OpenAI publica hallazgos sobre 377 problemas matemáticos y agita aún más al campo

Después de que el resultado a uno de los problemas del milenio enfureciera a los matemáticos, la empresa dijo que esta vez ha trabajado con un consejo asesor de expertos humanos.

Los matemáticos han quedado atónitos por las capacidades aceleradas de la inteligencia artificial, que en los últimos meses han resuelto algunos de los problemas matemáticos abiertos más difíciles que habían eludido a los humanos.

El martes, OpenAI inundó a los matemáticos con cientos de nuevos hallazgos que abarcan una amplia franja de temas, entre ellos el álgebra, la teoría de números, la informática teórica, la lógica matemática y la topología.

Los 377 resultados le siguen al anuncio que hizo OpenAI el mes pasado de que había logrado descifrar la ecuación de Navier-Stokes, uno de los llamados Problemas del Milenio, que se consideraban tan desafiantes que se ofreció una recompensa de un millón de dólares por cada solución.

El logro demostró de qué son capaces los modelos de inteligencia artificial más avanzados, pero también planteó preguntas sobre si los sistemas de inteligencia artificial de OpenAI estaban empleando un pensamiento creativo o simplemente completando los pasos finales de una demostración después de tomar prestadas ideas del trabajo de matemáticos humanos.

Al igual que el resultado de Navier-Stokes, las nuevas soluciones matemáticas utilizaron un modelo de IA más avanzado que no se ha lanzado públicamente.

Hace un par de semanas, OpenAI dijo que está trabajando con un consejo asesor de matemáticos que ofrecería asesoramiento sobre cómo las empresas de inteligencia artificial deberían comunicar los resultados producidos por IA a los matemáticos. El grupo está alojado en el Instituto de Estudios Avanzados de Princeton, Nueva Jersey, y es independiente de cualquier empresa de IA.

Entre otras sugerencias, el consejo asesor dijo que deberían publicarse todas las instrucciones dadas a los agentes de IA y las cadenas de pensamiento de los agentes. El martes por la noche, el consejo asesor emitió un comunicado que calificó la publicación como "el comienzo, no la finalización, del proceso de comprensión humana y la incorporación del trabajo al conocimiento matemático".

"Queremos crear estándares y prácticas para que los matemáticos puedan comprender los resultados que publican los laboratorios de IA y puedan hacer avanzar el campo", dijo en un correo electrónico Melanie Wood, una matemática de Harvard que es miembro del consejo asesor.

Muchas de las demostraciones se habían comprobado usando Lean, un lenguaje informático que verifica esa lógica subyacente.

Para 10 de las soluciones, la empresa también proporcionó resúmenes de cómo el modelo de IA llegó a su solución. El resultado promedio tomó cerca de tres horas de computación, dijo la empresa.

"Hemos recurrido a su asesoramiento y a sus recomendaciones públicas para informar la manera en que publicamos estos resultados", escribió OpenAI en una publicación en su sitio web.

Sin embargo, OpenAI parece estar menos interesada en una recomendación clave del consejo asesor, de que las empresas de IA deberían dejar de probar sus modelos de propiedad exclusiva en problemas matemáticos avanzados. "Queremos decirlo claramente desde el principio: no respaldamos esta práctica", escribió el consejo asesor el 29 de septiembre.

Las empresas de IA han dado a sus modelos problemas de matemáticas --como los que se plantean a los estudiantes de escuela secundaria durante la Olimpiada Internacional de Matemática-- que se habían establecido como parámetros de rendimiento.

Pero cuando los modelos lograron resolverlos, el equipo de OpenAI creó nuevos parámetros de problemas matemáticos sin resolver en la vanguardia de la investigación matemática, y esos se encuentran entre lo que se publicó el martes.

Dan Roberts, el líder de investigación de OpenAI, dijo que era importante probar los modelos internos para producir mejores herramientas, y las demostraciones fueron un subproducto de esas pruebas.

Tristan Buckmaster, un matemático de la Universidad de Nueva York que estaba trabajando en el problema de Navier-Stokes que resolvió OpenAI, dijo que seguía sin estar claro si los matemáticos que usaban modelos de IA como los de OpenAI estaban proporcionando sin darse cuenta la información que permitió a la IA adelantarse a ellos con la respuesta final.

"Es probable que haya un montón de resultados en los que toman el trabajo de alguien y luego lo llevan a su conclusión", dijo Buckmaster en una entrevista el lunes por la noche.

Con tantos resultados publicados a la vez, "no creo que hayan hecho en absoluto algún tipo de debida diligencia", dijo.

Los matemáticos se debaten sobre si el ritmo acelerado de resolución de problemas matemáticos ayuda o perjudica a su campo si la comprensión de las soluciones se queda atrás.

"Creo que en el centro de este problema está el hecho de que los humanos tenemos dos naturalezas contrapuestas: una tendencia a competir y una capacidad de apreciar la belleza", dijo Kai Shaikh, un estudiante de posgrado en Matemáticas de la Universidad de Toronto. "Para mí, este parece ser un caso de la primera intentando estrangular a la segunda".

Kenneth Chang, periodista de ciencia del Times, cubre la NASA y el sistema solar, así como la investigación más cercana a la Tierra.