Штучний інтелект, якщо мова йде про математику, це перш за все математичний сервіс — новий потужний інструмент, здатний знаходити відповідь на питання, які можуть бути ідентифіковані та класифіковані на основі попередньо відомих результатів. Але він також здатен екстраполювати знання на нові конфігурації, тобто застосовувати відомі методи там, де людина ще не пробувала їх поєднувати. Це вже не просто калькулятор, хоча й до справжнього математика-творця йому теж далеко.
Від обчислень до пошуку закономірностей
Класичний комп'ютер завжди був хорошим лічильником. Він міг перевірити мільйони варіантів за секунди там, де людині знадобилися б роки. Але пошук закономірностей — це вже інша задача. Сучасні мовні та навчені на математичних текстах моделі вміють не просто рахувати, а помічати структуру в даних: повторювані патерни в послідовностях, симетрії у графах, залежності між об'єктами, які на перший погляд здаються непов'язаними.
Саме тут і виникає межа між "інструментом обчислення" та "інструментом відкриття". Модель, навчена на тисячах доведених теорем, засвоює не конкретні факти, а швидше стиль мислення — які кроки зазвичай ведуть до успіху, які тупикові, а які варто спробувати першими.
Що вже вміє ШІ у математиці сьогодні
Останні кілька років дали кілька показових прикладів, коли нейромережі не просто розв'язували задачі, а фактично допомагали математикам рухатись у напрямках, які раніше здавались надто трудомісткими для ручного перебору. Серед найпомітніших досягнень варто виділити такі:
- система AlphaProof від DeepMind розв'язала кілька задач рівня Міжнародної математичної олімпіади, довівши доведення у формальній мові Lean;
- AlphaGeometry впоралась із геометричними задачами олімпіадного рівня, генеруючи допоміжні побудови, які людина зазвичай знаходить інтуїтивно;
- моделі великих мовних систем використовуються математиками як асистенти для перевірки гіпотез на малих прикладах перед тим, як братися за загальний випадок;
- алгоритми машинного навчання допомогли знайти нові контрприклади у теорії вузлів та комбінаториці, де людський перебір був би занадто повільним.
Усе це справді вражає своєю практичною користю. Але кожен із цих прикладів має спільну рису: модель працювала у чітко окресленому просторі задач, де правила гри були відомі заздалегідь.
Проблема формулювання нової теореми
Доведення — це лише половина справи. Значно складніша задача — сформулювати саму теорему, тобто побачити те, що варто доводити. Математик часто роками "відчуває", що якась закономірність існує, задовго до того, як зможе її строго записати. Це відчуття народжується з інтуїції, накопиченого досвіду і, чого гріха таїти, іноді просто з випадкового спостереження за прикладом, який не вкладається у звичну картину.
Штучний інтелект поки що не вміє генерувати такі здогадки з нуля у широкому сенсі. Він може запропонувати варіації на відому тему — узагальнити нерівність, змінити умову теореми і перевірити, чи зберігається результат. Але сама постановка принципово нового питання, яке відкриває цілий новий напрямок дослідження, залишається прерогативою людини.
Математика — це не просто набір правильних тверджень, а мистецтво ставити правильні питання. Доведення приходить пізніше, а справжня складність — у тому, щоб побачити, що саме варто доводити.
Що таке формальна верифікація доведень
Формальна верифікація — це процес перевірки математичного доведення спеціальною програмою, яка покроково контролює логічну коректність кожного кроку без винятків та без довіри на слово. Системи на кшталт Lean або Coq вимагають, щоб доведення було записане настільки строго, що комп'ютер міг би перевірити його автоматично, без участі людини-рецензента. Саме завдяки таким системам ШІ-моделі можуть генерувати доведення, які гарантовано правильні, а не просто виглядають переконливо.
Доведення: логіка проти інтуїції
Коли теорему вже сформульовано, доведення перетворюється на задачу пошуку в дуже великому, але скінченному просторі логічних кроків. Тут ШІ почувається значно впевненіше. Алгоритми пошуку доведень нагадують шахові рушії: вони перебирають можливі ходи, оцінюють перспективність кожного напрямку і відсікають тупикові гілки.
Різниця між людиною і машиною тут не стільки в самій логіці, скільки в тому, звідки береться "натхнення" для наступного кроку. Досвідчений математик часто робить нетривіальний хід не тому, що перебрав усі варіанти, а тому, що якийсь схожий прийом спрацював в іншій, здавалося б, непов'язаній задачі. ШІ теж здатен на такий перенос знань, і саме ця здатність — екстраполяція прийомів на нові конфігурації — робить сучасні моделі значно сильнішими за прості перебірні алгоритми минулого.
Приклади реальної співпраці людини та машини
- математик формулює гіпотезу на основі спостережень за прикладами;
- ШІ перевіряє гіпотезу на тисячах згенерованих випадків, шукаючи контрприклад;
- якщо контрприклад не знайдено, модель пропонує варіанти стратегії доведення;
- людина оцінює запропоновані стратегії, обирає перспективну і доопрацьовує деталі;
- формальний ШІ-дослідник перевіряє остаточний результат на логічну коректність.
Такий цикл вже сьогодні використовується у деяких дослідницьких групах, і швидкість роботи над складними гіпотезами помітно зростає.
Чи може ШІ мати математичну інтуїцію
Питання дискусійне. З одного боку, нейромережа не має свідомості, не "розуміє" математику у людському сенсі слова, а лише знаходить статистичні залежності у величезних масивах даних. З іншого боку, результат іноді практично не відрізнити від інтуїтивного.
Можливо, суперечка про "справжнє розуміння" тут не така вже й принципова. Для практики важливіше інше питання: чи здатна система запропонувати щось нове, корисне. І відповідь на нього поступово стає ствердною, хоча й із суттєвими застереженнями щодо масштабу та глибини таких відкриттів.
Чи існує теорема, повністю сформульована і доведена штучним інтелектом без участі людини
На сьогодні відомі випадки, коли ШІ самостійно знаходив нові контрприклади або невеликі узагальнення відомих результатів, наприклад у комбінаториці та теорії графів. Але жодного великого, концептуально нового математичного результату, повністю сформульованого і доведеного без участі людини на етапі постановки задачі, поки що зафіксовано не було. Роль людини як автора питання залишається ключовою.
Тож на сьогоднішній день штучний інтелект — це радше потужний співавтор, ніж самостійний математик. Він блискуче справляється з перебором, перевіркою гіпотез та пошуком доведень у вже окресленому просторі задач, але саму іскру нового питання поки що висікає людина. Втім, темп розвитку цих систем такий, що межа між "інструментом" і "співавтором" щороку стає все тоншою. Цікаво, скільки років знадобиться, щоб з'явилась перша теорема, автором якої офіційно вважатиметься алгоритм, а не людина. А ви як думаєте — це питання часу чи принципова межа, яку машина ніколи не переступить? Поділіться своєю версією в коментарях.
Схожі публікації
