματα του Ερντόσ: η τεχνητή νοημοσύνη επιτίθεται όλο και πιο συχνά στα κορυφαία επίπεδα της μαθηματικής επιστήμης

Οι μοντέλα Τεχνητής Νοημοσύνης μεταβαίνουν από ανθρωπιστικές εργασίες στην επίλυση σύνθετων μαθηματικών προβλημάτων

*Προς το παρόν, οι περισσότερες τεχνητές νοημοσύνες αρχικά αναπτύχθηκαν για εργασία με κείμενο και εικόνες, αλλά οι δημιουργοί τους συνειδητοποιούν όλο και πιο συχνά τη δυνατότητα εφαρμογής τους στα μαθηματικά. Αυτό ανοίγει δύο σημαντικές κατευθύνσεις:*

1. Επιστημονική πρόοδος – τα νέα μοντέλα επιτρέπουν την γρήγορη εύρεση λύσεων που προηγουμένως θεωρούνταν αδιευκρίνιστες.

2. Δείξη δυνατοτήτων ΤΝ – οι επιτυχίες στα μαθηματικά αποτελούν έντονο αποδεικτικό στοιχείο της αποτελεσματικότητας των τεχνολογιών.

Παραδείγματα επιτυχιών
- Ένας φοιτητής του Cambridge χρησιμοποίησε το μοντέλο OpenAI και λύθηκε η πρόκληση του Erdős, που προηγουμένως θεωρούνταν αδύνατο.
- Τα μοντέλα παρουσιάζουν υψηλές επιδόσεις σε διεθνή μαθηματική ολυμπιάδα και άλλες εξειδικευμένες διαγωνιστικές εκδηλώσεις.
- Μια πρώην μέλος του διοικητικού συμβουλίου Helen Tuner σημειώνει: «Έχουμε ήδη ξεπεράσει τα απλά προβλήματα όπως η διάκριση γάτων από σκύλους· τώρα η ΤΝ επιλύει υψηλού επιπέδου προκλήσεις».

Εξειδικευμένες αναπτύξεις
CompanyModelTaskDeepMind (Google)AlphaProofMathematicsDeepMind (Google)AlphaGeometryGeometria
Αυτά τα μοντέλα έλαβαν αναγνώριση σε benchmarks Epoch AI, που μετρούν την ταχύτητα και την ακρίβεια των λύσεων. Αρχικά οι μεγάλοι γλωσσικοί μοντέλα θεωρούνταν ακατάλληλα, καθώς παράγουν κείμενο «βάσει πιθανοτήτων» και συχνά «παράπτω». Ωστόσο η ενσωμάτωση εκπαίδευσης με επιβράβευση και λογικών αρχιτεκτονιών βελτίωσε σημαντικά την αξιοπιστία τους.

Ενίσχυση της επιστημονικής ομάδας
Η OpenAI προσέλκυσε δύο εξαιρετικούς μαθηματικούς:

- Ernest Ryu – Πανεπιστήμιο Καλιφόρνια, Λος Άντζελος
- Mehtaab Sawhney – Columbia University

Αυτοί οι ειδικοί βοηθούν στη βελτίωση των μοντέλων και των ικανοτήτων τους στην επίλυση σύνθετων προβλημάτων.

Μαθηματικά ως «έλεγχος»
Οι μαθηματικές αποδείξεις μπορούν να ελέγχονται αυτόματα, καθιστώντας τα ιδανικά για πειράματα με ΤΝ. Αυτό επίσης προάγει την ανάπτυξη λογισμικού:

- Η Anthropic επενδύει στο Claude Code – βοηθό που παράγει κώδικα.

Τι έρχεται;
Για τη λύση πραγματικά σύνθετων επιστημονικών ερωτήσεων η ΤΝ πρέπει να βασίζεται σε ήδη υπάρχουσες γνώσεις και όχι σε μια ενιαία «διάλειμμα» συνεδρία. Προς το παρόν τα μοντέλα μπορούν να συγκεντρώνουν αποτελεσματικά πληροφορίες από διάφορα πεδία, επιταχύνοντας την ανακάλυψη νέων ιδεών. Οι ειδικοί είναι βέβαιοι ότι στο εγγύς μέλλον αυτό θα γίνει ο βασικός κινητήριος παράγοντας της επιστημονικής πρόοδου.

> *Στα μαθηματικά η ΤΝ έχει ήδη αποδείξει την αποτελεσματικότητά της.*