Furcsa helyzet alakult ki: az AI sokszor még mindig elbotlik az elemi számolásban, közben viszont egyre komolyabb eredményeket mutat fel olyan matematikai területeken, ahol már nem a szorzótábla, hanem az absztrakt gondolkodás számít. Ez azért rázta meg a szakmát, mert a matematika sokáig biztos menedéknek tűnt az automatizálással szemben.

Mi történt

Az elmúlt hónapokban látványosan megváltozott, mit tudnak az AI-modellek a matematikában. A korábbi közhely az volt, hogy ezek a rendszerek még egyszerű feladatokban is megbízhatatlanok: elrontanak alapműveleteket, összekevernek időpontokat vagy banális számlálási feladatokat. Ez részben ma is igaz. Csakhogy a matematika nem csak számolásból áll. A kutatási szintű matek gyakran inkább mintázatok felismeréséről, fogalmak közti kapcsolatok megtalálásáról és bizonyítási lépések felépítéséről szól.

Pont ezen a szinten kezdtek el hirtelen erősödni a modellek. Az OpenAI nemrég több matematikai és elméleti számítástudományi eredményt tett közzé, köztük olyan megoldásokat is, amelyek régóta nyitott problémákhoz kapcsolódnak. Korábban egy belső modell egy évtizedek óta vizsgált sejtést is megcáfolt. A mostani hullám azért kavart ekkora vitát, mert már nem arról van szó, hogy az AI „segít” jegyzetelni vagy kódot írni, hanem arról, hogy egyes területeken kutatói szintű teljesítmény közelébe ér.

Fontos, hogy ez nem egyenletes fejlődés. A matematika nem egyetlen készség, hanem sok, egymástól nagyon eltérő részterület együttese. Olyan ez, mintha a „biológia” szó alá egyszerre tennéd be az állatmegfigyelést, a genetikát és a biokémiát. Az AI bizonyos absztrakt területeken látványosan javul, máshol viszont továbbra is gyenge. Vagyis nem arról van szó, hogy „a gép már tud matematikát”, hanem arról, hogy a matematikán belül néhány fontos szeletben már meglepően versenyképes.

Miért fontos

Ez a fejlemény nemcsak a matematikusok belügye. A matematika sok szempontból tesztterep: ha egy modell képes formális, ellenőrizhető, magas absztrakciós szintű problémákban jól teljesíteni, az arra utalhat, hogy más hasonlóan zárt területeken is gyorsan javulhat. Gondolj rá úgy, mint egy laboratóriumi környezetre, ahol tisztábban látszik, mire képes a rendszer, mert a „jó válasz” legalább részben ellenőrizhető. Ettől lesz a kérdés nagyobb annál, hogy megold-e pár nehéz tételt: a kutatási finanszírozásról, az egyetemi képzés értelméről és a szakmai szerepek átalakulásáról is szól.

A feszültséget az adja, hogy a matematika identitása részben épp arra épült, hogy ez az emberi gondolkodás egyik legtisztább formája. Ha egy modell itt is használhatóvá válik, akkor a kérdés már nem az, hogy tud-e segíteni, hanem az, hogy mi számít majd valódi emberi hozzájárulásnak.

Mire figyelj

  1. Az eredmények ellenőrzésére. A matematikában nem elég egy látványos állítás: a bizonyítás minősége és független ellenőrzése dönti el, mennyit ér valójában az áttörés.
  1. Arra, mely részterületeken erős az AI. Könnyen lehet, hogy nem „a matematika egészét” alakítja át, hanem csak néhány, jól formalizálható ágat.
  1. Az egyetemi és kutatási reakciókra. Ha a modellek tartósan jól teljesítenek, előbb-utóbb a finanszírozásban, a képzésben és a kutatói munkamegosztásban is megjelenik a hatás.
  1. Arra is, mennyi ebben a valódi tudományos előrelépés és mennyi a pozicionálás. A The Verge beszámolója is rámutat: a mostani figyelem nemcsak tudományos, hanem kommunikációs játszma is lehet az élvonalbeli AI-laborok számára.