Hatalmas matematikai adatözönt dobott piacra az OpenAI, évekig tarthat az elemzés

A kiadványok a kombinatorikától a matematikai fizikáig számos területet ölelnek fel, ami a tudományos közösség számára jelentős kihívást jelent. (The Verge)

Ellenőrzési folyamatok és Lean formátum

A kutatók nehezen emésztik meg a rengeteg anyagot; Álvaro Lozano-Robledo, a connecticuti egyetem matematikaprofesszora szerint már az absztraktok listájának áttekintése is túlterhelő. A kiadványok között szerepelnek formalizált eredmények is Leanben, egy programozási nyelvben, amely lehetővé teszi az eredmények számítógépes ellenőrzését. Az OpenAI útmutatót adott ki a GitHubon található, egyre bővülő adattár navigálásához, mivel a kiadványok hatalmas mennyisége miatt a közlési csatornák túlterheltek.

Formalizálás aránya és szakmai kritikák

Az OpenAI elismerte, hogy az eredmények „különböző ellenőrzési szakaszokban” vannak, és hogy „nem mindegyik kézirat lett formalizálva”. Jelenleg kevesebb mint a kéziratok fele tűnik formalizáltnak: az OpenAI szerint 719 kéziratból mindössze 300, azaz körülbelül 42 százalék lett formalizálva. Számos matematikus panaszkodott a formalizálás hiányára, különösen az eredmények hatalmas száma miatt.

Kiemelték, hogy még a Lean kód megléte sem garantálja az azonnali értékelést, mivel a kutatóknak ellenőrizniük kell, hogy a formalizálás valóban azt bizonyítja-e, amit az eredmény állít. Néhányan azt is megjegyezték, hogy még a számítógéppel ellenőrizhető bizonyítékok esetében is következetlen volt a minőség, és az ellenőrzött állítások nem mindig egyeztek a kísérő kéziratokban szereplőkkel.

Kevin Buzzard, az Imperial College London matematikaprofesszora szerint az általa ismert területeken számos tétel közül csak hat tűnt ki azonnal, és ezek közül kevés volt Leanben formalizálva. Aggodalmát más kutatók is osztották az AI által generált „szemét” (slop) minőségével kapcsolatban, ami egyre gyakrabban jelenik meg az online publikációkban. Az OpenAI korábbi matematikai írásait is kritizálták a szakértők a trehány jellegük, különösen a rossz vagy hiányzó hivatkozások miatt.

Bár az első benyomások jobbak voltak a vártnál, a kutatók szerint ez nem jelenti azt, hogy az eredmények megfelelnek az akadémiai munka szokásos színvonalának. A formalizálás hiánya miatt a kísérő dolgozatok minősége kulcsfontosságúvá válik. Brendan Hassett, a Brown Egyetem matematikaprofesszora szerint nehéz, néha szinte lehetetlen követni a dolgozatokat, míg az OpenAI modelljei nagy sebességgel és széleskörű szakterületeken termelik a matematikát.