Jeg er spesielt enig i Tao Zhexuans synspunkt: den mest passende bruken av AI på dette stadiet er ikke å direkte bruke de kraftigste AI-modellene for å overvinne de vanskeligste matematiske problemene, men å bruke mer omfattende og praktisk bruk, kanskje å bruke de AI-verktøyene med moderat ytelse for å hjelpe matematikere med å akselerere fullføringen av de daglige kjedelige, men essensielle grunnleggende forskningsoppgavene. For noen dager siden hørte jeg en CVS-person dele at CVS-apotek er veldig opptatt, men mesteparten av tiden er bortkastet på noen kjedelige ting, for eksempel å telle piller, fordi antall tabletter for hver pasient er forskjellig, og det trengs to profesjonelle farmasøyter, den ene er ansvarlig for å fylle det angitte antallet tabletter i medisinflasken, og den andre er ansvarlig for å verifisere om antall tabletter i flasken er riktig. Så de brukte nylig AI + roboter for å automatisere denne prosessen, og frigjøre farmasøyter til å gjøre viktigere ting. Min daglige bruk av AI er lik, det hjelper meg kanskje ikke nødvendigvis med å løse mange tekniske problemer, men jeg kan bruke AI til å utvikle noen dingser, eller direkte bruke spesifikke meldinger, for å hjelpe meg med å gjøre mye kjedelig arbeid, noe som kan forbedre min generelle effektivitet betraktelig. --- Se kommentarer til originaloversettelsen

Tao Zhexuan: Noen av mine tanker om den nylige anvendelsen av AI innen matematikk I det siste har jeg kommet til å føle mer og mer at den mest effektive anvendelsen av kunstig intelligens (AI) innen matematikk på kort sikt ikke nødvendigvis er direkte bruk av de kraftigste AI-modellene for å overvinne de vanskeligste matematiske problemene. Selvfølgelig ser vi av og til noen spesielt vellykkede tilfeller, men de oppnås ofte med mye dataressurser og innsats fra toppeksperter. Den virkelig bredere og mer praktiske bruken kan være å bruke AI-verktøy med moderat ytelse for å hjelpe matematikere med å akselerere fullføringen av de kjedelige, men essensielle grunnleggende forskningsoppgavene. Disse tilsynelatende ordinære oppgavene kunne ha blitt utført av menneskelige eksperter, men det ville ta mer tid og krefter. Men dette er faktisk en stor fordel med AI-applikasjoner, ikke en feil. Fordi menneskelige eksperter har samlet rik erfaring og intuisjon, kan de raskt og nøyaktig avgjøre om resultatet av AI er pålitelig og trygt integrere det i sine egne forskningsprosesser. Et enkelt eksempel: litteratursøk. Matematikere trenger vanligvis å konsultere mye eksisterende forskningslitteratur før de studerer et problem. Hvis problemet allerede hadde et anerkjent navn og det var et aktivt forskningsmiljø, ville de eksisterende søkemotorene og akademiske databasene vært gode nok. Matematikere trenger bare å starte med en viktig artikkel og søke fremover og bakover langs siteringskjeden for raskt å forstå forskningsfremdriften til problemet. Imidlertid er det mange ganger når en forskningsoppgave ikke har et enhetlig navn, og forskere på forskjellige felt kan være i siloer. Relevant litteratur er spredt over forskjellige magasiner, konferanser og bøker, og sitater er uorganiserte. Noen ganger nevner en artikkel bare en liten del av problemet, blandet inn mye irrelevant innhold. Det er spesielt vanskelig å finne virkelig verdifull litteratur i denne situasjonen: du må kanskje lete etter artikler og gå gjennom dem gjentatte ganger, og du må kanskje lese dem lenge for å finne ut at de ikke har noe med problemene dine å gjøre. Men når den aktuelle artikkelen er funnet, trenger en ekspert bare å ta en rask titt for umiddelbart å avgjøre om artikkelen bidrar til det nåværende problemet. Denne raske verifiseringsevnen gjør AI spesielt egnet for litteratursøk (forutsatt at forskere har relevant kompetanse til å selvstendig bedømme kvaliteten på dokumenter). Spesielt når forskere trenger å ta hensyn til flere forskningsspørsmål samtidig, er fordelene ved å bruke AI enda mer åpenbare. I dette scenariet trenger ikke AI å være 100 % nøyaktig, så lenge suksessraten er høy nok, vil den totale effektiviteten være mye høyere enn tradisjonelle metoder. Dessuten bruker forskere litt tid på å lære å bruke AI-verktøy effektivt, og de kan gradvis utvanne kostnadene over gjentatt bruk. Nylig har et veldig typisk eksempel skjedd i matematiske kretser: Den berømte matematikeren Paul Erdős stilte mange interessante matematiske problemer i løpet av sin levetid. For tiden er det mer enn tusen utgaver på nettstedet Erdős Problems, som samler og organiserer disse utgavene, hvorav rundt 600 er merket som "åpne". Selv om noen problemer er mye studert, er det også mange relativt upopulære problemer, og det er vanskelig å bedømme om det finnes en løsning basert på enkelt manuelt søk alene. De siste dagene har noen forskere begynt å systematisk bruke AI-verktøy for å søke etter relevant litteratur. De legger ikke ut AI-resultatene direkte på nettstedet, men verifiserer dem manuelt først og bekrefter at de er gyldige før de kommenterer eller kommenterer. På bare noen få dager har løsninger på minst 6 problemer blitt funnet gjennom denne "AI-assisterte litteratursøk + manuell bekreftelse"-metoden. Disse problemene ble opprinnelig merket som "uløst", og nå er statusen endret til "løst". For eksempel: spørsmål 339, spørsmål 1043, spørsmål 494, spørsmål 621, spørsmål 822, spørsmål 903. Det er fortsatt et dusin spørsmål som fortsatt er uløste, men relevant litteratur har blitt hentet og lagt til kommentarene på problemsiden etter manuell bekreftelse. Selv om ikke alle kommentarer eksplisitt sier bruken av AI, antyder den betydelige økningen i antall av disse kommentarene på kort sikt AIs bidrag. En annen potensiell fordel med dette AI-verktøyet er at det kan rapportere "negative resultater" mer naturlig. Generelt sett, hvis forskere foretar et litteratursøk og ikke finner noe, rapporterer de vanligvis ikke det, sannsynligvis fordi de er bekymret for at det vil være pinlig hvis de går glipp av en viktig artikkel. Denne tausheten fører faktisk til mye overflødig dobbeltarbeid - forskjellige forskere kan ha brukt mye tid på å lete etter dokumenter som ikke eksisterer, eller feilaktig tro at et problem ikke er løst, men faktisk har de aldri gjort et seriøst litteratursøk. Når man bruker KI-verktøy til systematisk å håndtere store litteratursøk, er forskere naturlig nok mer villige til å rapportere slike «negative resultater» offentlig. For eksempel: "AI-verktøyet undersøkte totalt 36 spørsmål, hvorav 24 (66 %) fant ny gyldig litteratur og ytterligere 12 (33 %) returnerte bare kjente eller irrelevante resultater." Denne åpne og transparente tilnærmingen lar hele den akademiske kretsen vite tydeligere hva den nåværende forskningstilstanden på et bestemt spørsmål er, og unngår også mye unødvendig duplisering av arbeidskraft. Alt i alt, innen matematisk forskning, kan den mest effektive måten å bruke AI på kort sikt være denne grunnleggende oppgaven, som er noe "vanlig" for menneskelige eksperter, men avgjørende for forskningsarbeid. AI spiller ikke rollen som et supergeni her, men en effektivitetsakselerator. Det kan hjelpe forskere med å frigjøre mer verdifull energi fra kjedelige grunnleggende saker og bedre vie seg til områder som virkelig trenger innovasjon og dyp tenkning.