Temas en tendencia
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Estoy particularmente de acuerdo con el punto de vista de Tao Zhexuan: el uso más adecuado de la IA en esta etapa no es usar directamente los modelos de IA más poderosos para superar los problemas matemáticos más difíciles, sino usar un uso más extenso y práctico, tal vez usar aquellas herramientas de IA con un rendimiento moderado para ayudar a los matemáticos a acelerar la finalización de esas tareas diarias de investigación básica tediosas pero esenciales.
Hace unos días, escuché a una persona de CVS compartir que las farmacias CVS están muy ocupadas, pero la mayor parte del tiempo se pierde en algunas cosas tediosas, como contar pastillas, porque la cantidad de tabletas para cada paciente es diferente y se necesitan dos farmacéuticos profesionales, uno es responsable de llenar la cantidad especificada de tabletas en el frasco del medicamento y el otro es responsable de verificar si la cantidad de tabletas en la botella es correcta. Así que recientemente utilizaron robots de IA + para automatizar este proceso, liberando a los farmacéuticos para hacer cosas más importantes.
Mi uso diario de la IA es similar, puede que no necesariamente me ayude a resolver muchos problemas técnicos, pero puedo usar la IA para desarrollar algunos dispositivos, o usar directamente indicaciones específicas, para ayudarme a hacer mucho trabajo tedioso, lo que puede mejorar en gran medida mi eficiencia general.
---
Ver comentarios para la traducción original




Tao Zhexuan: Algunas de mis reflexiones sobre la reciente aplicación de la IA en el campo de las matemáticas
Recientemente, he llegado a sentir cada vez más que la aplicación más efectiva de la inteligencia artificial (IA) en el campo de las matemáticas a corto plazo no es necesariamente el uso directo de los modelos de IA más poderosos para superar los problemas matemáticos más difíciles. Por supuesto, ocasionalmente vemos algunos casos particularmente exitosos, pero a menudo se logran con muchos recursos informáticos y los esfuerzos de los mejores expertos. El uso realmente más amplio y práctico puede ser utilizar herramientas de IA con un rendimiento moderado para ayudar a los matemáticos a acelerar la finalización de esas tediosas pero esenciales tareas de investigación básica.
Estas tareas aparentemente ordinarias podrían haber sido completadas por expertos humanos, pero requeriría más tiempo y esfuerzo. Pero esto es en realidad una gran ventaja de las aplicaciones de IA, no un defecto. Debido a que los expertos humanos han acumulado una rica experiencia e intuición, pueden determinar de manera rápida y precisa si el resultado de la IA es confiable e integrarlo de manera segura en sus propios procesos de investigación.
Un ejemplo simple: búsqueda de literatura. Los matemáticos generalmente necesitan consultar mucha literatura de investigación existente antes de estudiar un problema. Si el problema ya tuviera un nombre reconocido y hubiera una comunidad de investigación activa, los motores de búsqueda y las bases de datos académicas existentes habrían sido suficientes. Los matemáticos solo necesitan comenzar con un artículo importante y buscar hacia adelante y hacia atrás a lo largo de la cadena de citas para comprender rápidamente el progreso de la investigación del problema.
Sin embargo, hay muchas ocasiones en las que un problema de investigación no tiene un nombre uniforme, y los académicos en diferentes campos pueden estar en silos. La literatura relevante está dispersa en diferentes revistas, conferencias y libros, y las citas están desorganizadas. A veces, un artículo solo menciona una pequeña parte del problema, mezclado con mucho contenido irrelevante. Es particularmente problemático encontrar literatura verdaderamente valiosa en esta situación: es posible que tenga que buscar artículos y examinarlos repetidamente, y es posible que tenga que leerlos durante mucho tiempo para descubrir que no tienen nada que ver con sus problemas.
Pero una vez que se encuentra el artículo relevante, un experto solo necesita echar un vistazo rápido para determinar de inmediato si el artículo contribuye al problema actual. Esta capacidad de verificación rápida hace que la IA sea especialmente adecuada para las búsquedas bibliográficas (siempre que los investigadores tengan la experiencia pertinente para juzgar de forma independiente la calidad de los documentos). Especialmente cuando los investigadores necesitan prestar atención a múltiples preguntas de investigación al mismo tiempo, las ventajas de usar IA son aún más obvias. En este escenario, la IA no necesita ser 100% precisa, siempre que la tasa de éxito sea lo suficientemente alta, la eficiencia general será mucho mayor que la de los métodos tradicionales. Además, los investigadores dedican algún tiempo a aprender a usar las herramientas de IA de manera efectiva y pueden diluir gradualmente el costo con el uso repetido.
Recientemente, un ejemplo muy típico ha sucedido en los círculos matemáticos:
El famoso matemático Paul Erdős planteó muchos problemas matemáticos interesantes durante su vida. Actualmente, hay más de mil números en el sitio web Erdős Problems, que recopila y organiza estos números, de los cuales unos 600 están marcados como "abiertos". Aunque algunos problemas han sido ampliamente estudiados, también hay muchos problemas relativamente impopulares, y es difícil juzgar si existe una solución basada solo en una simple búsqueda manual.
En los últimos días, algunos investigadores han comenzado a utilizar sistemáticamente herramientas de IA para ayudar a buscar literatura relevante. No publican directamente los resultados de salida de IA en el sitio web, sino que primero los verifican manualmente y confirman que son válidos antes de comentar o hacer comentarios. En solo unos días, se han encontrado con éxito soluciones a al menos 6 problemas a través de este método de "búsqueda bibliográfica asistida por IA + confirmación manual". Estos problemas se marcaron originalmente como "no resueltos", y ahora el estado se ha cambiado a "resuelto". Por ejemplo: pregunta 339, pregunta 1043, pregunta 494, pregunta 621, pregunta 822, pregunta 903. Todavía hay una docena de preguntas que siguen sin resolverse, pero la literatura relevante se ha recuperado con éxito y se ha agregado a los comentarios en la página del problema después de la confirmación manual. Si bien no todos los comentarios indican explícitamente el uso de la IA, el aumento significativo en el número de estos comentarios a corto plazo sugiere la contribución de la IA.
Otra ventaja potencial de esta herramienta de IA es que puede informar "resultados negativos" de forma más natural. En términos generales, si los investigadores realizan una búsqueda bibliográfica y no encuentran nada, generalmente no lo informan, probablemente porque les preocupa que sea vergonzoso si se pierden un artículo importante. Este silencio en realidad conduce a una gran cantidad de duplicación redundante de trabajo: diferentes investigadores pueden haber pasado mucho tiempo buscando documentos que no existen, o pensar erróneamente que un problema no se ha resuelto, pero de hecho nunca han realizado una búsqueda bibliográfica seria.
Cuando se utilizan herramientas de IA para manejar sistemáticamente tareas de búsqueda bibliográfica a gran escala, los investigadores están naturalmente más dispuestos a informar públicamente tales "resultados negativos". Por ejemplo: "La herramienta de IA examinó un total de 36 preguntas, de las cuales 24 (66%) encontraron nueva literatura válida y otras 12 (33%) arrojaron solo resultados conocidos o irrelevantes". Este enfoque abierto y transparente permite que todo el círculo académico conozca con mayor claridad cuál es el estado actual de la investigación sobre un determinado tema, y también evita una gran cantidad de duplicación innecesaria de trabajo.
Con todo, en el campo de la investigación matemática, la forma más efectiva de utilizar la IA a corto plazo puede ser esta tarea básica, que es algo "ordinaria" para los expertos humanos, pero crucial para el trabajo de investigación. La IA no está desempeñando el papel de un súper genio aquí, sino de un acelerador de la eficiencia. Puede ayudar a los investigadores a liberar energía más valiosa de asuntos básicos tediosos y dedicarse mejor a áreas que realmente necesitan innovación y pensamiento profundo.
91.41K
Populares
Ranking
Favoritas