Nem az a legérdekesebb, hogy az OpenAI újabb három tudományos áttörést állít. Hanem az, hogy közben láthatóan új szabályokat keres arra, hogyan lehet AI által generált kutatási eredményeket úgy közzétenni, hogy azt a tudományos közösség komolyan is tudja venni.

Mi történt

Az OpenAI ezúttal három „nagy” eredményt jelentett be: egy matematikai bizonyítást, egy számítástudományi állítást és egy elméleti fizikai munkát. A matematikai anyag szerint a modell bizonyítást adott a lokális simítás sejtésére minden legalább kétdimenziós térben, ami további ismert sejtésekre is kihat. Röviden: egy ilyen bizonyítás nem egyetlen szűk problémát old meg, hanem több, egymással összefüggő kérdést is rendezhet.

A számítástudományi állítás talán még látványosabb: eszerint hamis az Exponential Time Hypothesis, vagyis az a régóta használt feltevés, amely nagyjából azt mondja ki, hogy bizonyos logikai problémákra nem várható igazán gyors, pontos algoritmus. Ha ezt sikerülne igazolni, az komoly elméleti következményekkel járna az algoritmuselméletben. Az OpenAI a leírást és a Lean-bizonyítást is közzétette GitHubon. A Lean egy formális bizonyítási rendszer: gondolj rá úgy, mint egy nagyon szigorú ellenőrző nyelvre, ahol a matematikai lépéseknek gépileg is követhetőnek kell lenniük.

A fizikai eredményt egyelőre nem tették teljes egészében nyilvánossá. A leírás alapján egy matematikailag szigorú létezési bizonyításról van szó bizonyos kölcsönható kvantumtérelméletekre négy dimenzióban, köztük a kvantum-színdinamikára, vagyis arra az elméletre, amely az erős kölcsönhatást írja le. Ez a modern részecskefizika egyik alaprétege, ezért itt nemcsak technikai részletről, hanem alapvető elméleti kérdésről beszélünk.

Miért fontos

A bejelentés jelentősége legalább annyira szól a folyamatról, mint magukról az állításokról. A tudományban nem elég valamit kijelenteni: másoknak is érteniük, ellenőrizniük és szükség esetén javítaniuk kell. Most ezért külső szakértői csoportokat vontak be két területen „shepherd”, vagyis afféle szakmai kísérő szerepben, hogy segítsék az eredmények átvizsgálását és magyarázatát. Ez egyszerre praktikus és kényes megoldás. Praktikus, mert az AI által generált bizonyítások lehetnek helyesek, de nehezen olvashatók vagy szokatlan szerkezetűek. Kényes, mert felmerül, ki fér hozzá előbb, ki kap szakmai elismerést, és mennyire igazságos a kiválasztás. Ezt a dilemmát a The Verge által idézett tanácsadói testület is jelezte: a zárt, kiválasztott hozzáférés könnyen egyenlőtlen helyzeteket teremthet.

Mire figyelj

  1. A legfontosabb kérdés most nem az, mennyire hangzanak nagyot ezek az állítások, hanem hogy független kutatók mire jutnak az ellenőrzés során.
  1. Érdemes figyelni, mennyire lesz használható a Lean-formalizálás. A formális bizonyítás sokat segíthet, de nem helyettesíti azt, hogy emberek is megértsék, miért működik egy érvelés.
  1. Ugyanilyen fontos lesz, kialakul-e valamilyen új tudományos gyakorlat az AI-val született eredmények kezelésére: hogyan jár a kredit, mikor legyen nyilvános egy anyag, és ki kap erőforrást az ellenőrzésére.
  1. A fizikai eredménynél különösen sok múlik azon, mikor és milyen részletességgel válik hozzáférhetővé a teljes anyag. Amíg ez nincs kint, ott a közösségi ellenőrzés is korlátozott marad.