OpenAI טוענת שפתרה את Navier-Stokes, אבל התובנות עדיין חסרות
OpenAI הכריזה ב-8 בספטמבר שסוכני ה-AI שלה פתרו את בעיית Navier-Stokes, אתגר מתמטי מפורסם, באמצעות הרצה של כ-10,000 סוכנים שעלו מיליוני דולרים. המתמטיקאים מאשרים שההוכחה תקפה מבחינה טכנית, אך מתקשים להבין אותה וללמוד ממנה, וטוענים שלחברה היה ידע מוקדם מעבודתם של חוקרים שהיו קרובים לפתרון. האירוע מוכיח ש-AI חזק במתמטיקה, אך עדיין זקוק לאנשים כדי לפרש את היצירה ולייחס אותה למי שעבדו עליה.
ב-8 בספטמבר, OpenAI פרסמה הודעה חגיגית: סוכני ה-AI שלה פתרו את בעיית Navier-Stokes – אחת הבעיות המתמטיות הפתוחות המפורסמות ביותר בעולם, כזו שמי שיפתור אותה יוכל לזכות בפרס של מיליון דולר ממכון קליי. עבור רבים בעולם הטכנולוגיה, זה נשמע כמו פריצה גדולה. אבל בעולם המתמטיקה, ההודעה עוררה סערה ונתפסה כתזכורת כואבת לכך שגם כשה-AI מצליח לפרוץ גבולות, בני אדם נשארים חיוניים כדי להבין, לפרש ולתת קרדיט על העבודה.
אז מה בעצם קרה כאן?
OpenAI פרסמה כי הפעילה כ-10,000 סוכני AI על מנת לפתור את הבעיה. המאמץ נמשך 88 שעות, השתמש בכ-130 מיליארד טוקנים (יחידות טקסט ותווים שהמודל מייצר), ועלות החישוב מוערכת ב-6 עד 10 מיליון דולר. התוצאה: מאמר בן 166 עמודים, שלדברי החברה מכיל הוכחה מתמטית תקינה. כדי לוודא זאת, OpenAI גם הפיקה קוד ב-Lean, שפת תכנות מתמטית המאמתת הוכחות, והקוד אכן רץ כצפוי. אז טכנית, זה אמור להיות פתרון.
אך כאן מתחילות הצרות. המאמר בן 166 העמודים קשה לקריאה להחריד. מתמטיקאים שבחנו אותו טוענים שהוא נכתב "בשביל מכונות, לא לבני אדם". חאבייר גומז-סרנו מאוניברסיטת Brown אמר כי "נכון להיום, המאמר לא מלמד אותנו הרבה", ואין בו הסבר ברור לגבי מה חשוב, מה שגרתי או איך הרעיונות יכולים להתפשט לתחומים אחרים. ג'יימס מינרד מאוניברסיטת אוקספורד הוסיף ש"עד כה היה מאוד קשה להוציא הבנה אנושית כלשהי מההוכחה הזו ב-AI".
בעיית הייחוס: מי באמת עשה את העבודה?
הביקורת לא נעצרת בקושי שבהבנה. מתמטיקאים רבים טוענים ש-OpenAI לא נתנה מספיק קרדיט לעבודה אנושית קודמת. לדוגמה, טריסטן בקמסטר מאוניברסיטת ניו יורק ולבנט אלפוג מ-Anthropic עבדו לאחרונה על פתרון אפשרי לבעיה. בקמסטר טוען ש-OpenAI ידעה על הגישה שלהם – ושהם ניסו לגייס אותו, תוך כדי שדרשו שיוותר על שיתוף הפעולה עם אלפוג מ-Anthropic, חברה מתחרה. OpenAI הכחישה שימוש ישיר בעבודתם של בקמסטר ואלפוג, אך הודתה שמידע מהשימוש במוצרים שלהם "יכול היה לעזור לשפר את המודל".
זה מדגיש דפוס מוכר: חברות AI בונות על עבודה אנושית קיימת – הן מאמנות עליה מודלים ומשתמשות בה כבסיס – אך לעיתים קרובות לא נותנות ליוצרים קרדיט ראוי או מפצות אותם. בעולם המתמטיקה, זה מרגיש במיוחד כמו עלבון, מכיוון שהקהילה הזו פתוחה ברובה לשימוש ב-AI ורואה בו כלי עוצמתי. מרטין היירר מ-EPFL, אחד מ-25 זוכי מדליית פילדס שחתמו על מכתב נגד אי-ההתאמה בין מטרות חברות AI לקהילה, ציין ש"כולם הסכימו שזו תהיה הבעיה הבאה שתיפתר". אך הנסיבות הפכו את זה מ"הוכחת קונספט שיתופית" ל"קרב מבולגן", כדברי מינרד.
אז מה למדנו בינתיים?
התשובה היא: מעט מאוד. למרות שההוכחה תקינה מבחינה טכנית, היא עדיין לא תורמת לתובנות אנושיות חדשות. מתמטיקאים מודאגים ש-AI מייצר "פתרונות" מבלי לספק את ההבנה העמוקה שבדרך כלל מלווה תגליות מתמטיות. כיוון שכך, יהיה צורך בעבודה אנושית רבה כדי לפענח, לנסות להבין ולהפיץ את הרעיונות שבהוכחה. זה לא כמו סרט או חיסון שנוצרו בעזרת AI, שיש להם שימוש מיידי ברור.
הפרשה הזו היא מקרה בוחן לכוחו הגובר של ה-AI במתמטיקה, אך גם למגבלותיו. AI הפך לחלק מהנוף. בשלושים השנים האחרונות, מחשבים כבר עשו חלק מהחישובים היקרים. אבל התחושה בקרב אנשי המקצוע היא ששיתוף פעולה אמיתי עדיין לא קרה כאן. ייתכן שפתרון Navier-Stokes יפתח דלתות חדשות, למשל להבנה טובה יותר של מערבולות בנוזלים או של דינמיקה של אווירונים. אך כרגע, ה-AI של OpenAI פרסם פתרון שבני אדם צריכים לתרגם לשפה שלהם. אם כך, אולי המכונות פותרות בעיות, אך אנחנו עדיין אלה שמנסים להבין את המשמעות.