Особенно согласен с мнением Тяо Чжэсяна: на данном этапе наиболее подходящее применение ИИ — это не прямое использование самых мощных моделей ИИ для решения самых сложных математических задач, а более широкое и практичное применение, возможно, использование тех ИИ-инструментов, которые имеют средние характеристики, чтобы помочь математикам ускорить выполнение повседневных рутинных, но необходимых задач базового исследования. На днях слушал человека из CVS, который делился, что аптека CVS очень занята, но большую часть времени тратит на некоторые рутинные дела, например, на подсчет таблеток, потому что количество таблеток для каждого пациента разное, требуется два профессиональных фармацевта: один отвечает за то, чтобы положить указанное количество таблеток в бутылку, а другой — за то, чтобы проверить, правильно ли посчитано количество таблеток в бутылке. Группа высококвалифицированных фармацевтов тратит много времени на эти дела каждый день. Поэтому они недавно использовали ИИ + роботов, чтобы автоматизировать этот процесс, освободив фармацевтов для более важных задач. Я сам тоже использую ИИ в повседневной жизни, это не обязательно помогает мне решать много технических проблем, но я могу использовать ИИ для разработки некоторых небольших инструментов или просто воспользоваться определенными подсказками, чтобы помочь мне справиться со многими рутинными задачами, что уже значительно повышает мою общую эффективность. --- Перевод оригинала см. в комментариях

陶哲轩: Я размышляю о недавнем применении ИИ в области математики В последнее время я все больше убеждаюсь, что наиболее эффективное применение искусственного интеллекта (ИИ) в области математики в краткосрочной перспективе не обязательно заключается в том, чтобы использовать самые мощные модели ИИ для решения самых сложных математических задач. Конечно, мы иногда видим некоторые особенно успешные примеры, но они, как правило, достигаются только при значительных затратах вычислительных ресурсов и усилий ведущих экспертов. На самом деле более широкое и практичное применение может заключаться в использовании инструментов ИИ средней производительности, чтобы помочь математикам ускорить выполнение повседневных рутинных, но необходимых задач базового исследования. Эти, казалось бы, обыденные задачи могут быть выполнены человеческими экспертами, но на это потребуется больше времени и усилий. Но это на самом деле является большим преимуществом применения ИИ, а не недостатком. Поскольку человеческие эксперты уже накопили богатый опыт и интуицию, они могут быстро и точно оценить, надежен ли вывод ИИ, и безопасно интегрировать его в свой исследовательский процесс. Простой пример: поиск литературы. Прежде чем исследовать проблему, математики обычно должны ознакомиться с большим количеством существующих исследований. Если у этой проблемы уже есть общепризнанное название и активная исследовательская группа, то существующие поисковые системы и академические базы данных уже достаточно хороши. Математики просто должны начать с какой-то важной статьи, проследить за цепочкой цитирования вперед и назад, и вскоре они смогут понять, как продвигается исследование проблемы. Однако часто бывает так, что у исследовательской проблемы нет единого названия, и ученые из разных областей могут действовать независимо. Соответствующая литература разбросана по различным журналам, конференциям и книгам, а связи цитирования запутаны. Иногда статья упоминает лишь небольшую часть проблемы, смешанную с большим количеством нерелевантного контента. Найти действительно ценную литературу в такой ситуации становится особенно сложно: может потребоваться много времени на поиск статей и повторный отбор, и, возможно, после долгих поисков вы обнаружите, что они не имеют никакого отношения к вашей проблеме. Но как только вы действительно находите соответствующую статью, эксперт может быстро просмотреть ее и сразу определить, имеет ли она отношение к текущей проблеме. Эта способность к быстрой проверке делает ИИ особенно подходящим для поиска литературы (при условии, что исследователь сам обладает соответствующими профессиональными знаниями и может самостоятельно оценить качество литературы). Особенно когда исследователь должен одновременно следить за несколькими исследовательскими вопросами, преимущества использования ИИ становятся еще более очевидными. В этом сценарии ИИ не обязательно должен быть на 100% точным; достаточно, чтобы уровень успеха был достаточно высоким, и общая эффективность будет значительно выше, чем у традиционных методов. Кроме того, если исследователь потратит некоторое время на изучение того, как эффективно использовать инструменты ИИ, он также сможет постепенно снизить затраты за счет повторного использования. Недавно в математическом сообществе произошел очень典型ный пример: Знаменитый математик Пол Эрдиш (Paul Erdős) в своей жизни предложил множество интересных математических задач. В настоящее время на сайте Erdős Problems, который специально собирает и систематизирует эти задачи, имеется более тысячи задач, из которых около 600 помечены как "не решенные" (open). Хотя некоторые задачи уже были широко исследованы, есть и множество относительно малоизвестных задач, для которых трудно определить, есть ли решение, полагаясь только на простой ручной поиск. В последние дни некоторые исследователи начали пытаться систематически использовать инструменты ИИ для помощи в поиске соответствующей литературы. Они не публикуют результаты вывода ИИ напрямую на сайте, а сначала проверяют вручную, подтверждая их действительность, прежде чем комментировать или делать заметки. Всего за несколько дней с помощью метода "поиск литературы с помощью ИИ + ручная проверка" уже удалось успешно обнаружить решения как минимум 6 задач. Эти задачи изначально были помечены как "не решенные", но теперь их статус изменился на "решенные" (solved). Например: задача 339, задача 1043, задача 494, задача 621, задача 822, задача 903. Еще несколько задач, хотя и остаются не решенными, но соответствующая литература была успешно найдена и после ручной проверки добавлена в комментарии на странице задачи. Хотя не все комментарии явно указывают на использование ИИ, значительное увеличение количества этих комментариев в краткосрочной перспективе намекает на вклад ИИ. Еще одно потенциальное преимущество этих инструментов ИИ заключается в том, что они могут более естественно сообщать о "негативных результатах" (negative results, то есть случаях "не найдено никаких соответствующих литературы"). Обычно, если исследователь проводит поиск литературы и ничего не находит, он обычно не сообщает об этом специально, возможно, опасаясь, что пропустит какую-то важную статью, что может быть неловко. Эта тишина на самом деле приводит к значительному количеству избыточной повторной работы — разные исследователи могли потратить много времени на поиск несуществующей литературы или ошибочно полагать, что какая-то проблема еще не решена, в то время как на самом деле просто не проводился серьезный поиск литературы. А при систематической обработке масштабных задач поиска литературы с помощью инструментов ИИ исследователи, естественно, будут более склонны открыто сообщать о таких "негативных результатах". Например: "Инструменты ИИ проверили 36 задач, из которых 24 (66%) нашли новую действительную литературу, а 12 (33%) вернули только известные или нерелевантные результаты". Этот открытый и прозрачный подход позволяет всему академическому сообществу лучше понять текущее состояние исследований по определенной проблеме и избежать множества ненужных повторных работ. В общем, в области математических исследований наиболее эффективный способ использования ИИ в краткосрочной перспективе может заключаться именно в таких "обыденных" задачах, которые, тем не менее, имеют решающее значение для исследовательской работы. ИИ здесь выступает не как супергеній, а как ускоритель эффективности. Он может помочь исследователям освободить больше драгоценной энергии от рутинных задач и лучше сосредоточиться на тех областях, которые действительно требуют инноваций и глубокого размышления.