Az állatvizsgálattól az Erdős-tételhez: a mesterséges intelligencia egyre gyakrabban támadja meg a matematika csúcsait

Az AI‑modellek a humánitás feladatainak elhagyása után a bonyolult matematikai problémák megoldására váltanak

*Jelenleg a legtöbb mesterséges intelligencia eredetileg szöveg és kép feldolgozására lett tervezve, de fejlesztőik egyre inkább felismerik a potenciált a matematika alkalmazásában. Ez két fontos irányt nyit meg:*

1. Tudományos előrelépés – az új modellek gyorsan találnak megoldásokat, amelyeket korábban nem oldottak meg.

2. Az AI képességeinek bemutatása – a matematika terén elért sikerek élénk bizonyítékai a technológiák hatékonyságának.

Sikertörténetek példái
- Egy Cambridge-i hallgató használta az OpenAI modellt, és megoldotta Erdős feladatát, amelyet korábban nem volt lehetségesnek tartottak.

- A modellek magas eredményeket érnek el a Nemzetközi Matematika Olimpián és más speciális versenyeken.

- A korábbi Board of Directors tag, Helen Tuner megjegyzi: „Már túlléptük az egyszerű feladatok határait, mint például a macskák és kutyák felismerése; most az AI magas szintű problémákat old meg”.

Speciális fejlesztések
CompanyModelTaskDeepMind (Google)AlphaProofMathematicsDeepMind (Google)AlphaGeometryGeometria
Ezek a modellek elismerést kaptak az Epoch AI benchmarkokon, amelyek mérik a megoldások sebességét és pontosságát. Eredetileg a nagy nyelvi modelleket nem tartották megfelelőnek, mivel „valószínűség alapján” generálnak szöveget és gyakran „hallucinálnak”. Azonban a megerősítéses tanulás és a gondolkodó architektúrák bevezetése jelentősen növelte megbízhatóságukat.

Tudományos csapat erősítése
Az OpenAI két kiemelkedő matematikust vonzott be:

- Ernest Ryu – Kaliforniai Egyetem, Los Angeles

- Mehtaab Sawhney – Columbia University

Ezek a szakemberek segítenek javítani a modelleket és képességeiket a bonyolult feladatok megoldására.

A matematika mint „ellenőrizhető” teszt
Matematikai bizonyítékokat automatikusan ellenőrizhetünk, ami ideálissá teszi az AI kísérleteihez. Ez elősegíti a szoftverfejlesztéset is:

- Az Anthropic befektet Claude Code-be – egy olyan asszisztensbe, amely programkódot generál.

Mi a következő lépés?
A valóban bonyolult tudományos kérdések megoldásához az AI-nak alapul kell állnia már meglévő eredményeken és nem szabad csak egyszeri „interim” üléssel számítania. Jelenleg a modellek hatékonyan aggregálják az információt különböző tudományterületekről, ami felgyorsítja az új ötletek felfedezését. A szakértők biztosak abban: a közeljövőben ez lesz a kulcsfontosságú hajtóerő a tudományos előrelépéshez.

> *A matematika területén az AI már bizonyította hatékonyságát.*