私は陶哲軒の見解に特に同意します:現段階でのAIの最も適切な使用法は、最も強力なAIモデルを直接使用して最も困難な数学的問題を克服することではなく、より広範で実用的な使用、おそらく適度なパフォーマンスのAIツールを使用して、数学者が日常の退屈だが不可欠な基礎研究タスクの完了を加速するのに役立ちます。 数日前、CVSの担当者が、CVS薬局は非常に忙しいが、患者ごとに錠剤の数が異なり、2人の専門薬剤師が必要で、1人は指定された数の錠剤を薬瓶に充填し、もう1人はボトル内の錠剤の数が正しいかどうかを確認する責任があるため、錠剤を数えるなどの面倒なことにほとんどの時間が無駄になっていると話しているのを聞きました。 そこで最近、AI + ロボットを使用してこのプロセスを自動化し、薬剤師がより重要なことを行えるようにしました。 私の日常的な AI の使用も同様で、必ずしも多くの技術的な問題の解決に役立つとは限りませんが、AI を使用していくつかのガジェットを開発したり、特定のプロンプトを直接使用したりして、多くの退屈な作業を行うことができ、全体的な効率を大幅に向上させることができます。 --- 元の翻訳についてはコメントを参照してください

Tao Zhexuan: 数学分野における AI の最近の応用についての私の考えの一部 最近、数学の分野における人工知能 (AI) の短期的な最も効果的な応用は、必ずしも最も強力な AI モデルを直接使用して最も困難な数学的問題を克服することではないとますます感じるようになりました。 もちろん、特に成功した事例も時折見かけますが、多くの場合、多くのコンピューティングリソースとトップエキスパートの努力によって達成されます。 本当に広範で実用的な用途は、数学者が退屈ではあるが不可欠な基礎研究タスクの完了を加速できるように、中程度のパフォーマンスの AI ツールを使用することかもしれません。 これらの一見普通のタスクは、人間の専門家によって完了できたかもしれませんが、それにはより多くの時間と労力がかかります。 しかし、これは実際には AI アプリケーションの大きな利点であり、欠陥ではありません。 人間の専門家は豊富な経験と直感を蓄積しているため、AI の出力が信頼できるかどうかを迅速かつ正確に判断し、それを自分の研究プロセスに安全に統合できます。 簡単な例:文献検索。 数学者は通常、問題を研究する前に、既存の多くの研究文献を参照する必要があります。 問題にすでに認識された名前があり、活発な研究コミュニティがあれば、既存の検索エンジンと学術データベースで十分だったでしょう。 数学者は、重要な論文から始めて、引用チェーンに沿って前後に検索するだけで、問題の研究の進捗状況をすばやく把握できます。 しかし、研究問題に統一された名前がない場合が多く、異なる分野の学者がサイロ化することもある。 関連する文献はさまざまな雑誌、会議、書籍に散らばっており、引用はまとまりがありません。 記事では、問題のほんの一部にしか言及せず、無関係な内容が多数混ざっている場合があります。 このような状況で本当に価値のある文献を見つけるのは特に面倒です:記事を探して繰り返しふるいにかけなければならず、問題とは何の関係もないことを見つけるために長い間読まなければならないかもしれません。 しかし、関連する記事が見つかったら、専門家はざっと見るだけで、その記事が現在の問題に寄与しているかどうかをすぐに判断できます。 この迅速な検証機能により、AI は文献検索に特に適しています (研究者が文書の品質を独自に判断するための関連専門知識を持っている場合)。 特に、研究者が同時に複数の研究課題に注意を払う必要がある場合、AI を使用する利点はさらに明らかになります。 このシナリオでは、AI は 100% 正確である必要はなく、成功率が十分に高い限り、全体的な効率は従来の方法よりもはるかに高くなります。 さらに、研究者は AI ツールを効果的に使用する方法を学ぶのに時間を費やし、繰り返し使用することでコストを徐々に薄めることができます。 最近、数学界で非常に典型的な例が起こりました。 有名な数学者パウル・エルドスは、生涯にわたって多くの興味深い数学的問題を尋ねました。 現在、これらの問題を収集および整理する Web サイト Erdős Problems には 1,000 以上の問題があり、そのうち約 600 件が「未解決」とマークされています。 いくつかの問題は広く研究されていますが、比較的人気のない問題も多く、単純な手動検索だけでは解決策があるかどうかを判断するのは困難です。 ここ数日、一部の研究者は、関連する文献の検索を支援するために AI ツールを体系的に使用し始めています。 AI出力結果をウェブサイトに直接投稿するのではなく、コメントやコメントをする前に、まず手動で検証し、有効であることを確認します。 わずか数日で、この「AI 支援文献検索 + 手動確認」方法により、少なくとも 6 つの問題の解決策が見つかりました。 これらの問題は、当初は「未解決」とマークされていましたが、現在はステータスが「解決済み」に変更されています。 例:質問339、質問1043、質問494、質問621、質問822、質問903。 未解決の質問はまだ 12 件ありますが、手動で確認した後、関連する文献が正常に取得され、問題ページのコメントに追加されました。 すべてのコメントが AI の使用を明示的に述べているわけではありませんが、短期的にこれらのコメントの数が大幅に増加していることは、AI の貢献を示唆しています。 このAIツールのもう一つの潜在的な利点は、「否定的な結果」をより自然に報告できることです。 一般的に研究者が文献検索をしても何も見つからない場合、重要な記事を見逃すと恥ずかしいことを心配して報告しないのが普通だ。 この沈黙は実際には多くの冗長な重複労働につながります - さまざまな研究者が存在しない文書を探すのに多くの時間を費やしたり、問題が解決されていないと誤解したりしたかもしれませんが、実際には真剣な文献検索を行ったことはありません。 AI ツールを使用して大規模な文献検索タスクを体系的に処理する場合、研究者は当然、そのような「否定的な結果」を公に報告することに積極的になります。 例: 「AI ツールは合計 36 の質問を調べました。そのうち 24 問 (66%) は新しい有効な文献を見つけ、さらに 12 問 (33%) は既知または無関係な結果のみを返しました。」 このオープンで透明性のあるアプローチにより、学界全体が特定の問題に関する研究の現状をより明確に知ることができ、また、多くの不必要な重複も回避できます。 全体として、数学研究の分野では、短期的に AI を使用する最も効果的な方法は、人間の専門家にとってはやや「普通」ですが、研究作業にとっては重要なこの基本的なタスクかもしれません。 ここでAIは超天才の役割を果たしているのではなく、効率を加速させる役割を果たしている。 これは、研究者が退屈な基本的な業務からより貴重なエネルギーを解放し、革新と深い思考を本当に必要とする分野にもっと専念するのに役立ちます。