أتفق بشكل خاص مع وجهة نظر تاو تششوان: أنسب استخدام للذكاء الذكاء الاصطناعي في هذه المرحلة ليس الاستخدام المباشر لأقوى نماذج الذكاء الاصطناعي للتغلب على أصعب المشكلات الرياضية ، ولكن استخدام استخدام أكثر شمولا وعملية ، ربما لاستخدام أدوات الذكاء الاصطناعي ذات الأداء المعتدل لمساعدة علماء الرياضيات على تسريع إكمال تلك المهام البحثية الأساسية اليومية المملة ولكنها الأساسية. قبل أيام قليلة سمعت أحد الأشخاص في CVS يشارك أن صيدليات CVS مشغولة للغاية، ولكن معظم الوقت يضيع في بعض الأشياء الشاقة، مثل عد الحبوب، لأن عدد الأقراص لكل مريض مختلف، وهناك حاجة إلى صيدليين محترفين، أحدهما مسؤول عن تعبئة العدد المحدد من الأقراص في زجاجة الدواء، والآخر مسؤول عن التحقق مما إذا كان عدد الأقراص في الزجاجة صحيحا. لذلك استخدموا مؤخرا روبوتات الذكاء الاصطناعي + لأتمتة هذه العملية ، مما يحرر الصيادلة للقيام بأشياء أكثر أهمية. استخدامي اليومي للذكاء الذكاء الاصطناعي مشابه ، وقد لا يساعدني بالضرورة في حل العديد من المشكلات الفنية ، ولكن يمكنني استخدام الذكاء الاصطناعي لتطوير بعض الأدوات ، أو استخدام مطالبات محددة مباشرة ، لمساعدتي في القيام بالكثير من العمل الشاق ، والذي يمكن أن يحسن كفاءتي الإجمالية بشكل كبير. --- انظر التعليقات على الترجمة الأصلية

تاو تششوان: بعض أفكاري حول التطبيق الأخير الذكاء الاصطناعي في مجال الرياضيات في الآونة الأخيرة ، أصبحت أشعر أكثر فأكثر أن التطبيق الأكثر فعالية للذكاء الاصطناعي (الذكاء الاصطناعي) في مجال الرياضيات على المدى القصير ليس بالضرورة الاستخدام المباشر لأقوى نماذج الذكاء الاصطناعي للتغلب على أصعب المشكلات الرياضية. بالطبع ، نرى أحيانا بعض الحالات الناجحة بشكل خاص ، ولكن غالبا ما يتم تحقيقها بالكثير من موارد الحوسبة وجهود كبار الخبراء. قد يكون الاستخدام الأوسع والأكثر عملية حقا هو استخدام أدوات الذكاء الاصطناعي ذات الأداء المعتدل لمساعدة علماء الرياضيات على تسريع إكمال تلك المهام البحثية الأساسية المملة ولكنها الأساسية. كان من الممكن إكمال هذه المهام التي تبدو عادية من قبل خبراء بشريين ، لكن الأمر سيستغرق المزيد من الوقت والجهد. لكن هذه في الواقع ميزة رئيسية لتطبيقات الذكاء الاصطناعي ، وليست عيبا. نظرا لأن الخبراء البشريين قد راكمت لديهم خبرة وحدس غنيين ، يمكنهم تحديد ما إذا كان ناتج الذكاء الاصطناعي موثوقا به بسرعة ودقة ودمجها بأمان في عمليات البحث الخاصة بهم. مثال بسيط: البحث في الأدب. يحتاج علماء الرياضيات عادة إلى الرجوع إلى الكثير من الأدبيات البحثية الحالية قبل دراسة المشكلة. إذا كان للمشكلة اسم معترف به بالفعل وكان هناك مجتمع بحثي نشط ، لكانت محركات البحث وقواعد البيانات الأكاديمية الحالية جيدة بما فيه الكفاية. يحتاج علماء الرياضيات فقط إلى البدء بورقة مهمة والبحث للأمام والخلف على طول سلسلة الاقتباس لفهم التقدم البحثي للمشكلة بسرعة. ومع ذلك ، هناك العديد من الأوقات التي لا يكون فيها لمشكلة البحث اسم موحد ، وقد يكون العلماء في مختلف المجالات في صوامع. تنتشر الأدبيات ذات الصلة عبر مختلف المجلات والمؤتمرات والكتب ، والاستشهادات غير منظمة. في بعض الأحيان ، تذكر المقالة جزءا صغيرا فقط من المشكلة ، ممزوجة بالكثير من المحتوى غير ذي الصلة. من المزعج بشكل خاص العثور على أدبيات قيمة حقا في هذه الحالة: قد تضطر إلى البحث عن مقالات وغربلتها مرارا وتكرارا ، وقد تضطر إلى قراءتها لفترة طويلة لتجد أنها لا علاقة لها بمشاكلك. ولكن بمجرد العثور على المقالة ذات الصلة ، يحتاج الخبير فقط إلى إلقاء نظرة سريعة لتحديد ما إذا كانت المقالة تساهم في المشكلة الحالية على الفور. تجعل قدرة التحقق السريع هذه الذكاء الاصطناعي مناسبا بشكل خاص للبحث في الأدبيات (بشرط أن يكون لدى الباحثين الخبرة ذات الصلة للحكم بشكل مستقل على جودة الوثائق). خاصة عندما يحتاج الباحثون إلى الانتباه إلى أسئلة بحثية متعددة في نفس الوقت ، فإن مزايا استخدام الذكاء الاصطناعي تكون أكثر وضوحا. في هذا السيناريو ، لا يحتاج الذكاء الاصطناعي إلى أن يكون دقيقا بنسبة 100٪ ، طالما أن معدل النجاح مرتفع بما يكفي ، فإن الكفاءة الإجمالية ستكون أعلى بكثير من الطرق التقليدية. علاوة على ذلك ، يقضي الباحثون بعض الوقت في تعلم كيفية استخدام أدوات الذكاء الاصطناعي بشكل فعال ، ويمكنهم تخفيف التكلفة تدريجيا على الاستخدام المتكرر. في الآونة الأخيرة ، حدث مثال نموذجي للغاية في الدوائر الرياضية: سأل عالم الرياضيات الشهير بول إردوس العديد من المشكلات الرياضية المثيرة للاهتمام خلال حياته. يوجد حاليا أكثر من ألف إصدار على موقع Erdős Problems ، الذي يجمع وينظم هذه القضايا ، منها حوالي 600 قضية تم تمييزها على أنها "مفتوحة". على الرغم من أن بعض المشكلات قد تمت دراستها على نطاق واسع ، إلا أن هناك أيضا العديد من المشكلات التي لا تحظى بشعبية نسبيا ، ومن الصعب الحكم على ما إذا كان هناك حل يعتمد على البحث اليدوي البسيط وحده. في الأيام الأخيرة ، بدأ بعض الباحثين في استخدام أدوات الذكاء الاصطناعي بشكل منهجي للمساعدة في البحث عن الأدبيات ذات الصلة. لا ينشرون نتائج إخراج الذكاء الاصطناعي مباشرة على موقع الويب ، ولكنهم يتحققون منها يدويا أولا ويؤكدون صالحها قبل التعليق أو إبداء التعليقات. في غضون أيام قليلة فقط ، تم العثور على حلول لما لا يقل عن 6 مشاكل بنجاح من خلال طريقة "البحث في الأدبيات بمساعدة الذكاء الاصطناعي + التأكيد اليدوي". تم وضع علامة على هذه المشكلات في الأصل على أنها "لم يتم حلها" ، والآن تم تغيير الحالة إلى "تم حلها". على سبيل المثال: السؤال 339 ، السؤال 1043 ، السؤال 494 ، السؤال 621 ، السؤال 822 ، السؤال 903. لا يزال هناك عشرات الأسئلة التي لا تزال دون حل، ولكن تم استرداد الأدبيات ذات الصلة بنجاح وإضافتها إلى التعليقات على صفحة المشكلة بعد التأكيد اليدوي. على الرغم من أنه لا ينص كل تعليق صراحة على استخدام الذكاء الاصطناعي ، إلا أن الزيادة الكبيرة في عدد هذه التعليقات على المدى القصير تشير إلى مساهمة الذكاء الاصطناعي. ميزة أخرى محتملة لأداة الذكاء الاصطناعي هذه هي أنها يمكن أن تبلغ عن "النتائج السلبية" بشكل طبيعي. بشكل عام ، إذا أجرى الباحثون بحثا في الأدبيات ولم يجدوا شيئا ، فإنهم عادة لا يبلغون عنه ، ربما لأنهم قلقون من أنه سيكون محرجا إذا فاتتهم مقالة مهمة. يؤدي هذا الصمت في الواقع إلى الكثير من الازدواجية الزائدة عن الحاجة في العمل - ربما أمضى باحثون مختلفون الكثير من الوقت في البحث عن وثائق غير موجودة ، أو يعتقدون خطأ أن المشكلة لم يتم حلها ، لكنهم في الواقع لم يجروا بحثا جادا في الأدبيات. عند استخدام أدوات الذكاء الاصطناعي للتعامل بشكل منهجي مع مهام البحث عن الأدبيات على نطاق واسع ، يكون الباحثون بطبيعة الحال أكثر استعدادا للإبلاغ علنا عن مثل هذه "النتائج السلبية". على سبيل المثال: "فحصت أداة الذكاء الاصطناعي ما مجموعه 36 سؤالا ، وجد منها 24 سؤالا (66٪) أدبيات جديدة صحيحة و 12 سؤالا آخر (33٪) أعاد نتائج معروفة أو غير ذات صلة فقط." يسمح هذا النهج المفتوح والشفاف للدائرة الأكاديمية بأكملها بمعرفة الوضع الحالي للبحث حول قضية معينة بشكل أكثر وضوحا ، كما يتجنب الكثير من الازدواجية غير الضرورية في العمل. بشكل عام ، في مجال البحث الرياضي ، قد تكون الطريقة الأكثر فعالية لاستخدام الذكاء الاصطناعي على المدى القصير هي هذه المهمة الأساسية ، وهي "عادية" إلى حد ما بالنسبة للخبراء البشريين ، ولكنها حاسمة للعمل البحثي. لا يلعب الذكاء الاصطناعي دور العبقري الخارق هنا ، ولكنه مسرع للكفاءة. يمكن أن يساعد الباحثين على تحرير المزيد من الطاقة القيمة من الشؤون الأساسية المملة وتكريس أنفسهم بشكل أفضل للمجالات التي تحتاج حقا إلى الابتكار والتفكير العميق.