ÉlőUtoljára: 1 perceMa: 14
Kutatásfrissítve: 14:16

Miért marad matematikus Ken Ono, miközben az AI megoldja a régi problémákat

Ken Ono szerint az emberi ítélőképesség a matematikában is nélkülözhetetlen, akkor is, ha az AI már évszázados problémákat old meg.

Miért marad matematikus Ken Ono, miközben az AI megoldja a régi problémákat
Fotó: Vitaly Gariev / Unsplash
forrás: The Guardian·AI Forradalom szerk.·
Megosztás

Ken Ono, a Virginiai Egyetem matematikusa tavaly majdnem otthagyta a matematikát. November 20-án Levent Alpöge bejelentette, hogy Claude segítségével bebizonyította a Riemann-hipotézist, egy 167 éves problémát a prímszámok eloszlásáról. A Lean és a Mathlib közösség azóta tanúsította a formális bizonyítást, a gondolatmenetet azonban a szerző szerint még csak most kezdik megérteni — írja a The Guardian.

Egy FrontierMath-tapasztalat

Ono 2025 májusában az Epoch AI FrontierMath projektjének számelméleti csapatát vezette. Egy még ki nem adott ChatGPT-modell kiszámította az elliptikus görbék Tamagawa-számainak összes momentumát, a munkát Manjul Bhargava és Roger Heath-Brown eredményeire, valamint Ono édesapjának az 1960-as években írt dolgozataira építve. Ono szerint ez mélyen megrázta. 1993-ban szerezte PhD-fokozatát, és egész életét a kutatásnak, a tanításnak és a mentorálásnak szentelte.

Édesapja, egy számelméleti kutató, januárban hunyt el. Ono gyerekkorában tőle tanult Ramanujanról. Amikor AI-val kezdett foglalkozni, attól tartott, az apja ezt az elhagyott matematikának fogja tekinteni. Ehelyett az apja azt mondta, az AI emlékezteti Ramanujanra: a váratlan forrásból érkező felfedezéseket is sok ideig kell megérteni.

Az Axiom Math munkája

Ono jelenleg szabadságon van a Virginiai Egyetemen, és az Axiom Mathnél dolgozik alapító matematikusként. A csapat AI-val formalizál, ellenőriz és bővít matematikai bizonyításokat Lean nyelven, ahol egy kis ellenőrzőprogram minden lépést igazol. A cég kiadta a véges egyszerű csoportok osztályozásának első teljes Lean-formalizálását. A bizonyítás 1983-ban zárult le, a nagy hiányosságot 2004-ben pótolták. A munkában 43,1 millió sornyi Lean-kód készült, és közben a csapat hibát talált egy publikált gondolatmenetben, valamint alternatív érvelést adott.

Ono szerint az emberi szerep megmarad: ellenőrizni kell, hogy a formális állítás azt mondja-e, amit szerettek volna. A 24 napos munka végén a végső mérföldkövek egy laptopon jelentek meg előtte. Ono sírt, és az azt megelőző generációkra gondolt, akik az osztályozást lehetővé tették.

Mit mond a pályakezdőknek

Ono 58 éves, 35 PhD-hallgatót, 17 posztdoktori kutatót és több száz egyetemistát tanított. Szerinte nem kérheti a fiataloktól, hogy a bizonytalanságot kalandként éljék meg, mert ő maga talált benne értelmes munkát. Egy berkeley-i kollokviumon, két nappal azután, hogy az OpenAI bejelentette Navier–Stokes-megoldását, az előadásból közel két és fél órás fórum lett. A hallgatók a hitelről, az átláthatóságról, a felvételekről és a korábbi matematikusok elismeréséről kérdeztek.

Ono a Terry Tao és más Fields-érmesek által aláírt, az AI matematikai használatáról szóló nyilatkozatot is megemlíti, amely a sietős bejelentésektől, az elégtelen szerzőségi megjelölésektől és a matematikai megértés elvesztésétől figyelmeztet. Szerinte a döntéseket az egyetemeknek, a folyóiratoknak, a munkáltatóknak és a finanszírozóknak kell meghozniuk, és a hallgatóknak is hangot kell kapniuk, amíg ezek nyitottak.

Ono azt írja, mentorként arra fogja kérdezni tanítványait, mit értettek meg, mit hoztak létre, és mit tettek lehetővé. A nyilvánosságra hozott munkáknál pedig szerinte az olvasóknak tudniuk kell, mi van bizonyítva, mi marad feltételezés, és ki adta az ötleteket. Ono hozzáteszi: tévedhet abban, hogyan alakul mindez, és maga is még tanulja, mit jelent matematikusnak lenni.

Forrás

Feldolgozott sajtóforrás·The Guardian

Eredeti cikk megnyitása →

Ez a cikk a fenti sajtóforrás alapján készült AI-összefoglalóval.

tetszett a cikk? oszd meg →
Megosztás

Tetszik az oldal? Támogasd a fejlesztést

Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.

☕ Támogatom