Kontrowersje wokół OpenAI i problemu istnienia i gładkości Navier-Stokesa: Przyszłość matematyki w erze AI

Firma OpenAI ogłosiła niedawno, że jej agenci sztucznej inteligencji rozwiązali jeden z Problemów Milenijnych – problem istnienia i gładkości Navier-Stokesa. To osiągnięcie, które w normalnych okolicznościach byłoby ogromnym sukcesem, zostało jednak przyćmione przez oskarżenia o brak odpowiedniego uznania dla pracy innych badaczy. Incydent ten wywołał szeroką dyskusję na temat przyszłości matematyki i roli ludzkich naukowców w obliczu rosnącej potęgi sztucznej inteligencji.

Oskarżenia o brak atrybucji i kulisy współpracy

Kontrowersje narosły wokół zarzutów, że OpenAI wykorzystało pracę Tristana Buckmastera, matematyka z NYU, oraz Leventa Alpöge’a, pracownika firmy Anthropic, jako punkt wyjścia do własnych badań, nie przypisując im zasług. Obaj naukowcy prowadzili badania nad tym samym problemem, korzystając z publicznie dostępnych modeli AI zarówno OpenAI, jak i Anthropic. OpenAI zaprzeczyło tym oskarżeniom, choć Sébastien Bubeck, członek zespołu technicznego OpenAI, przyznał, że firma podjęła się rozwiązania problemu po usłyszeniu plotek o wysiłkach Buckmastera i Alpöge’a.

W poniedziałek Buckmaster opublikował dowód na platformie Mastodon, pokazujący, że uproszczona wersja równań Navier-Stokesa może się załamać, co stanowiło znaczący krok naprzód w rozwiązaniu Problemu Milenijnego. On i Alpöge pracowali nad tym zagadnieniem przez prawie rok. Tego samego dnia OpenAI przedstawiło dowód, że pełne równania Navier-Stokesa również mogą się załamać, wykorzystując wewnętrzny model, który znacznie przewyższa możliwości modelu Astra, wydanego zaledwie tydzień wcześniej. Firma oświadczyła, że nie zamierza ubiegać się o nagrodę w wysokości miliona dolarów za rozwiązanie problemu.

Buckmaster opisał również swoje interakcje z pracownikami OpenAI, którzy mieli mu przedstawić dwie możliwości: albo on i Alpöge opublikują swoją pracę, a OpenAI opublikuje swoje rozwiązanie następnego dnia, albo Buckmaster będzie współpracował z OpenAI nad artykułem, z którego wykluczono by Alpöge’a ze względu na jego powiązania z Anthropic, głównym rywalem OpenAI. Buckmaster zapytał również, czy agenci OpenAI mieli dostęp do transkrypcji jego pracy z Alpöge’em, czemu zaprzeczono, oraz czy modele OpenAI były szkolone na tych transkrypcjach, na co nie otrzymał odpowiedzi. Mark Chen, dyrektor ds. badań w OpenAI, ponownie zaprzeczył, aby agenci lub pracownicy mieli dostęp do transkrypcji, jednak wcześniejsze incydenty, takie jak włamanie do Hugging Face, sugerują, że OpenAI nie zawsze ma pełną świadomość działań swoich agentów.

Problem istnienia i gładkości Navier-Stokesa

Problem, który OpenAI twierdzi, że rozwiązało, dotyczy zestawu równań opisujących przepływ płynów, takich jak woda i powietrze. Równania te są szeroko stosowane w dynamice płynów, ale ich pełne zrozumienie było dotąd nieosiągalne. W szczególności nie było wiadomo, czy równania te mogą w pewnych warunkach załamać się i przewidywać niemożliwe stany, takie jak nieskończona prędkość płynu. Jest to jeden z siedmiu Problemów Milenijnych wybranych przez Clay Mathematics Institute w 2000 roku, a jego rozwiązanie wiąże się z nagrodą miliona dolarów. Przed tym ogłoszeniem tylko jeden inny Problem Milenijny został rozwiązany.

Zarówno dowody Buckmastera i Alpöge’a, jak i OpenAI, wykorzystują podejście do problemu Navier-Stokesa zapoczątkowane przez matematyków Diego Córdobę i Luisa Martíneza-Zoroę. Według Javiera Gómeza-Serrano, profesora matematyki z Brown University, było to jedno z kilku obiecujących podejść. Choć możliwe jest, że oba zespoły niezależnie doszły do tego samego rozwiązania, wpływ pracy Buckmastera i Alpöge’a na OpenAI jest również możliwy.

Przyszłość matematyki w erze AI

Postępy osiągnięte przez Buckmastera i Alpöge’a w ciągu prawie roku współpracy z publicznie dostępnymi modelami AI świadczą o potencjale synergii człowiek-AI. Jednak nie zdołali oni osiągnąć pełnego rozwiązania. Tymczasem OpenAI, wykorzystując wewnętrzny model i ogromne zasoby, znalazło rozwiązanie w ciągu kilku dni. Bubeck i Chen ujawnili, że zespół rozwiązał problem, uruchamiając jednocześnie około 10 000 agentów, co kosztowało miliony dolarów.

Ten epizod może oznaczać punkt zwrotny w historii matematyki. Modele AI wydają się teraz niezbędne do postępu w najważniejszych problemach matematycznych, a ich rozwiązywanie może wymagać zasobów dostępnych tylko w kilku wiodących firmach AI. Firmy te często nie przestrzegają norm współpracy akademickiej, które stanowią podstawę większości postępów matematycznych. Jeśli taki ma być kierunek rozwoju, nie jest jasne, jak ludzcy matematycy odnajdą się w tej nowej rzeczywistości.

Terence Tao, matematyk z UCLA, zwrócił uwagę na znaczenie błędów, błędnych kierunków i niekompletnych rozwiązań dla rozwoju dziedziny. Jak napisał na Mastodonie, problemy w czystej matematyce są stawiane nie tyle dla samego rozwiązania, ile dlatego, że wysiłki ludzkie w ich rozwiązywaniu stymulują dalszy rozwój. Przedwczesne rozwiązywanie problemów wyłącznie metodami AI, zwłaszcza bez pełnej przejrzystości procesu, może zakłócić ten proces, stając się wręcz negatywnym czynnikiem dla postępu matematyki jako całości. Ludzie, choć wolniej, odkrywają nowe podejścia i idee, które inspirują innych i prowadzą do powstawania nowych poddziedzin. Kiedy jednak problemy rozwiązują agenci AI, a ich „błędne kroki” pozostają ukryte, te korzyści zanikają. Pozostaje pytanie, co jeszcze zniknie w tym procesie.

Szersze konsekwencje dla środowiska naukowego

Sytuacja ta rodzi poważne obawy w środowisku matematyków. Coraz częściej słyszy się, że naukowcy stają się zniechęceni, widząc, jak matematyka staje się domeną potężnych firm AI dysponujących imponującymi, wewnętrznymi modelami, nieograniczonymi budżetami i brakiem ducha współpracy. Javier Gómez-Serrano podkreśla, że bardzo niewielu matematyków będzie miało dostęp do zasobów na taką skalę. Jeśli OpenAI i Anthropic będą nadal dążyć do coraz bardziej spektakularnych osiągnięć matematycznych, może zabraknąć otwartych problemów dla ludzkich matematyków spoza tych firm. To fundamentalnie zmieniłoby oblicze całej dziedziny, przesuwając ciężar innowacji z otwartej społeczności akademickiej do zamkniętych laboratoriów korporacyjnych, co może ograniczyć spontaniczny rozwój i dzielenie się wiedzą, które są kluczowe dla postępu naukowego.

Źródło: technologyreview.com