Riconosco particolarmente il punto di vista di Terence Tao: l'uso più appropriato dell'AI in questa fase non è quello di utilizzare direttamente i modelli AI più potenti per affrontare i problemi matematici più difficili, ma piuttosto un uso più ampio e pratico, che potrebbe consistere nell'utilizzare strumenti AI di prestazioni medie per aiutare i matematici ad accelerare il completamento di compiti di ricerca di base quotidiani, noiosi ma essenziali. Qualche giorno fa ho sentito una persona della CVS condividere che le farmacie CVS sono molto occupate, ma gran parte del tempo viene sprecato in alcune attività noiose, come contare le pillole, poiché il numero di pillole per ogni paziente è diverso. Sono necessari due farmacisti professionisti: uno si occupa di mettere il numero specificato di pillole nel flacone, mentre l'altro verifica che il numero di pillole nel flacone sia corretto. Un gruppo di farmacisti altamente qualificati e formati spende ogni giorno molto tempo in queste attività. Quindi, recentemente hanno automatizzato questo processo utilizzando AI e robot, liberando i farmacisti per fare cose più importanti. Anche io utilizzo l'AI nella mia vita quotidiana in modo simile; non sempre riesce a risolvere molti problemi tecnici, ma posso sviluppare alcuni piccoli strumenti grazie all'AI, o semplicemente utilizzare parole chiave specifiche, il che mi aiuta a svolgere molte attività noiose, aumentando notevolmente la mia efficienza complessiva. --- La traduzione originale è disponibile nei commenti.

Terence Tao: Alcune riflessioni sull'applicazione recente dell'AI nel campo della matematica Negli ultimi tempi, ho sempre più la sensazione che l'applicazione più efficace dell'intelligenza artificiale (AI) nel campo della matematica, nel breve termine, non sia necessariamente quella di utilizzare i modelli AI più potenti per affrontare i problemi matematici più difficili. Certo, ogni tanto vediamo alcuni casi particolarmente riusciti, ma questi sono spesso il risultato di un enorme investimento di risorse computazionali e dell'energia di esperti di alto livello. L'uso realmente più ampio e pratico potrebbe essere proprio quello di utilizzare strumenti AI di prestazioni medie per aiutare i matematici ad accelerare il completamento di compiti di ricerca di base quotidiani, ma essenziali. Questi compiti apparentemente banali possono già essere svolti da esperti umani, solo che richiedono più tempo ed energia. Ma questo è in realtà un grande vantaggio dell'applicazione dell'AI, e non un difetto. Gli esperti umani hanno già accumulato una vasta esperienza e intuizione, in grado di giudicare rapidamente e con precisione se l'output dell'AI è affidabile e di integrarlo in modo sicuro nel proprio processo di ricerca. Facciamo un semplice esempio: la ricerca bibliografica. Prima di studiare un problema, i matematici di solito devono consultare un gran numero di ricerche già esistenti. Se il problema ha già un nome riconosciuto e c'è un gruppo di ricerca attivo, allora i motori di ricerca e i database accademici esistenti sono già più che sufficienti. I matematici devono solo partire da un articolo importante e seguire la catena di citazioni, sia in avanti che all'indietro, per comprendere rapidamente i progressi nella ricerca del problema. Tuttavia, ci sono molte volte in cui un problema di ricerca non ha un nome unificato e studiosi di diversi campi possono agire in modo indipendente. La letteratura pertinente è dispersa in diverse riviste, conferenze e libri, e le relazioni di citazione sono caotiche. A volte un articolo menziona solo una piccola parte del problema, mescolata a un gran numero di contenuti non correlati. Trovare letteratura veramente preziosa in queste circostanze può essere particolarmente complicato: potrebbe essere necessario cercare articoli ovunque, filtrare ripetutamente, e potrebbe anche capitare di passare ore a scoprire che non hanno alcuna relazione con il proprio problema. Ma una volta trovati gli articoli pertinenti, un esperto può semplicemente dare un'occhiata veloce e immediatamente giudicare se l'articolo contribuisce al problema attuale. Questa capacità di verifica rapida rende l'AI particolarmente adatta per la ricerca bibliografica (a condizione, ovviamente, che il ricercatore possieda le conoscenze professionali necessarie per giudicare la qualità della letteratura). Soprattutto quando i ricercatori devono prestare attenzione a più problemi di ricerca contemporaneamente, il vantaggio dell'uso dell'AI diventa ancora più evidente. In questo scenario, l'AI non deve essere al cento per cento precisa; basta che il tasso di successo sia sufficientemente alto, e l'efficienza complessiva sarà molto superiore ai metodi tradizionali. Inoltre, i ricercatori che dedicano del tempo a imparare come utilizzare efficacemente gli strumenti AI possono anche ridurre gradualmente i costi attraverso l'uso ripetuto. Recentemente, c'è stato un esempio molto tipico nel mondo della matematica: Il famoso matematico Paul Erdős ha proposto molte interessanti questioni matematiche durante la sua vita. Attualmente, il sito web Erdős Problems, dedicato alla raccolta e organizzazione di queste questioni, ha oltre mille problemi, di cui circa 600 sono contrassegnati come "non risolti" (open). Anche se alcuni problemi sono stati ampiamente studiati, ci sono anche molti problemi relativamente poco noti, per i quali è difficile determinare se esistano soluzioni solo con una semplice ricerca manuale. Negli ultimi giorni, alcuni ricercatori hanno iniziato a tentare di utilizzare sistematicamente strumenti AI per aiutare nella ricerca di letteratura pertinente. Non pubblicano direttamente i risultati dell'output dell'AI sul sito, ma prima verificano manualmente, confermando la validità prima di commentare o annotare. In pochi giorni, attraverso questo metodo di "ricerca bibliografica assistita da AI + conferma manuale", sono già state scoperte con successo soluzioni per almeno 6 problemi. Questi problemi erano originariamente contrassegnati come "non risolti", ma ora il loro stato è stato cambiato in "risolti" (solved). Ad esempio: problema 339, problema 1043, problema 494, problema 621, problema 822, problema 903. Ci sono anche una dozzina di problemi che, sebbene non siano ancora risolti, hanno già visto la letteratura pertinente recuperata con successo e, dopo conferma manuale, sono stati aggiunti ai commenti sulla pagina del problema. Anche se non ogni commento specifica esplicitamente l'uso dell'AI, l'aumento significativo del numero di questi commenti nel breve termine suggerisce il contributo dell'AI. Un altro potenziale vantaggio di questi strumenti AI è la possibilità di segnalare in modo più naturale quei "risultati negativi" (negative results, ovvero i casi in cui "non è stata trovata alcuna letteratura pertinente"). In generale, se un ricercatore effettua una ricerca bibliografica e non trova nulla, di solito non lo riporta specificamente, forse per paura di trascurare un articolo importante e trovarsi in una situazione imbarazzante. Questo silenzio porta in realtà a un sacco di lavoro ripetitivo ridondante: diversi ricercatori potrebbero aver speso molto tempo a cercare letteratura che non esiste, o erroneamente pensare che un certo problema non sia stato risolto, quando in realtà non è mai stata effettuata una ricerca bibliografica seria. Quando si utilizzano strumenti AI per gestire sistematicamente compiti di ricerca bibliografica su larga scala, i ricercatori saranno naturalmente più disposti a segnalare pubblicamente questi "risultati negativi". Ad esempio: "Gli strumenti AI hanno controllato 36 problemi, di cui 24 (66%) hanno trovato nuova letteratura valida, mentre 12 (33%) hanno restituito solo risultati noti o non pertinenti". Questo approccio aperto e trasparente consente all'intera comunità accademica di comprendere meglio lo stato della ricerca su un certo problema e di evitare molti lavori ripetitivi inutili. In sintesi, nel campo della ricerca matematica, il modo più efficace di utilizzare l'AI nel breve termine potrebbe essere proprio questo tipo di compiti fondamentali che possono sembrare "banali" per gli esperti umani, ma che sono cruciali per il lavoro di ricerca. Qui, l'AI non svolge il ruolo di un genio super, ma di un acceleratore di efficienza. Può aiutare i ricercatori a liberare più preziosa energia dalle faccende di base noiose, per dedicarsi meglio a aree che richiedono realmente innovazione e profonda riflessione.