OpenAI ogłosiło, że jego model językowy pomógł obalić hipotezę z geometrii dyskretnej, która opierała się matematykom przez 80 lat. Chodzi o problem z rodziny pytań o tzw. odległości jednostkowe, postawiony w kręgu prac Paula Erdősa. Wynik nie jest tylko ciekawostką – pokazuje, że AI w matematyce zaczyna realnie współtworzyć dowody, a nie wyłącznie podpowiadać studentom rozwiązania zadań.
Co tak naprawdę się wydarzyło
Według komunikatu OpenAI model wykorzystany w eksperymencie znalazł kontrprzykład dla hipotezy dotyczącej konfiguracji punktów na płaszczyźnie i liczby par znajdujących się w odległości jednostkowej. Mówiąc najprościej: matematycy spodziewali się pewnego ograniczenia w strukturze takich konfiguracji, a maszyna zaproponowała układ, który to ograniczenie łamie. Następnie wynik został spisany i zweryfikowany w formie klasycznego dowodu, dostępnego jako PDF z pełnym dowodem oraz notatkami uzupełniającymi.
Warto podkreślić jedną rzecz. Model nie udowodnił twierdzenia w stylu „od zera do tablicy z kredą”. Wskazał jednak konkretny układ punktów, który dla hipotezy Erdősa był śmiertelny. W matematyce taki kontrprzykład wystarczy, żeby zamknąć temat, bo wystarczy jeden wyjątek, by obalić ogólne twierdzenie.
Problem odległości jednostkowych w pigułce
Wyobraź sobie, że na kartce rozsypujesz n monet i pytasz: ile par tych monet leży dokładnie w odległości jednego centymetra od siebie? Erdős zadał to pytanie w 1946 roku i okazało się ono zaskakująco trudne. Górna granica liczby takich par wciąż nie jest znana z dokładnością, jakiej życzyliby sobie matematycy. Wokół tego głównego pytania narosły hipotezy poboczne – dotyczące szczególnych konfiguracji, ograniczeń strukturalnych, zachowania asymptotycznego. To właśnie jedna z takich hipotez padła ofiarą eksperymentu OpenAI. Szerszy kontekst opisuje hasło Unit distance graph w Wikipedii.
Dlaczego tego typu pytania w ogóle są ważne? Bo łączą geometrię z kombinatoryką i teorią grafów, a metody, które się przy nich rodzą, lądują potem w informatyce teoretycznej, kryptografii czy algorytmach geometrycznych.
AI w matematyce: asystent, eksplorator czy współautor
Przez ostatnie dwa lata pojawiło się kilka głośnych przykładów, gdy modele uczenia maszynowego pomagały odkrywać nowe wyniki – od FunSearch z DeepMind po systemy do dowodzenia w Lean. Każdy z tych projektów wpisuje się w trochę inny model współpracy człowieka z maszyną. W przypadku FunSearch model szukał programów generujących lepsze konstrukcje. W eksperymencie OpenAI rola AI polegała raczej na rozumowaniu nad obiektem geometrycznym i znalezieniu układu, którego ludzie po prostu nie zobaczyli.
Tu pojawia się ciekawe pytanie. Czy AI w matematyce dochodzi do wyniku tak jak człowiek – poprzez intuicję i analogię – czy raczej eksploruje przestrzeń możliwości szybciej, niż zrobiłby to badacz z notesem? Prawdopodobnie po trochu jedno i drugie. Jeśli interesuje Cię, jak różne podejścia do takich zadań porównują się ze sobą, warto zajrzeć do tekstu o zastosowaniach modeli językowych w nauce na AIoAI.
Dlaczego kontrprzykład to mocna waluta
W matematyce kontrprzykład działa jak jeden mocny argument w sądzie. Możesz mieć tysiąc poszlak za hipotezą, ale wystarczy jeden konkretny obiekt łamiący jej tezę i sprawa jest zamknięta. To dlatego wynik OpenAI został tak szybko podchwycony – jest weryfikowalny ołówkiem na kartce. Każdy student matematyki dyskretnej może zajrzeć do opublikowanego dowodu, sprawdzić rachunki i samodzielnie przekonać się, że konfiguracja faktycznie spełnia warunki, których hipoteza nie przewidywała.
Jak zauważa zespół OpenAI w towarzyszącej notatce, „znaleziona konstrukcja jest zaskakująco prosta, gdy już się ją zobaczy” – i to chyba najbardziej charakterystyczna cecha takich odkryć. Trudno znaleźć, łatwo zweryfikować.
Co to znaczy dla badaczy
Dla matematyków pracujących nad geometrią dyskretną to sygnał, żeby przyjrzeć się sąsiednim hipotezom z większą dozą sceptycyzmu. Skoro jedna padła pod presją systematycznego przeszukiwania konstrukcji, kolejne mogą okazać się równie kruche. Z drugiej strony – i to ważne zastrzeżenie – obalenie pojedynczej hipotezy nie zmienia nic w głównym pytaniu Erdősa o odległości jednostkowe. Tamten problem nadal czeka na rozwiązanie.
Dla osób zainteresowanych praktycznym wymiarem takich narzędzi polecam także materiał o narzędziach AI wspierających pracę analityczną. Łatwiej wtedy zobaczyć, że to samo podejście – eksploracja, weryfikacja, formalny zapis – działa nie tylko w czystej matematyce, ale i w analizie danych czy inżynierii.
Częste pytania
Jak model OpenAI pomógł obalić hipotezę Erdősa?
Model OpenAI znalazł kontrprzykład dla hipotezy dotyczącej konfiguracji punktów na płaszczyźnie, co obaliło oczekiwania matematyków dotyczące ograniczeń w strukturze tych konfiguracji. Wynik został spisany i zweryfikowany w formie klasycznego dowodu, co potwierdziło jego poprawność.
Dlaczego kontrprzykład jest ważny w matematyce?
Kontrprzykład działa jak mocny argument, ponieważ wystarczy jeden obiekt łamiący tezę hipotezy, aby ją obalić. To sprawia, że wyniki takie jak te uzyskane przez OpenAI są szybko akceptowane i weryfikowalne przez innych badaczy.
Co to oznacza dla przyszłych badań w geometrii dyskretnej?
Obalenie hipotezy Erdősa sugeruje, że inne hipotezy mogą być równie kruche, co skłania matematyków do większej ostrożności w ich badaniu. To może prowadzić do nowych odkryć i przemyśleń w tej dziedzinie.
Jakie są zastosowania AI w matematyce według artykułu?
AI w matematyce może pełnić różne role, od asystenta po współautora dowodów. W przypadku eksperymentu OpenAI, AI pomogło w rozumowaniu geometrycznym i odkryciu układu, którego ludzie wcześniej nie dostrzegli.
Dlaczego hipoteza o odległościach jednostkowych jest trudna do rozwiązania?
Hipoteza o odległościach jednostkowych zadaje pytanie o liczbę par punktów w odległości jednego centymetra, co okazało się zaskakująco trudne do oszacowania. Wokół tego pytania narosły różne hipotezy, które wciąż czekają na pełne rozwiązanie.
