OpenAI tvrdí, že model vyriešil starý problém diskrétnej geometrie

OpenAI zverejnilo výskumný príbeh, ktorý môže byť pre matematiku aj vývoj veľkých modelov dôležitejší než bežný modelový release. Firma tvrdí, že jej interný všeobecný reasoning model našiel dôkaz, ktorý vyvracia dlhoročnú domnienku v takzvanom probléme jednotkových vzdialeností v rovine. Nejde o školský príklad ani o benchmark navrhnutý pre umelú inteligenciu, ale o otázku, ktorú matematici študujú od čias Paula Erdősa v roku 1946.

Problém sa pýta jednoducho: ak v rovine umiestnime n bodov, koľko dvojíc môže byť od seba presne vo vzdialenosti jedna? Jednoduché konštrukcie, napríklad body v mriežke, dávajú veľa takýchto dvojíc, no desaťročia sa predpokladalo, že ich rast sa dá zlepšovať len veľmi pomaly. OpenAI uvádza, že jej model našiel nekonečnú triedu konfigurácií, pri ktorých počet jednotkových vzdialeností rastie polynomiálne lepšie než pri dovtedy očakávaných mriežkových konštrukciách.

V technickejšej reči ide o vyvrátenie predstavy, že maximum má tvar približne n na 1 plus miznúci člen. Nový výsledok má pre nekonečne veľa hodnôt n dosahovať aspoň n na 1 plus pevná kladná delta. OpenAI píše, že pôvodný dôkaz modelu neurčil explicitnú hodnotu tejto delty, no následné ľudské spracovanie podľa firmy ukazuje možnosť zvoliť delta 0,014. Pre laického čitateľa nie je podstatné samotné číslo, ale zmena charakteru výsledku: nejde o malú konštantnú úpravu, ale o iný asymptotický režim.

Najsilnejšia časť oznámenia je spôsob vzniku dôkazu. Podľa OpenAI model nebol špeciálne trénovaný na tento konkrétny problém, nešlo o úzko postavený vyhľadávač dôkazových stratégií ani o systém ručne navrhnutý pre diskrétnu geometriu. Firma hovorí o všeobecnom modeli na uvažovanie, ktorý testovala na zbierke Erdősových problémov. V tomto prípade mal model prísť s dôkazom, ktorý následne kontrolovali externí matematici.

To je dôležitý rozdiel oproti bežným tvrdeniam o matematických schopnostiach modelov. V benchmarkoch sa často meria, či model vyrieši úlohu so známym riešením. Tu je tvrdenie ambicióznejšie: systém mal navrhnúť nový matematický argument k otvorenému problému. Zároveň však platí, že dôkaz v matematike nežije z tlačovej správy. Musí prejsť čítaním, opravami, nezávislou kontrolou a nakoniec prijatím alebo odmietnutím odbornou komunitou.

OpenAI uvádza, že externí matematici pripravili sprievodný text s vysvetlením argumentu a širšieho významu. V oznámení cituje aj Tima Gowersa, nositeľa Fieldsovej medaily, ktorý výsledok označuje za míľnik pre AI v matematike, a Arula Shankara s názorom, že súčasné modely už môžu prichádzať s originálnymi nápadmi, nielen pomáhať ľuďom pri rutinných krokoch. Takéto citácie zvyšujú váhu príbehu, ale samy osebe nenahrádzajú úplnú odbornú validáciu.

Pre AI priemysel je prípad zaujímavý aj preto, že matematika je tvrdý test uvažovania. Pri písaní textu alebo kódu môže model často pôsobiť presvedčivo aj vtedy, keď sa mýli. V matematickom dôkaze sa však nepresnosť zvyčajne nedá zakryť štýlom. Dlhý argument musí držať v každom kroku, inak sa zrúti celý výsledok. Ak sa tvrdenie OpenAI potvrdí v nezávislej literatúre, pôjde o silný signál, že modely sa posúvajú od riešenia pripravených úloh k aktívnemu hľadaniu nových konštrukcií.

Praktický dopad sa nemusí prejaviť zajtra v podobe nového produktu. Dôležitejší je precedens pre vedecké workflow. Výskumníci môžu začať brať modely nie len ako kalkulačky, vyhľadávače literatúry alebo asistentov pri písaní, ale ako generátory hypotéz a konštrukcií, ktoré následne človek prísne overuje. To mení aj požiadavky na nástroje: potrebné budú lepšie auditovateľné logy, reprodukovateľné priebehy uvažovania, jasné rozlíšenie medzi nápadom modelu a ľudskou úpravou a mechanizmy na rýchle vyhľadávanie chýb.

Zároveň je namieste opatrnosť. Dejiny matematických a vedeckých oznámení poznajú prípady, keď sa sľubný dôkaz po detailnej kontrole ukázal ako neúplný. Pri AI je toto riziko ešte citlivejšie, pretože modely vedia vytvárať veľmi presvedčivý jazyk aj pri chybných úvahách. Najzdravší postoj preto nie je ani automatické nadšenie, ani odmietnutie. Správa je silná práve vtedy, ak ju komunita bude môcť overiť rovnako prísne ako každý iný matematický výsledok.

Ak sa dôkaz ustáli, pôjde o jeden z prvých viditeľných prípadov, kde všeobecný AI model prispel k centrálnej otázke aktívnej matematickej oblasti. Pre firmy vyvíjajúce modely to bude argument, že investície do hlbšieho uvažovania majú význam aj mimo programovania a kancelárskej automatizácie. Pre vedcov to bude výzva nastaviť pravidlá spoluautorstva, zodpovednosti a kontroly tak, aby AI zrýchľovala objavy bez toho, aby oslabila dôveru v samotný proces dokazovania.