The Atlantic的文章,数学不能再这样下去了Math Can’t Go On Like This
人工智能刚刚解决了世界上最难的数学问题之一。
凯·威廉姆斯
7月下旬,世界上最著名的数学家之一向整个数学界发出了警告。UCLA教授陶哲轩(Terence Tao)在国际数学家大会一座座无虚席的报告厅里说,数学正在进入一个“动荡时期”。他表示,人工智能在数学领域的能力已经强大到足以引发“我们的数学价值观和实践方式出现危机”。
就在陶于本周稍早在这场数学界最负盛名的会议上发表演讲的同时,Anthropic的一名研究人员利用Claude推翻了一条有87年历史的数学猜想。不过,当我在大会上询问数学家们使用人工智能的经历时,大多数人都没有深入思考过这个问题。许多人似乎还有些意外:一个记者竟然会来问他们这件事。
现在,数学家们开始认真关注起来。上周,OpenAI宣布,其人工智能机器人攻克了纳维–斯托克斯问题(Navier-Stokes problem)——这是“千禧年大奖难题”七大问题之一,被认为是数学领域最宏大的挑战之一。自20世纪30年代以来,纳维–斯托克斯问题一直难倒数学家:“这是一个能毁掉数学家职业生涯的问题——你可能一辈子都在研究它,却始终无法找到答案。”圣安德鲁斯大学数学家戴维·德里切尔(David Dritschel)对我说。OpenAI表示,其由1万个AI智能体组成的集群在不到四天的时间里解决了这一问题。
在数学界,对OpenAI这一成果最初的震惊,如今已经演变成了一场关乎这个学科生存方式的反思。尽管OpenAI只有在汲取了近一个世纪以来人类研究成果的基础上,才得以解决纳维–斯托克斯问题,但学术界正在意识到,如今人工智能产业对于数学拥有多么巨大的力量。“我们正在看到,一个完整的领域如何如此迅速地遭到AI的冲击。”纽约市立大学巴鲁克学院数学教授马克斯·温赖希(Max Weinreich)对我说。
OpenAI取得突破本身值得注意,而它取得突破的方式同样引人注目。在OpenAI宣布找到解决方案的前一天晚上,纽约大学数学家特里斯坦·巴克马斯特(Tristan Buckmaster)发表声明,称OpenAI抢先发表了本应属于他的成果。在AI工具的大力协助下,巴克马斯特与合作者莱文特·阿尔珀格(Levent Alpöge,任职于Anthropic)已经在解决纳维–斯托克斯问题上取得重大进展。巴克马斯特暗示,OpenAI可能通过读取他与OpenAI智能体之间的消息,复制了他们的方法。“据我所知,几乎没有其他人在研究这个问题。”他写道。
第二天,OpenAI在一份声明中表示,在听到Anthropic已经解决其中两个问题的传闻后,它让自己的AI系统开始研究全部七道千禧年大奖难题。OpenAI称,只有在发现一些有希望的阶段性成果后,它才将重点转向纳维–斯托克斯问题,并且从未查看过巴克马斯特输入给系统的内容。无论如何,OpenAI为了攻克这一问题投入了惊人的资源——仅代币(tokens)就花费了数百万美元——而这一切的起因,只是听到了一则毫无根据的“有人已经解决了”的传闻。(OpenAI拒绝置评。)
这场风波凸显了许多数学家对AI进入数学领域后所产生的种种担忧。AI公司有动力以能够为自家机器人制造轰动性新闻的方式解决数学问题,动用学术界根本无法调集的资源;但这些解决方案未必能够推动进一步的发现,也未必能够帮助人类理解数学。周五,25位菲尔兹奖得主——菲尔兹奖有时被称为“数学界的诺贝尔奖”——发表了一份题为《人工智能在数学领域的严重错位》(“A Severe Misalignment of AI in Mathematics”)的声明。他们写道:“AI公司推动以解决数学问题作为基准测试的做法,有损数学科学,也有损数学共同体。”
这一切听起来似乎有些费解。数学的意义难道不就是解决问题吗?但一个数学问题的意义,远不只是知道它到底是真是假。在纯数学领域,解决一个重大问题往往就像把人送上月球:具有象征意义,却几乎没有直接的实际价值。尽管纳维–斯托克斯问题涉及流体力学中最重要的模型之一——这是飞机设计师、气候模型研究人员以及许多其他科学家都非常关注的领域——但知道问题最终的答案本身,基本上没有什么用处。
然而,无论是数学问题还是登月,通往目标的过程都可能间接催生各种能够应用于其他问题的有用工具。在阿波罗计划期间,美国国家航空航天局(NASA)的工程师和承包商不得不解决一些子问题,而这些成果最终在其他领域派上了用场。例如,对机载计算机的需求帮助推动了当时尚处于萌芽阶段的计算芯片产业。更令人意外的是,为了确保宇航员在太空中不会生病,阿波罗计划还帮助制定了食品安全标准,而这些标准后来成为整个行业的通行规范。
数学家们希望,OpenAI对纳维–斯托克斯问题给出的证明最终能够包含一些新的思想,让人们更容易研究各种其他问题——无论这些问题属于纯数学领域还是其他领域。过去就曾发生过类似的事情。例如,为证明费马大定理所做的努力催生了一系列数学工具,而这些工具如今已经成为最新一代网络加密方法的基础。
现在判断人类究竟能从OpenAI的证明中学到什么,还为时过早。这篇论文长达166页,而且“几乎无法理解”,德里切尔说。然而,在接下来的数月乃至数年里,数学家们将投入大量精力,逐步拆解并提炼OpenAI的证明,直到其中的核心思想得到足够清晰的理解,从而——希望如此——能够被应用于其他领域。
不过,对于大多数AI生成的数学成果,人类恐怕无法做到这一点。现在已经出现了一些没有任何人类能够理解的AI证明,并不是因为其中的思想不可能被人理解,而是因为根本没有人有时间仔细审阅整个解答。很容易想象这样一个未来:数学家利用AI,以越来越快的速度证明越来越令人惊叹的结果——但他们对自己究竟证明了什么,却没有多少深入理解。AI系统可以加快解决问题的速度,却无法同等程度地降低人类数学家理解一个证明的难度。
因此,如果数学这个我们所熟知的领域想要延续下去,数学家就必须想办法适应。一种思路是,降低“解决一个问题”本身所获得的认可程度,同时提高那些能够以有益于整个数学共同体的方式阐明解决方案背后思想的工作所获得的认可。但究竟该如何在实践中做到这一点,很难说清楚。与解决问题不同,评价一名数学家与同行交流思想的能力,并没有明确的衡量标准。
数学家们还需要时间来找到最好的应对方式。而与此同时,人工智能仍在以惊人的速度发展。还不到一个人攻读博士学位所需的时间,ChatGPT这样的系统就已经从连基本算术都难以应付,发展到了能够解决世界上一些最著名的数学难题。正如陶所说,数学的这个“动荡时期”,短期内不会结束。#海外新鲜事#
