Jag håller särskilt med Tao Zhexuans synpunkt: den lämpligaste användningen av AI i detta skede är inte att direkt använda de mest kraftfulla AI-modellerna för att lösa de svåraste matematiska problemen, utan att använda en mer omfattande och praktisk användning, kanske att använda dessa AI-verktyg med måttlig prestanda för att hjälpa matematiker att påskynda slutförandet av de dagliga tråkiga men viktiga grundläggande forskningsuppgifterna. För några dagar sedan hörde jag en CVS-person berätta att CVS-apotek är mycket upptagna, men att det mesta av tiden slösas bort på några tråkiga saker, som att räkna piller, eftersom antalet tabletter för varje patient är olika, och två professionella farmaceuter behövs, en ansvarar för att fylla det angivna antalet tabletter i medicinflaskan, och den andra ansvarar för att verifiera om antalet tabletter i flaskan är korrekt. Så de använde nyligen AI + robotar för att automatisera denna process, vilket frigör farmaceuter att göra viktigare saker. Min dagliga användning av AI är liknande, det kanske inte nödvändigtvis hjälper mig att lösa många tekniska problem, men jag kan använda AI för att utveckla vissa prylar, eller direkt använda specifika uppmaningar, för att hjälpa mig att göra mycket tråkigt arbete, vilket avsevärt kan förbättra min totala effektivitet. --- Se kommentarer till den ursprungliga översättningen

Tao Zhexuan: Några av mina tankar om den senaste tidens tillämpning av AI inom matematikområdet På senare tid har jag mer och mer kommit att känna att den mest effektiva tillämpningen av artificiell intelligens (AI) inom matematikområdet på kort sikt inte nödvändigtvis är den direkta användningen av de mest kraftfulla AI-modellerna för att lösa de svåraste matematiska problemen. Naturligtvis ser vi ibland några särskilt framgångsrika fall, men de uppnås ofta med mycket datorresurser och insatser från toppexperter. Det verkligt bredare och mer praktiska användningsområdet kan vara att använda AI-verktyg med måttlig prestanda för att hjälpa matematiker att påskynda slutförandet av de tråkiga men viktiga grundläggande forskningsuppgifterna. Dessa till synes vanliga uppgifter kunde ha utförts av mänskliga experter, men det skulle ta mer tid och ansträngning. Men detta är faktiskt en stor fördel med AI-applikationer, inte en brist. Eftersom mänskliga experter har samlat på sig rik erfarenhet och intuition kan de snabbt och exakt avgöra om resultatet av AI är tillförlitligt och på ett säkert sätt integrera det i sina egna forskningsprocesser. Ett enkelt exempel: litteratursökning. Matematiker behöver vanligtvis konsultera mycket befintlig forskningslitteratur innan de studerar ett problem. Om problemet redan hade ett känt namn och det fanns ett aktivt forskarsamhälle hade de befintliga sökmotorerna och akademiska databaserna varit tillräckligt bra. Matematiker behöver bara börja med en viktig artikel och söka framåt och bakåt längs citeringskedjan för att snabbt förstå hur forskningen fortskrider med problemet. Det finns dock många tillfällen då ett forskningsproblem inte har ett enhetligt namn, och forskare inom olika områden kan befinna sig i silos. Relevant litteratur är utspridd i olika tidskrifter, konferenser och böcker, och citaten är oorganiserade. Ibland nämner en artikel bara en liten del av problemet, blandat med en massa irrelevant innehåll. Det är särskilt besvärligt att hitta verkligt värdefull litteratur i denna situation: du kan behöva leta efter artiklar och upprepade gånger sålla igenom dem, och du kan behöva läsa dem länge för att upptäcka att de inte har något att göra med dina problem. Men när den relevanta artikeln väl har hittats behöver en expert bara ta en snabb titt för att omedelbart avgöra om artikeln bidrar till det aktuella problemet. Denna snabba verifieringsförmåga gör AI särskilt lämplig för litteratursökningar (förutsatt att forskare har relevant expertis för att självständigt bedöma kvaliteten på dokument). Särskilt när forskare måste uppmärksamma flera forskningsfrågor samtidigt är fördelarna med att använda AI ännu mer uppenbara. I det här scenariot behöver AI inte vara 100 % korrekt, så länge framgångsfrekvensen är tillräckligt hög kommer den totala effektiviteten att vara mycket högre än traditionella metoder. Dessutom lägger forskare lite tid på att lära sig hur man använder AI-verktyg effektivt, och de kan gradvis späda ut kostnaden vid upprepad användning. Nyligen har ett mycket typiskt exempel inträffat i matematiska kretsar: Den berömde matematikern Paul Erdős ställde många intressanta matematiska problem under sin livstid. För närvarande finns det mer än tusen ärenden på webbplatsen Erdős Problem, som samlar och organiserar dessa frågor, varav cirka 600 är markerade som "öppna". Även om vissa problem har studerats i stor utsträckning finns det också många relativt impopulära problem, och det är svårt att bedöma om det finns en lösning som bygger på enbart manuell sökning. Under de senaste dagarna har vissa forskare systematiskt börjat använda AI-verktyg för att hjälpa till att söka efter relevant litteratur. De lägger inte direkt upp AI-utdataresultaten på webbplatsen, utan verifierar dem manuellt först och bekräftar att de är giltiga innan de kommenterar eller kommenterar. På bara några dagar har man lyckats hitta lösningar på minst 6 problem genom denna metod "AI-assisted literature search + manual confirmation". Dessa problem markerades ursprungligen som "olösta" och nu har statusen ändrats till "löst". Till exempel: frågorna 339, 1043, 494, 621, 822, 903. Det finns fortfarande ett dussin frågor som fortfarande är olösta, men den relevanta litteraturen har framgångsrikt hämtats och lagts till i kommentarerna på problemsidan efter manuell bekräftelse. Även om inte användningen av AI uttryckligen nämns i alla kommentarer, tyder den betydande ökningen av antalet sådana kommentarer på kort sikt på AI:s bidrag. En annan potentiell fördel med detta AI-verktyg är att det kan rapportera "negativa resultat" mer naturligt. Generellt kan man säga att om forskare gör en litteratursökning och inte hittar något så brukar de inte anmäla det, förmodligen för att de är oroliga för att det ska bli pinsamt om de missar en viktig artikel. Denna tystnad leder faktiskt till en hel del överflödigt dubbelarbete - olika forskare kan ha spenderat mycket tid på att leta efter dokument som inte finns, eller felaktigt tro att ett problem inte har lösts, men i själva verket har de aldrig gjort en seriös litteratursökning. När man använder AI-verktyg för att systematiskt hantera storskaliga litteratursökningsuppgifter är forskare naturligtvis mer villiga att offentligt rapportera sådana "negativa resultat". Till exempel: "AI-verktyget undersökte totalt 36 frågor, varav 24 (66 procent) hittade ny giltig litteratur och ytterligare 12 (33 procent) endast returnerade kända eller irrelevanta resultat." Detta öppna och transparenta tillvägagångssätt gör det möjligt för hela den akademiska cirkeln att tydligare veta hur det aktuella forskningsläget ser ut i en viss fråga, och man undviker också en hel del onödigt dubbelarbete. På det hela taget kan det mest effektiva sättet att använda AI på kort sikt inom matematisk forskning vara denna grundläggande uppgift, som är något "vanlig" för mänskliga experter, men avgörande för forskningsarbetet. AI spelar inte rollen som ett supergeni här, utan som en effektivitetsaccelerator. Det kan hjälpa forskare att frigöra mer värdefull energi från tråkiga grundläggande angelägenheter och bättre ägna sig åt områden som verkligen behöver innovation och djupt tänkande.