Я особливо згоден з точкою зору Тао Чжесюаня: найбільш прийнятним використанням ШІ на даному етапі є не безпосереднє використання найпотужніших моделей ШІ для подолання найскладніших математичних проблем, а використання більш широкого і практичного використання, можливо, використання тих інструментів ШІ з помірною продуктивністю, щоб допомогти математикам прискорити виконання цих щоденних виснажливих, але важливих базових дослідницьких завдань. Кілька днів тому я почув, як співробітник CVS поділився, що аптеки CVS дуже завантажені, але більшість часу витрачається на деякі нудні речі, такі як підрахунок таблеток, тому що кількість таблеток для кожного пацієнта різна, і потрібні два професійні фармацевти, один відповідає за наповнення вказаної кількості таблеток у флакон з ліками, а інший відповідає за перевірку правильності кількості таблеток у флаконі. Тому нещодавно вони використовували роботів AI +, щоб автоматизувати цей процес, звільняючи фармацевтів для виконання більш важливих справ. Моє повсякденне використання штучного інтелекту схоже, можливо, він не обов'язково допоможе мені вирішити багато технічних проблем, але я можу використовувати штучний інтелект для розробки деяких гаджетів або безпосередньо використовувати конкретні підказки, щоб допомогти мені виконувати багато виснажливої роботи, що може значно покращити мою загальну ефективність. --- Дивіться коментарі до оригінального перекладу

Тао Чжесюань: Деякі з моїх думок щодо нещодавнього застосування штучного інтелекту в галузі математики Останнім часом я все більше і більше відчуваю, що найефективніше застосування штучного інтелекту (ШІ) у галузі математики в короткостроковій перспективі – це не обов'язково пряме використання найпотужніших моделей штучного інтелекту для подолання найскладніших математичних проблем. Звичайно, ми час від часу бачимо особливо успішні кейси, але вони часто досягаються за рахунок великих обчислювальних ресурсів і зусиль топових експертів. Дійсно більш широке і практичне застосування може полягати у використанні інструментів штучного інтелекту з помірною продуктивністю, щоб допомогти математикам прискорити виконання цих виснажливих, але важливих базових дослідницьких завдань. Ці, здавалося б, звичайні завдання могли б виконати люди-фахівці, але це зайняло б більше часу та зусиль. Але насправді це головна перевага додатків для штучного інтелекту, а не недолік. Оскільки людські експерти накопичили багатий досвід та інтуїцію, вони можуть швидко й точно визначити, чи є вихідні дані ШІ надійними, і безпечно інтегрувати їх у власні дослідницькі процеси. Простий приклад: пошук літератури. Математикам зазвичай доводиться звертатися до великої кількості існуючої наукової літератури, перш ніж вивчати проблему. Якби проблема вже мала впізнаване ім'я і існувала активна наукова спільнота, існуючі пошукові системи та академічні бази даних були б досить хорошими. Математикам достатньо почати з важливої статті та шукати вперед і назад уздовж ланцюжка цитування, щоб швидко зрозуміти прогрес дослідження проблеми. Однак є багато випадків, коли дослідницька проблема не має єдиної назви, і вчені різних галузей можуть опинитися в ізольованому стані. Відповідна література розкидана по різних журналах, конференціях, книгах, а цитати неорганізовані. Іноді в статті згадується лише невелика частина проблеми, домішується до великої кількості нерелевантного контенту. Особливо клопітно в цій ситуації знайти дійсно цінну літературу: можливо, доведеться шукати статті і багаторазово їх перебирати, а може і довго їх читати, щоб виявити, що вони не мають ніякого відношення до ваших проблем. Але після того, як відповідна стаття знайдена, експерту достатньо швидко поглянути, щоб одразу визначити, чи сприяє стаття поточній проблемі. Ця можливість швидкої перевірки робить штучний інтелект особливо придатним для пошуку літератури (за умови, що дослідники мають відповідний досвід для незалежного оцінювання якості документів). Особливо, коли дослідникам потрібно приділяти увагу кільком дослідницьким питанням одночасно, переваги використання штучного інтелекту стають ще більш очевидними. У цьому сценарії ШІ не обов'язково має бути на 100% точним, доки рівень успіху досить високий, загальна ефективність буде набагато вищою, ніж у традиційних методів. Крім того, дослідники витрачають деякий час на те, щоб навчитися ефективно використовувати інструменти штучного інтелекту, і вони можуть поступово розбавляти витрати на повторне використання. Останнім часом в математичних колах стався дуже типовий приклад: Відомий математик Пауль Ердеш за своє життя поставив багато цікавих математичних задач. Наразі на сайті Erdős Problems, який збирає та систематизує ці випуски, є понад тисячу випусків, з яких близько 600 позначені як «відкриті». Незважаючи на те, що деякі проблеми широко вивчені, існує також багато відносно непопулярних проблем, і важко судити про те, чи є рішення, грунтуючись лише на простому ручному пошуку. Останніми днями деякі дослідники почали систематично використовувати інструменти штучного інтелекту для пошуку відповідної літератури. Вони безпосередньо не публікують результати ШІ на веб-сайті, а спочатку вручну перевіряють їх і підтверджують, що вони дійсні, перш ніж коментувати чи робити коментарі. Всього за кілька днів за допомогою цього методу «пошук літератури за допомогою штучного інтелекту + ручне підтвердження» було успішно знайдено рішення щонайменше 6 проблем. Спочатку ці питання були позначені як «невирішені», а тепер статус змінено на «вирішено». Наприклад: питання 339, питання 1043, питання 494, питання 621, питання 822, питання 903. Є ще десяток питань, які залишаються невирішеними, але відповідна література була успішно вилучена та додана до коментарів на сторінці випуску після ручного підтвердження. Хоча не кожен коментар прямо вказує на використання штучного інтелекту, значне збільшення кількості цих коментарів у короткостроковій перспективі свідчить про внесок штучного інтелекту. Ще одна потенційна перевага цього інструменту штучного інтелекту полягає в тому, що він може повідомляти про «негативні результати» більш природним чином. Взагалі кажучи, якщо дослідники проводять пошук літератури і нічого не знаходять, вони зазвичай не повідомляють про це, ймовірно, тому, що переживають, що буде ніяково, якщо вони пропустять важливу статтю. Це мовчання насправді призводить до великої кількості зайвого дублювання праці – різні дослідники, можливо, витратили багато часу на пошуки документів, яких не існує, або помилково думають, що проблема не вирішена, але насправді вони ніколи не займалися серйозним пошуком літератури. Використовуючи інструменти штучного інтелекту для систематичного виконання великомасштабних завдань з пошуку літератури, дослідники, природно, охочіше публічно повідомляють про такі «негативні результати». Наприклад: «Інструмент штучного інтелекту вивчив загалом 36 запитань, з яких 24 (66%) знайшли нову валідну літературу, а ще 12 (33%) повернули лише відомі або нерелевантні результати». Такий відкритий і прозорий підхід дозволяє всьому академічному колу більш чітко знати, яким є сучасний стан досліджень з певної проблеми, а також дозволяє уникнути великої кількості непотрібного дублювання праці. Загалом, у сфері математичних досліджень найефективнішим способом використання ШІ в короткостроковій перспективі може бути це базове завдання, яке є дещо «звичайним» для експертів-людей, але має вирішальне значення для дослідницької роботи. Штучний інтелект тут грає роль не супергенія, а прискорювача ефективності. Це може допомогти дослідникам вивільнити більше цінної енергії від виснажливих базових справ і краще присвятити себе сферам, які дійсно потребують інновацій та глибокого осмислення.