A matematikai közösségben az elmúlt évek fejleményei drámai sebességgel változtatják meg, mi számít kutatási feladatnak és karrierlehetőségnek. A matematika ezredéves kihívásaihoz (a Clay Mathematics Institute által 2000-ben megjelölt hét nehéz probléma) fűzött remények mellett 2002-ben Grigori Perelman megoldotta a Poincaré-sejtést, de az utóbbi időben a haladó AI-rendszerek olyan eredményeket érnek el, amelyek korábban egy emberi életpályát vagy generációkat igénylő munkát oldottak volna meg.
A forráscikk szerint egy névtelen OpenAI-modell már megoldott egy kényszerített változatát a Navier–Stokes-problémának, és az OpenAI a New York Times szerint „alapvető előrelépést” ért el egy másik Millennium-díjjal kapcsolatos problémában; emellett pletykák szerint az Anthropic is céloz újabb hasonló eredményeket. A helyzetet a szerző úgy írja le: az ezredévnyi időtartamot néhány nap tömöríti össze.
Terence Tao nézőpontja: mi az, ami elveszik?
Terence Tao — akit a szerző a valószínűleg legjobb élő matematikusként jellemez — éleslátó, kiegyensúlyozott és AI-val aktívan foglalkozó szereplő a vitában. Tao fontos érve, hogy maga a küzdelem a probléma körül megváltoztatja a matematikust: a nehézséggel folytatott munka során szerzett megértés, intuíció és személyes fejlődés sokszor legalább olyan értékes, mint maga a bizonyítás. Ha az AI rövid idő alatt hozzáférhetővé teszi a megoldásokat, az emberi oldalról elveszik az a tapasztalati tömeg — az elmulasztott kísérletek, tévedések és lassú felfedezések sorozata — amely a mélyebb tudást létrehozza.
A szerző ezt azzal szemlélteti, hogy bár hasznos és kényelmes tanítani Newton gravitációs törvényét tankönyvből, az a lehetőség, hogy valaki nulláról felfedezze újra, sok fontos megértést adna, amely most elveszik. Az oktatásban globálisan látható jelenségre is utal: a diákok teljesítménye javulhat, miközben a valódi kompetencia gyengül, mert a tanulási folyamatot kiiktatja valami, ami „megadja” a választ.
Proof abundance és a tudás túltengése
A szerző bevezeti a "proof abundance" (bizonyításbőség) kifejezést: képzeljünk el egy gépet, amely naponta 100 000 új tételt állít elő. Bár egyre több igazság keletkezik, igazság értelmezés nélkül értéktelen. Kérdések merülnek fel: mely bizonyítások nyitnak új irányokat, melyek zárnak le ösvényeket, melyek világrengetők és melyek csupán érdekességek? További nehézség, hogy egyetlen gép sem garantálja a hibátlanságot; a helyes és a téves között szelektálni emberi feladat marad.
Ennek következménye a szerző szerint, hogy a matematika nem afféle katedrális lesz, hanem Borges Babel könyvtárához hasonlít: rengeteg válasz elérhető, de a sok válasz közelíthet a tudás hiányához, ha nem értjük, melyek jelentősek.
A híd szerepe: ember és gép között
Az érvelés egyik kulcspontja, hogy még ha AI rendszerek képesek is feldolgozni és rangsorolni bizonyításokat, a láncnak emberi végpontja kell legyen: valakinek döntenie kell arról, mit tanítsanak, mire költsenek, mit építsenek, miben higgyenek. A „híd” nem tűnhet el: aki e hídon áll, az dönti el, mi hasznos az emberi világ számára.
Ugyanakkor az, hogy a tűk valahol a szénaboglyában vannak, elriaszthatja a leendő matematikusokat: mi értelme nekivágni egy életműnek egy olyan területen, amelyet gépek „aratnak le” előre? A szerző történelmi párhuzamot hoz William Thurstonnal, aki szakterületét annyira uralta, hogy a fiatalokat elriasztotta a belépéstől — Thurston azonban ember volt, visszavonult; az AI nem fárad meg és nem hagyja el a pályát.
Karrierméretű problémák és „fallow” analógia
A cikk hangsúlyozza, hogy a matematikában eltűnő „career-sized problems” — azok a problémák, amelyek egy kutató életművét meghatározhatják — létezésükben motiváló erők. Bernard Williams „ground projects” fogalmát idézve: ezek a projektek olyan központi életcélok, amelyek egy egész életutat igazolhatnak. Ha az AI elviszi ezeket, elveszik az olyan életanyagok, amelyekért emberek vállalnának 40 évet.
A szerző mezőgazdasági metaforával él: a talaj termékenységének megőrzéséhez a vetés-forgatás és a pihentetés (fallow) szükséges. Ha egy „úri földműves” folyamatosan betakarítja a földet, rövid távon nagy hozamot ér el, később azonban a talaj elvékonyodik és a hozam csökken. Hasonlóképp, ha a gépek folyamatosan learatnak minden területet, a „talaj” — az emberi tudás és kreativitás forrása — kimerülhet.
A „A Severe Misalignment of AI in Mathematics” deklaráció
A cikk megemlít egy közös nyilatkozatot Twenty-five Fields medallisták, köztük Terence Tao részvételével: „A Severe Misalignment of AI in Mathematics”, amely szerint a „tényszerű állítások tömeges, egyre gyorsabb előállítása” veszélyeztetheti a termékeny területeket ahelyett, hogy új ötleteket támasztana alá. Ez a figyelmeztetés arra hívja fel a figyelmet, hogy a tömeges automatizált bizonyítás-előállítás nem feltétlenül szolgálja a hosszú távú tudományos egészséget.
Intézményi átalakulás és versenyképesség
Egy másik kockázat az, hogy a kutatás gyakorlati feltételei megváltoznak: ha a csúcson számítási erő, hatalmas pre-tréning adathalmaz és agent-szövetségek kellenek a versenyképes munkához, akkor a hagyományos matematikai intézetek átalakulhatnak kvantitatív kereskedőcégekké. A szerző Perelmant említi példaként: ő volt az első ember, aki Millennium-problémát megoldott — és a cikk szerint lehetséges, hogy „az utolsó is” lesz.
Lehetséges válaszok: szétválasztás és emberi matematika
A szerző ismerteti, hogy más területeken (pl. sakk, speedrunning) létrejött megoldások miként különítik el az emberi versenyt a gépi teljesítménytől: emberi bajnokságok, „tool-assisted” kategóriák. A matematika esetében felmerül a javaslat, hogy létrehozzanak külön kategóriákat: „matematika mint kutatás” (gépekkel dominált) és „matematika mint emberi gyakorlat” (emberi szabályokkal, AI-mentesen gyakorolt). Ez analóg lehet azzal, hogy az emberek továbbra is futják a 100 métert autók létezése mellett: a sport és a teljesítménymérés külön dimenziók.
Záró gondolatok
A cikk sem nem kesergő, sem nem ünneplő: egyszerre ismeri el az AI által elért technológiai vívmányokat és a velük járó kulturális, intézményi és pszichológiai kockázatokat. A lényeges kérdés, amely a matematikusok és a tágabb közösség előtt áll: miként lehet megőrizni a nehézségben rejlő értéket, a problémák pihentető szerepét és a karrierlehetőségeket úgy, hogy közben kihasználjuk az AI nyújtotta előnyöket? Egy lehetséges út a terület kettéválasztása — vagy intézkedések, amelyek szándékosan fenntartják a „fallow” tereket az emberi kreativitás számára.
