Η Τεχνητή Νοημοσύνη επιταχύνοντας την επίλυση μαθηματικών προβλημάτων που επί δεκαετίες θεωρούνταν απροσπέλαστα. Ομως, μαζί με τις δυνατότητες, ανακύπτουν και νέα ερωτήματα: Μπορούν οι μηχανές να παράγουν πραγματικά νέα γνώση; Και τι συμβαίνει όταν οι επιστήμονες δεν μπορούν πλέον να κατανοήσουν τις λύσεις που τους προσφέρουν;
«Μερικές φορές οι άνθρωποι έχουν λανθασμένη εικόνα για τα μαθηματικά και πιστεύουν ότι οι υπολογιστές θα τα ξεπεράσουν», έλεγε το 2000 ο μαθηματικός Αλέν Κον. Εξηγούσε τότε γιατί μια ομάδα διακεκριμένων μαθηματικών είχε θεσπίσει έπαθλα συνολικού ύψους ενός εκατομμυρίου δολαρίων για τη λύση επτά εξαιρετικά δύσκολων προβλημάτων, γνωστών ως Προβλήματα της Χιλιετίας. Κατά τον Κον, αυτά ήταν «εντελώς απρόσιτα στους υπολογιστές». Η τεχνολογία, όμως, προχώρησε πολύ περισσότερο απ’ όσο φαντάζονταν.
Στις αρχές Σεπτεμβρίου, η OpenAI ανακοίνωσε ότι ένα εσωτερικό μοντέλο Τεχνητής Νοημοσύνης (ΤΝ) της είχε λύσει ένα από τα επτά προβλήματα: εκείνο της ύπαρξης και ομαλότητας των εξισώσεων Navier-Stokes, που περιγράφουν την κίνηση των ρευστών. Ηταν μόλις το δεύτερο Πρόβλημα της Χιλιετίας που επιλυόταν και το πρώτο που αντιμετώπιζε με επιτυχία μια μηχανή. Οι μαθηματικοί προσπαθούσαν να το λύσουν επί τουλάχιστον έναν αιώνα. Το μοντέλο, γράφει ο Economist, χρειάστηκε μόλις 88 ώρες.
Ακολούθησε, στις 6 Οκτωβρίου, μια ακόμη πιο εντυπωσιακή ανακοίνωση. Η OpenAI δημοσίευσε 719 επιστημονικές εργασίες, στις οποίες παρουσιάζονταν λύσεις που έδωσε το ίδιο μοντέλο για τουλάχιστον 372 ακόμη άλυτα, μακροχρόνια μαθηματικά προβλήματα. Ο Αλβάρο Λοζάνο-Ρομπλέδο, μαθηματικός στο Πανεπιστήμιο του Κονέκτικατ, χαρακτήρισε την ημέρα «ενδεχομένως τη σημαντικότερη μέχρι σήμερα στην ιστορία των μαθηματικών». Οπως σημειώνει ο Economist, κανένας άλλος επιστημονικός κλάδος δεν έχει βιώσει μέχρι τώρα κάτι ανάλογο.
Οι αντιδράσεις, ωστόσο, δεν είναι ακριβώς πανηγυρικές. «Το σοκ είναι τεράστιο. Εχω παραλύσει», έγραψε ο Ουγκό Ντιμινούλ-Κοπέν, μαθηματικός στο Πανεπιστήμιο της Γενεύης και κάτοχος του Μεταλλίου Φιλντς, της σημαντικότερης διάκρισης στο χώρο. Σε ανακοίνωση που συνυπέγραψαν ο ίδιος και άλλοι 27 βραβευμένοι με το μετάλλιο, η κατάσταση περιγράφηκε ως «σοβαρή αναντιστοιχία της ΤΝ με τις ανάγκες των μαθηματικών». Το κείμενο έχει έκτοτε συγκεντρώσει την υποστήριξη περισσότερων από 8.000 ερευνητών. Ο Μάρτιν Χάιρερ, καθηγητής στο EPFL της Λωζάννης και ένας από τους υπογράφοντες, προειδοποιεί ότι, αν η εξέλιξη αφεθεί ανεξέλεγκτη, η ΤΝ μπορεί να «αποστειρώσει» τον κλάδο. Ο Economist επισημαίνει ότι οι αντιδράσεις αυτές προαναγγέλλουν ίσως τις αναταράξεις που θα ακολουθήσουν και σε άλλους επιστημονικούς τομείς.
Η ένσταση δεν αφορά μόνο το αν οι απαντήσεις είναι σωστές. Οι μαθηματικοί υποστηρίζουν ότι η προσήλωση στην επίλυση προβλημάτων παραβλέπει την αξία της ίδιας της αναζήτησης. Η προσπάθεια να απαντηθούν δύσκολα ερωτήματα οδηγεί στην επινόηση νέων εργαλείων και μεθόδων, που συχνά αποκτούν εφαρμογές πολύ πέρα από τον αρχικό τους σκοπό. Οι φανταστικοί αριθμοί, για παράδειγμα, που όταν υψώνονται στο τετράγωνο δίνουν αρνητικές τιμές, θεωρούνταν από μαθηματικούς του 16ου αιώνα «τόσο λεπτεπίλεπτοι όσο και άχρηστοι». Σήμερα αποτελούν θεμέλιο της ηλεκτρολογίας και της κβαντικής φυσικής. Αυτή είναι μία από τις βασικές ανησυχίες που καταγράφει ο Economist: η μηχανή μπορεί να δίνει απαντήσεις, χωρίς να παράγει τη γνώση που γεννιέται από την αναζήτηση.
Οι εργασίες της OpenAI, λένε οι επικριτές, δεν προσφέρουν απρόσμενες ιδέες ούτε ανοίγουν νέους δρόμους έρευνας. Επιπλέον, το μοντέλο δυσκολεύεται να εξηγήσει με σαφήνεια πώς έφτασε στα συμπεράσματά του. Ο Λουίς Μαρτίνεθ-Ζορόα, ειδικός στο πρόβλημα Navier-Stokes, χαρακτηρίζει την εργασία που περιγράφει τη μεθοδολογία ένα πόρισμα «Φρανκενστάιν» που δημιουργήθηκε από διαφορετικά ερευνητικά αποσπάσματα, χωρίς καθαρή συνοχή. Το ερώτημα, επομένως, δεν είναι μόνο αν η μηχανή βρίσκει τη λύση, αλλά αν οι άνθρωποι μπορούν να κατανοήσουν τη διαδρομή προς αυτήν.
Η αναταραχή δεν περιορίζεται στα μαθηματικά, συνεχίζει ο Εconomist. Ανάλυση 41,3 εκατομμυρίων επιστημονικών εργασιών από διαφορετικούς κλάδους των φυσικών επιστημών, που συνυπογράφει ο Τζέιμς Εβανς του Πανεπιστημίου του Σικάγου, διαπίστωσε ότι η χρήση ΤΝ από τους ερευνητές αυξάνεται με επιταχυνόμενο ρυθμό. Ο θεωρητικός φυσικός Ντέιβιντ Τονγκ του Πανεπιστημίου του Κέμπριτζ λέει ότι πλέον, όταν χρειάζεται να γίνουν υπολογισμοί, οι επιστήμονες στρέφονται αυτονόητα σε μεγάλα γλωσσικά μοντέλα κάτι που, όπως σημειώνει, δεν συνέβαινε μόλις πριν από λίγους μήνες. Στις 25 Σεπτεμβρίου, η Anthropic ανακοίνωσε ότι το μοντέλο Claude είχε προωθήσει την έρευνα στους υπολογισμούς των αλληλεπιδράσεων ορισμένων ομάδων σωματιδίων.
Η υιοθέτηση της τεχνολογίας φαίνεται να αποδίδει σε ατομικό επίπεδο. Η μελέτη του Εβανς έδειξε ότι οι επιστήμονες που χρησιμοποιούν εργαλεία ΤΝ δημοσιεύουν περισσότερες εργασίες και συγκεντρώνουν περισσότερες αναφορές από άλλους. Ωστόσο, η συνολική επίδραση είναι πιο σύνθετη: η χρήση της περιόρισε σχεδόν κατά 5% το εύρος των θεμάτων που μελετώνται και μείωσε κατά 22% την ενασχόληση των επιστημόνων με τις εργασίες συναδέλφων τους. Παρόμοια εικόνα προκύπτει από πρόσφατη έρευνα της Google σε περισσότερους από 600 επιστήμονες. Σχεδόν οι μισοί εκτίμησαν ότι η ΤΝ τούς ωθεί προς ασφαλέστερα ερευνητικά σχέδια, που εξασφαλίζουν γρήγορα δημοσιεύσιμα αποτελέσματα. Μόνο το 28% θεωρεί ότι τους επιτρέπει να αναλαμβάνουν πιο τολμηρά και αβέβαια εγχειρήματα. Το εύρημα αυτό υπογραμμίζει, σύμφωνα με τον Economist, τον κίνδυνο η αύξηση της παραγωγικότητας να συνοδεύεται από περιορισμό της επιστημονικής τόλμης.
Ο Χέκτορ Ζενίλ, επιστήμονας υπολογιστών στο King’s College του Λονδίνου, προειδοποιεί για μια ακόμη βαθύτερη αλλαγή. Σε άρθρο του μαζί με τον Εβανς, περιγράφει ένα πιθανό μέλλον στο οποίο τα συστήματα ΤΝ, σε συνδυασμό με ρομποτικά εργαλεία, θα μπορούν να ολοκληρώνουν αυτόνομα ολόκληρο τον επιστημονικό κύκλο: να πραγματοποιούν μετρήσεις, να διατυπώνουν υποθέσεις, να τις δοκιμάζουν στο εργαστήριο, να αξιολογούν τα αποτελέσματα και να ξεκινούν ξανά. Μια τέτοια εξέλιξη θα μπορούσε να οδηγήσει σε έρευνα που παράγεται από μηχανές, αλλά γίνεται όλο και λιγότερο κατανοητή στους ανθρώπους.
Ισως οι επιστήμονες να μπορούν να ελέγχουν αν τα αποτελέσματα είναι σωστά και να τα αξιοποιούν, χωρίς να γνωρίζουν ακριβώς πώς προέκυψαν. Ο Ζενίλ φαντάζεται τους ερευνητές σε ρόλο αρχαιολόγων, που ανασκάπτουν τις ανακαλύψεις της ΤΝ προσπαθώντας να ανασυνθέσουν τη διαδικασία που τις γέννησε. Ακόμη και ο αισιόδοξος Τονγκ παραδέχεται ότι οι επιστήμονες ίσως δεν είναι προετοιμασμένοι για όσα θα συμβούν μέσα στους επόμενους έξι ή δώδεκα μήνες. Η θεωρητική φυσική, ως συγγενής κλάδος των μαθηματικών, ενδέχεται να είναι η πρώτη που θα βιώσει ανάλογη ανατροπή.
Προς το παρόν, οι μαθηματικοί δεν κινδυνεύουν να μείνουν χωρίς αντικείμενο εργασίας. Η αδιαφάνεια των αποτελεσμάτων της OpenAI αφήνει ανοιχτό ένα τεράστιο πεδίο ελέγχου των μεθόδων και αξιολόγησης των προσεγγίσεων που αποδεικνύονται πιο γόνιμες. Επιπλέον, η ΤΝ εξακολουθεί να δυσκολεύεται στη δημιουργική σκέψη. Δεν γνωρίζουμε, για παράδειγμα, αν θα μπορούσε ποτέ να επινοήσει τους φανταστικούς αριθμούς. Οπως καταλήγει ο Economist, οι επιστήμονες που υποτιμούν τις δυνατότητές της μπορεί να βρεθούν προ δυσάρεστων εκπλήξεων.
Πηγή: Protagon.gr
