AlphaProof Nexus od DeepMind rozwiązał otwarte problemy matematyczne

AlphaProof Nexus, system stworzony przez Google DeepMind, samodzielnie rozwiązał dziesiątki otwartych problemów matematycznych, a wyniki tej pracy przeszły pełną recenzję naukową i trafiły do czasopisma Science. To wydarzenie nabiera szczególnego znaczenia w kontekście toczącej się właśnie debaty o tym, jak traktować dowody matematyczne generowane przez sztuczną inteligencję.

Kluczowe wnioski

• AlphaProof Nexus rozwiązał dziewięć z 353 otwartych problemów Erdősa, w tym dwa pozostające bez rozwiązania przez 56 lat.
• System udowodnił 44 hipotezy z bazy sekwencji całkowitoliczbowych OEIS, rozwiązał otwarte zagadnienie z geometrii algebraicznej oraz poprawił znane ograniczenie w optymalizacji min-max, technice wykorzystywanej przy trenowaniu niektórych modeli AI.
• Narzędzie opiera się na Gemini 3.1 Pro, który tworzy i poprawia dowody w formalnym języku Lean, weryfikowanym po każdej edycji.
• W przeciwieństwie do OpenAI, które opublikowało setki dowodów AI na GitHubie bez przesyłania ich do recenzowanych czasopism, DeepMind poddał swoją pracę pełnemu procesowi peer review.

Jak działa AlphaProof Nexus

System zbudowany jest wokół modelu Gemini 3.1 Pro, który samodzielnie przygotowuje szkice dowodów matematycznych, a następnie je rewiduje w formalnym języku dowodowym Lean. Każdy projekt dowodu jest sprawdzany przez Lean po kolejnej edycji, a komunikaty o błędach zwracane przez system służą jako wskazówka do kolejnej próby – model uczy się więc na bieżąco z informacji zwrotnej, zamiast polegać wyłącznie na jednorazowej generacji.

Dla trudniejszych podproblemów AlphaProof Nexus może wezwać na pomoc wyspecjalizowane narzędzie AlphaProof, stworzone wcześniej przez DeepMind specjalnie do dowodzenia twierdzeń matematycznych. Co istotne, jak podaje Google DeepMind, system poradził sobie z dziewięcioma problemami Erdősa nawet bez wsparcia AlphaProof – co sugeruje, że sam model bazowy Gemini 3.1 Pro w połączeniu z formalną weryfikacją w Lean osiąga wysoką skuteczność samodzielnie.

Problemy Erdősa to zbiór 353 otwartych pytań matematycznych sformułowanych przez węgierskiego matematyka Paula Erdősa. Dwa z dziewięciu rozwiązanych przez AlphaProof Nexus problemów pozostawały bez odpowiedzi przez 56 lat, co pokazuje skalę wyzwania, z jakim poradził sobie system. Zespół DeepMind udostępnił te rozwiązania online jeszcze przed formalną publikacją pracy naukowej.

Zakres osiągnięć wykracza poza problemy Erdősa

Oprócz problemów Erdősa, AlphaProof Nexus udowodnił 44 hipotezy pochodzące z bazy danych OEIS (Online Encyclopedia of Integer Sequences), rozwiązał otwarte zagadnienie z zakresu geometrii algebraicznej oraz poprawił znane ograniczenie w optymalizacji min-max. Ta ostatnia technika ma praktyczne znaczenie dla samej branży sztucznej inteligencji – jest bowiem wykorzystywana przy trenowaniu niektórych modeli AI, co oznacza, że postęp w matematyce teoretycznej może pośrednio przełożyć się na ulepszenie metod uczenia maszynowego.

Różnorodność rozwiązanych problemów – od klasycznej teorii liczb, przez sekwencje całkowitoliczbowe, po geometrię algebraiczną i optymalizację – wskazuje, że AlphaProof Nexus nie jest narzędziem wyspecjalizowanym w jednej wąskiej dziedzinie matematyki, lecz systemem o szerszym zastosowaniu, zdolnym do przenoszenia metod rozumowania między różnymi gałęziami tej dyscypliny.

Spór o status dowodów generowanych przez AI

Publikacja wyników AlphaProof Nexus w Science zbiega się w czasie z gorącą debatą dotyczącą tego, jak traktować dowody matematyczne tworzone przez sztuczną inteligencję. OpenAI opublikowało niedawno setki dowodów wygenerowanych przez AI bezpośrednio na GitHubie, zamiast przesłać je do recenzowanych czasopism naukowych. W odpowiedzi na tę praktykę Association for Human Mathematics, organizacja kierowana przez Terence'a Tao, wezwała do bojkotu tego typu publikacji.

Na tym tle podejście Google DeepMind wyróżnia się wyraźnie: zamiast ograniczyć się do nieformalnego udostępnienia wyników, firma poddała pracę AlphaProof Nexus pełnemu procesowi recenzji naukowej, a wyniki trafiły do jednego z najbardziej prestiżowych czasopism – Science. To rozróżnienie może mieć istotne znaczenie dla tego, jak środowisko matematyczne będzie w przyszłości oceniać wiarygodność i wartość naukową dowodów generowanych przez systemy AI.

Podsumowanie

AlphaProof Nexus od Google DeepMind pokazał, że sztuczna inteligencja oparta na Gemini 3.1 Pro i formalnej weryfikacji w języku Lean potrafi samodzielnie rozwiązywać otwarte problemy matematyczne – od wieloletnich zagadek Erdősa po hipotezy z geometrii algebraicznej – a przy tym przejść pełny proces recenzji naukowej, co odróżnia tę publikację od budzących kontrowersje praktyk innych firm z branży AI.