Olen erityisesti samaa mieltä Tao Zhexuanin näkemyksen kanssa: tekoälyn sopivin käyttö tässä vaiheessa ei ole käyttää suoraan tehokkaimpia tekoälymalleja vaikeimpien matemaattisten ongelmien ratkaisemiseen, vaan käyttää laajempaa ja käytännöllisempää käyttöä, ehkä käyttää kohtalaisen suorituskykyisiä tekoälytyökaluja auttamaan matemaatikoita nopeuttamaan päivittäisten tylsien mutta välttämättömien perustutkimustehtävien suorittamista. Muutama päivä sitten kuulin CVS-henkilön kertovan, että CVS-apteekit ovat erittäin kiireisiä, mutta suurin osa ajasta tuhlataan joihinkin tylsiin asioihin, kuten pillereiden laskemiseen, koska tablettien määrä jokaiselle potilaalle on erilainen, ja tarvitaan kaksi ammattimaista farmaseuttia, joista toinen vastaa tietyn määrän tablettien täyttämisestä lääkepulloon ja toinen vastaa sen tarkistamisesta, onko pullossa olevien tablettien määrä oikea. Joten he käyttivät äskettäin AI + -robotteja tämän prosessin automatisointiin, mikä vapautti farmaseutteja tekemään tärkeämpiä asioita. Päivittäinen tekoälyn käyttöni on samanlaista, se ei välttämättä auta minua ratkaisemaan monia teknisiä ongelmia, mutta voin käyttää tekoälyä joidenkin laitteiden kehittämiseen tai käyttää suoraan tiettyjä kehotteita, jotka auttavat minua tekemään paljon työlästä työtä, mikä voi parantaa huomattavasti yleistä tehokkuuttani. --- Katso alkuperäisen käännöksen kommentit

Tao Zhexuan: Joitakin ajatuksiani tekoälyn viimeaikaisesta soveltamisesta matematiikan alalla Viime aikoina olen alkanut tuntea yhä enemmän, että tekoälyn (AI) tehokkain sovellus matematiikan alalla lyhyellä aikavälillä ei välttämättä ole tehokkaimpien tekoälymallien suora käyttö vaikeimpien matemaattisten ongelmien ratkaisemiseksi. Tietysti näemme toisinaan erityisen onnistuneita tapauksia, mutta ne saavutetaan usein suurilla laskentaresursseilla ja huippuasiantuntijoiden ponnisteluilla. Todella laajempi ja käytännöllisempi käyttötarkoitus voi olla käyttää tekoälytyökaluja, joiden suorituskyky on kohtalainen, auttamaan matemaatikoita nopeuttamaan näiden tylsän mutta välttämättömän perustutkimustehtävän suorittamista. Nämä näennäisesti tavalliset tehtävät olisivat voineet suorittaa ihmisasiantuntijat, mutta se vaatisi enemmän aikaa ja vaivaa. Mutta tämä on itse asiassa tekoälysovellusten suuri etu, ei virhe. Koska ihmisasiantuntijoille on kertynyt runsaasti kokemusta ja intuitiota, he voivat nopeasti ja tarkasti määrittää, onko tekoälyn tuotos luotettava, ja integroida sen turvallisesti omiin tutkimusprosesseihinsa. Yksinkertainen esimerkki: kirjallisuushaku. Matemaatikkojen on yleensä tutustuttava paljon olemassa olevaan tutkimuskirjallisuuteen ennen ongelman tutkimista. Jos ongelmalla olisi jo tunnustettu nimi ja tutkimusyhteisö olisi ollut aktiivinen, olemassa olevat hakukoneet ja akateemiset tietokannat olisivat riittäneet. Matemaatikkojen tarvitsee vain aloittaa tärkeästä artikkelista ja etsiä eteen- ja taaksepäin viittausketjua pitkin ymmärtääkseen nopeasti ongelman tutkimuksen edistymisen. On kuitenkin usein tilanteita, joissa tutkimusongelmalla ei ole yhtenäistä nimeä, ja eri alojen tutkijat voivat olla siiloissa. Asiaankuuluva kirjallisuus on hajallaan eri aikakauslehdissä, konferensseissa ja kirjoissa, ja lainaukset ovat epäjärjestyksessä. Joskus artikkelissa mainitaan vain pieni osa ongelmasta, johon on sekoitettu paljon epäolennaista sisältöä. Erityisen hankalaa on löytää todella arvokasta kirjallisuutta tässä tilanteessa: saatat joutua etsimään artikkeleita ja seulomaan niitä toistuvasti, ja saatat joutua lukemaan niitä pitkään huomataksesi, ettei niillä ole mitään tekemistä ongelmiesi kanssa. Mutta kun asiaankuuluva artikkeli on löydetty, asiantuntijan tarvitsee vain katsoa nopeasti määrittääkseen, vaikuttaako artikkeli nykyiseen ongelmaan. Tämä nopea todentamiskyky tekee tekoälystä erityisen sopivan kirjallisuushakuihin (edellyttäen, että tutkijoilla on asiantuntemusta asiakirjojen laadun riippumattomaan arviointiin). Varsinkin kun tutkijoiden on kiinnitettävä huomiota useisiin tutkimuskysymyksiin samanaikaisesti, tekoälyn käytön edut ovat entistä ilmeisempiä. Tässä skenaariossa tekoälyn ei tarvitse olla 100 % tarkka, kunhan onnistumisprosentti on riittävän korkea, kokonaistehokkuus on paljon korkeampi kuin perinteisillä menetelmillä. Lisäksi tutkijat käyttävät jonkin verran aikaa tekoälytyökalujen tehokkaaseen käyttöön, ja he voivat vähitellen laimentaa kustannuksia toistuvan käytön vuoksi. Viime aikoina matemaattisissa piireissä on tapahtunut hyvin tyypillinen esimerkki: Kuuluisa matemaatikko Paul Erdős esitti elinaikanaan monia mielenkiintoisia matemaattisia ongelmia. Tällä hetkellä näitä numeroita keräävällä ja järjestävällä Erdős Problems -sivustolla on yli tuhat numeroa, joista noin 600 on merkitty "avoimiksi". Vaikka joitakin ongelmia on tutkittu laajalti, on myös monia suhteellisen epäsuosittuja ongelmia, ja on vaikea arvioida, onko olemassa ratkaisua, joka perustuu pelkkään manuaaliseen hakuun. Viime päivinä jotkut tutkijat ovat alkaneet systemaattisesti käyttää tekoälytyökaluja asiaankuuluvan kirjallisuuden etsimiseen. He eivät julkaise tekoälyn tulostuloksia suoraan verkkosivustolla, vaan tarkistavat ne ensin manuaalisesti ja varmistavat, että ne ovat kelvollisia ennen kommentointia tai kommentointia. Vain muutamassa päivässä ainakin 6 ongelmaan on löydetty ratkaisut onnistuneesti tällä "tekoälyavusteinen kirjallisuushaku + manuaalinen vahvistus" -menetelmällä. Nämä ongelmat merkittiin alun perin "ratkaisemattomiksi", ja nyt tilaksi on muutettu "ratkaistu". Esimerkiksi: kysymys 339, kysymys 1043, kysymys 494, kysymys 621, kysymys 822, kysymys 903. On vielä kymmenkunta kysymystä, jotka ovat edelleen ratkaisematta, mutta asiaankuuluva kirjallisuus on onnistuneesti haettu ja lisätty ongelmasivun kommentteihin manuaalisen vahvistuksen jälkeen. Vaikka kaikissa kommenteissa ei nimenomaisesti mainita tekoälyn käyttöä, näiden kommenttien määrän merkittävä kasvu lyhyellä aikavälillä viittaa tekoälyn panokseen. Toinen tämän tekoälytyökalun mahdollinen etu on, että se voi raportoida "negatiivisista tuloksista" luonnollisemmin. Yleisesti ottaen, jos tutkijat tekevät kirjallisuushaun eivätkä löydä mitään, he eivät yleensä ilmoita siitä, luultavasti siksi, että he ovat huolissaan siitä, että on noloa, jos heiltä puuttuu tärkeä artikkeli. Tämä hiljaisuus johtaa itse asiassa paljon tarpeettomaan päällekkäiseen työhön - eri tutkijat ovat saattaneet käyttää paljon aikaa etsiessään asiakirjoja, joita ei ole olemassa, tai virheellisesti luullaan, että ongelmaa ei ole ratkaistu, mutta itse asiassa he eivät ole koskaan tehneet vakavaa kirjallisuushakua. Kun tekoälytyökaluja käytetään systemaattisesti laajamittaisten kirjallisuushakutehtävien hoitamiseen, tutkijat ovat luonnollisesti halukkaampia raportoimaan julkisesti tällaisista "negatiivisista tuloksista". Esimerkiksi: "Tekoälytyökalu tutki yhteensä 36 kysymystä, joista 24 (66 %) löysi uutta pätevää kirjallisuutta ja toiset 12 (33 %) palauttivat vain tunnettuja tai epäolennaisia tuloksia." Tämä avoin ja läpinäkyvä lähestymistapa antaa koko akateemiselle piirille mahdollisuuden tietää selkeämmin, mikä on tietyn aiheen tutkimuksen nykytila, ja välttää myös paljon tarpeetonta päällekkäistä työtä. Kaiken kaikkiaan matematiikan tutkimuksen alalla tehokkain tapa hyödyntää tekoälyä lyhyellä aikavälillä voi olla tämä perustehtävä, joka on ihmisasiantuntijoille jokseenkin "tavallinen", mutta tutkimustyön kannalta ratkaiseva. Tekoäly ei näyttele tässä superneron roolia, vaan tehokkuuden kiihdyttäjänä. Se voi auttaa tutkijoita vapauttamaan arvokkaampaa energiaa tylsistä perusasioista ja omistautumaan paremmin alueille, jotka todella tarvitsevat innovaatioita ja syvällistä ajattelua.