Od analizy kotów po twierdzenia Erdos'a: sztuczna inteligencja coraz częściej atakuje szczyty matematyki

Modele AI przechodzą od zadań humanistycznych do rozwiązywania skomplikowanej matematyki

*Obecnie większość sztucznych inteligencji pierwotnie była rozwijana do pracy z tekstem i obrazami, ale ich twórcy coraz częściej dostrzegają potencjał wykorzystania ich w matematyce. Otwiera to dwa ważne kierunki:*

1. Postęp naukowy – nowe modele pozwalają szybko znajdować rozwiązania, które wcześniej uważano za nierozwiązywalne.

2. Prezentacja możliwości AI – sukcesy w matematyce stanowią wyraźny dowód skuteczności technologii.

Przykłady sukcesów
- Studenci z Cambridge użyli modelu OpenAI i rozwiązały problem Erdos’a, który wcześniej był uważany za nieosiągalny.

- Modele osiągają wysokie wyniki na Międzynarodowej Olimpiadzie Matematycznej oraz innych specjalistycznych konkursach.

- Była członkini rady nadzorczej Helen Turner zauważa: „Już wykraczamy poza proste zadania, takie jak rozróżnianie kotów i psów; teraz AI rozwiązuje problemy na wysokim poziomie”.

Specjalistyczne rozwój
CompanyModelTaskDeepMind (Google)AlphaProofMathematicsDeepMind (Google)AlphaGeometryGeometria
Te modele zdobyły uznanie na benchmarkach Epoch AI, które mierzą szybkość i dokładność rozwiązań. Początkowo duże modele językowe były uważane za nieodpowiednie, ponieważ generują tekst „na podstawie prawdopodobieństwa” i często „halucynują”. Jednak wdrożenie uczenia z wzmocnieniem i architektur myślących znacznie zwiększyło ich niezawodność.

Wzmacnianie zespołu naukowego
OpenAI przyciągnęła dwóch wybitnych matematyków:

- Ernest Ryu – Uniwersytet Kalifornijski, Los Angeles

- Mehtaab Sawhney – Uniwersytet Columbia

Ci specjaliści pomagają ulepszać modele i ich zdolności do rozwiązywania skomplikowanych problemów.

Matematyka jako „sprawdzany” test
Dowody matematyczne można automatycznie weryfikować, co czyni ją idealnym obszarem do eksperymentów z AI. Sprzyja to również rozwojowi oprogramowania:

- Anthropic inwestuje w Claude Code – asystenta generującego kod programistyczny.

Co dalej?
Aby rozwiązać naprawdę trudne pytania naukowe, AI musi opierać się na już istniejących wynikach i nie polegać na jednorazowej „pośredniej” sesji. Obecnie modele potrafią efektywnie agregować informacje z różnych dyscyplin, co przyspiesza odkrywanie nowych pomysłów. Eksperci są przekonani: w najbliższej przyszłości stanie się to kluczowym napędem postępu naukowego.

> *W matematyce AI już udowodniło swoją skuteczność.*