Szczególnie zgadzam się z poglądem Terence'a Tao: obecnie najodpowiedniejszym zastosowaniem AI nie jest bezpośrednie użycie najpotężniejszych modeli AI do rozwiązywania najtrudniejszych problemów matematycznych, ale bardziej szerokie i praktyczne zastosowanie, które może polegać na wykorzystaniu narzędzi AI o średniej wydajności, aby pomóc matematykom przyspieszyć realizację codziennych, żmudnych, ale niezbędnych zadań badawczych. Kilka dni temu słyszałem, jak ktoś z CVS dzielił się informacjami, mówiąc, że apteka CVS jest bardzo zajęta, ale większość czasu marnuje się na różne żmudne sprawy, takie jak liczenie tabletek, ponieważ liczba tabletek dla każdego pacjenta jest inna. Potrzebni są dwaj wykwalifikowani farmaceuci: jeden odpowiedzialny za umieszczanie określonej liczby tabletek w butelce, a drugi za weryfikację, czy liczba tabletek w butelce się zgadza. Grupa wysoko wykwalifikowanych farmaceutów codziennie spędza dużo czasu na tych zadaniach. Dlatego ostatnio zastosowali AI + roboty, aby zautomatyzować ten proces, uwalniając farmaceutów do wykonywania ważniejszych zadań. Osobiście również korzystam z AI w podobny sposób; niekoniecznie pomaga mi rozwiązywać wiele technicznych problemów, ale mogę wykorzystać AI do opracowania małych narzędzi lub bezpośrednio korzystać z określonych słów kluczowych, co pozwala mi wykonać wiele żmudnych prac, co już znacznie zwiększa moją ogólną wydajność. --- Tłumaczenie oryginału znajduje się w komentarzach.

Terence Tao: Moje przemyślenia na temat zastosowania AI w matematyce Ostatnio coraz bardziej przekonuję się, że sztuczna inteligencja (AI) w dziedzinie matematyki może być najskuteczniej wykorzystywana w krótkim okresie, niekoniecznie poprzez bezpośrednie stosowanie najpotężniejszych modeli AI do rozwiązywania najtrudniejszych problemów matematycznych. Oczywiście, czasami widzimy szczególnie udane przypadki, ale te zazwyczaj wymagają ogromnych zasobów obliczeniowych i wysiłku najlepszych ekspertów. Prawdziwie szersze i bardziej praktyczne zastosowanie może polegać na wykorzystaniu narzędzi AI o średniej wydajności, aby pomóc matematykom przyspieszyć realizację codziennych, żmudnych, ale niezbędnych zadań badawczych. Te pozornie prozaiczne zadania mogą być wykonane przez ludzkich ekspertów, ale zajmują więcej czasu i energii. To w rzeczywistości jest dużą zaletą zastosowania AI, a nie wadą. Ponieważ ludzcy eksperci zgromadzili bogate doświadczenie i intuicję, mogą szybko i dokładnie ocenić, czy wyniki AI są wiarygodne, i bezpiecznie włączyć je do swojego procesu badawczego. Przykład: przeszukiwanie literatury. Matematycy przed badaniem problemu zazwyczaj muszą przeszukać dużą ilość istniejącej literatury. Jeśli problem ma uznaną nazwę i istnieje aktywna społeczność badawcza, to istniejące wyszukiwarki i bazy danych akademickich są wystarczające. Matematycy mogą zacząć od ważnego artykułu, przeszukując w przód i w tył wzdłuż łańcucha cytatów, szybko zdobywając wiedzę na temat postępów w badaniach. Jednak często zdarza się, że problem badawczy nie ma jednolitej nazwy, a naukowcy z różnych dziedzin mogą działać niezależnie. Powiązana literatura jest rozproszona w różnych czasopismach, konferencjach i książkach, a relacje cytatów są chaotyczne. Czasami artykuł wspomina tylko o małej części problemu, wplątanej w dużą ilość nieistotnych treści. W takich przypadkach znalezienie naprawdę wartościowej literatury staje się szczególnie trudne: może być konieczne przeszukiwanie artykułów, wielokrotne filtrowanie, a często po długim czasie okazuje się, że nie ma to żadnego związku z własnym problemem. Jednak gdy już znajdzie się odpowiedni artykuł, ekspert może szybko go przejrzeć i natychmiast ocenić, czy wnosi on coś do aktualnego problemu. Ta zdolność do szybkiej weryfikacji sprawia, że AI jest szczególnie odpowiednie do przeszukiwania literatury (oczywiście pod warunkiem, że badacz ma odpowiednią wiedzę specjalistyczną, aby samodzielnie ocenić jakość literatury). Zwłaszcza gdy badacz musi jednocześnie śledzić wiele problemów badawczych, przewaga użycia AI staje się jeszcze bardziej widoczna. W takim scenariuszu AI nie musi być w 100% dokładne, wystarczy, że wskaźnik sukcesu jest wystarczająco wysoki, a ogólna efektywność będzie znacznie wyższa niż w przypadku tradycyjnych metod. Ponadto, poświęcenie czasu na naukę, jak skutecznie korzystać z narzędzi AI, może z czasem obniżyć koszty. Ostatnio w kręgach matematycznych miało miejsce bardzo typowe zdarzenie: Słynny matematyk Paul Erdős w swoim życiu zaproponował wiele interesujących problemów matematycznych. Obecnie na stronie internetowej Erdős Problems, która zbiera i porządkuje te problemy, znajduje się ponad tysiąc problemów, z czego około 600 oznaczono jako „nie rozwiązane” (open). Chociaż niektóre problemy były szeroko badane, istnieje wiele stosunkowo mniej znanych problemów, w przypadku których trudno jest ocenić, czy istnieje rozwiązanie, polegając tylko na prostym przeszukiwaniu ręcznym. W ciągu ostatnich kilku dni niektórzy badacze zaczęli systematycznie wykorzystywać narzędzia AI do pomocy w przeszukiwaniu literatury. Nie publikują oni bezpośrednio wyników AI na stronie, ale najpierw weryfikują je ręcznie, a po potwierdzeniu skuteczności dodają komentarze lub notatki. W ciągu zaledwie kilku dni, dzięki metodzie „AI wspomagane przeszukiwanie literatury + ręczna weryfikacja”, udało się odkryć co najmniej 6 rozwiązań problemów. Problemy te były wcześniej oznaczone jako „nie rozwiązane”, a ich status został zmieniony na „rozwiązane” (solved). Na przykład: problem 339, problem 1043, problem 494, problem 621, problem 822, problem 903. Jeszcze kilkanaście problemów, mimo że nadal nie rozwiązanych, miało już pomyślnie przeszukane powiązane dokumenty, które po ręcznej weryfikacji również zostały dodane do komentarzy na stronie problemu. Chociaż nie każdy komentarz wyraźnie wskazuje na użycie AI, znaczny wzrost liczby tych komentarzy w krótkim czasie sugeruje wkład AI. Inną potencjalną zaletą narzędzi AI jest to, że mogą one bardziej naturalnie raportować „negatywne wyniki” (negative results, czyli sytuacje „nie znaleziono żadnej powiązanej literatury”). Zazwyczaj, jeśli badacz przeszukuje literaturę i nic nie znajduje, nie zgłasza tego specjalnie, obawiając się, że po przeoczeniu ważnego artykułu będzie to dość niezręczne. Taka cisza prowadzi do wielu zbędnych powtórzeń pracy — różni badacze mogą spędzać dużo czasu na poszukiwaniu nieistniejącej literatury lub błędnie sądzić, że dany problem nie został rozwiązany, podczas gdy w rzeczywistości po prostu nie przeprowadzili dokładnego przeszukiwania literatury. Kiedy badacze systematycznie przetwarzają dużą ilość zadań przeszukiwania literatury za pomocą narzędzi AI, są bardziej skłonni do publicznego raportowania takich „negatywnych wyników”. Na przykład: „Narzędzie AI sprawdziło 36 problemów, z czego 24 (66%) znalazło nowe, skuteczne dokumenty, a pozostałe 12 (33%) zwróciło tylko znane lub nieistotne wyniki”. Taki sposób otwartego raportowania pozwala całemu środowisku akademickiemu lepiej zrozumieć aktualny stan badań nad danym problemem i unikać wielu niepotrzebnych powtórzeń pracy. Podsumowując, w dziedzinie badań matematycznych, najskuteczniejszym sposobem wykorzystania AI w krótkim okresie może być właśnie to, co dla ludzkich ekspertów wydaje się „prozaiczne”, ale jest kluczowe dla pracy badawczej. AI nie odgrywa tutaj roli supergeniusza, lecz akceleratora efektywności. Może pomóc badaczom uwolnić więcej cennej energii z żmudnych podstawowych zadań, aby lepiej zaangażować się w obszary, które naprawdę wymagają innowacji i głębokiego myślenia.