Model badawczy OpenAI wygenerował kontrprzykład do wieloletniej hipotezy związanej z problemem odległości jednostkowych Paula Erdősa. Rozwiązanie to zamyka kluczowe założenie wewnątrz tej dziedziny, jednak najistotniejsza pozostaje zastosowana metoda. Zamiast klasycznej geometrii dyskretnej system wskazał kierunek oparty na algebraicznej teorii liczb, udowadniając zdolność modeli do skutecznego łączenia odległych dyscyplin naukowych.
Problem odległości jednostkowych
Sformułowane w 1946 roku pytanie Erdősa dotyczy określenia maksymalnej liczby par punktów na płaszczyźnie, które są od siebie oddalone o dokładnie jedną jednostkę. Przez dekady środowisko matematyczne zakładało, że liczba takich odległości rośnie nieznacznie szybciej niż funkcja liniowa, co wyrażano wzorem:
Najlepsze formalne ograniczenie górne, wynoszące
udowodnili w 1984 roku Joel Spencer, Endre Szemerédi oraz William Trotter. Przez kolejne dziesięciolecia większość badań koncentrowała się na próbach potwierdzenia pierwotnej intuicji Erdősa, wykorzystując do tego tradycyjne metody geometrii kombinatorycznej.
Teoria liczb zamiast geometrii
Model OpenAI zignorował dominujące podejścia geometryczne. Zamiast operować na klasycznych konstrukcjach, system wykorzystał abstrakcyjne narzędzia algebraicznej teorii liczb, w szczególności nieskończone wieże ciał klas (infinite class field towers) oraz teorię Gołoda-Szafarewicza.
Wygenerowana konstrukcja udowodniła, że liczba odległości jednostkowych rośnie szybciej, niż zakładała to pierwotna hipoteza. Wstępny wynik dostarczył ułamkowej poprawy wykładnika, rzędu:
Wartość ta miała jednak absolutne znaczenie teoretyczne, wystarczając do obalenia intuicji Erdősa w jej klasycznej formie. W późniejszych pracach matematyk Will Sawin rozwinął tę konstrukcję, podnosząc wartość poprawy do poziomu około 0.014.
Eksploracja AI a rola człowieka
Firma OpenAI komunikuje ten wynik jako dowód na rosnącą autonomię modeli sztucznej inteligencji. W rzeczywistości jednak wygenerowane idee nie funkcjonowały w próżni. Wymagały one wieloetapowej analizy, formalnej weryfikacji oraz uproszczenia przez zespół ekspertów (m.in. Tima Gowersa, Nogę Alona i Thomasa Blooma).
Przypadek ten precyzyjnie definiuje obecną wartość modeli wnioskujących (reasoning models) w nauce. Ich przewaga nie polega na całkowitym zastąpieniu badaczy, lecz na zdolności do długotrwałej eksploracji trudnych przestrzeni decyzyjnych bez zniechęcania się ślepymi zaułkami. Sztuczna inteligencja potrafi skutecznie wskazać nieintuicyjne powiązania między dziedzinami – jak geometria i teoria liczb – kierując uwagę ekspertów na właściwe tory badawcze.
Leave a Comment