John Urschel z MIT: matematyczne „mięśnie” wciąż ważne w erze AI
John Urschel z MIT, który rozwiązał z pomocą AI problemy opierające się matematykom od dekad, tłumaczy, dlaczego samodzielna nauka matematyki wciąż ma sens.

Źródło zdjęcia: MIT News | Massachusetts Institute of Technology
Czy w czasach, gdy systemy sztucznej inteligencji pomagają rozwiązywać problemy matematyczne nierozstrzygnięte od dekad, warto jeszcze uczyć się matematyki samodzielnie? John Urschel, matematyk z MIT, odpowiada, że tak. W rozmowie opublikowanej przez MIT News przekonuje, że umiejętność samodzielnego myślenia będzie w erze AI cenniejsza niż kiedykolwiek.
Urschel zna problem z dwóch stron. W dwóch ostatnich pracach sam korzystał z narzędzi AI i z ich pomocą rozwiązał problemy, które od dziesięcioleci opierały się matematykom. Jednocześnie jako wykładowca widzi, jak łatwo technologia może zastąpić studentom proces uczenia się, zamiast go wspierać.
Najważniejsze informacje
- John Urschel, adiunkt na Wydziale Matematyki MIT i były zawodnik Baltimore Ravens, opublikował niedawno w serwisie arXiv dwa preprinty. W obu połączył ludzką intuicję z narzędziami AI.
- Prace dotyczą współczynnika wzrostu macierzy losowych oraz najgorszego przypadku w eliminacji Gaussa. Problemy te przez dekady pozostawały nierozwiązane.
- Urschel porównuje AI do współpracownika z niemal nieograniczonymi zasobami. Podkreśla jednak, że prawdziwa wartość dowodu leży w tym, że człowiek go rozumie i potrafi przekazać innym.
- Ostrzega, że AI może dawać studentom złudzenie nauki bez faktycznego uczenia się. Opowiada się za „produktywnym zmaganiem się” z materiałem.
- Uważa, że uczelnie muszą zmienić sposób kształcenia, bo nie może on już wyglądać tak jak 10 lat temu.
Od boiska futbolowego do macierzy losowych
John Urschel uzyskał doktorat na MIT w 2021 roku i obecnie pracuje tam jako Class of 1956 Career Development Assistant Professor na Wydziale Matematyki. Wcześniej grał w linii ofensywnej Baltimore Ravens w lidze futbolu amerykańskiego. MIT News zauważa, że Urschel wciąż pomaga studentom „ćwiczyć”, tylko zamiast mięśni trenuje teraz z nimi krytyczne myślenie.
Jego miłość do matematyki zaczęła się od łamigłówek. Pytany, co chce przekazać studentom, wraca do dzieciństwa:
Kiedy byłem bardzo mały, uwielbiałem rozwiązywać łamigłówki, czy to sudoku, czy zagadki matematyczne Martina Gardnera, czy krzyżówki. Myślę, że jest coś bardzo przyjemnego w tym, że stajesz przed problemem, którego do końca nie rozumiesz, próbujesz się w nim odnaleźć, przebrnąć przez niego i w końcu wydobyć z niego jakieś zrozumienie.
W pracy dydaktycznej stawia sobie dwa cele. Pierwszy to pomóc studentom wyćwiczyć umiejętność rozwiązywania problemów i rozwinąć sprawność w myśleniu ilościowym. Drugi zależy od konkretnego przedmiotu: chodzi o przyswojenie najważniejszych idei, narzędzi i technik danej dziedziny, tak by studenci mogli je potem wykorzystać „w świecie”.
AI jako współpracownik, ale nie zastępca zrozumienia
Dwa preprinty, w których Urschel sięgnął po narzędzia AI, to według niego pierwsze prace, w których w ogóle „dotknął maszyny”. Przyznaje, że było to inne doświadczenie:
To nie jest coś zupełnie innego niż posiadanie współpracownika, ale jest to współpracownik, który ma dostęp do pozornie nieograniczonych zasobów i pewne rzeczy robi znacznie, znacznie szybciej, niż ja kiedykolwiek bym potrafił.
Dodaje, że tak jak komputery liczą szybciej od ludzi, tak dziś jest jasne, że systemy AI potrafią wykonywać pewne rodzaje matematyki dużo wydajniej niż ktokolwiek z nas. Podobny model pracy, w którym AI wspiera eksperta zamiast go zastępować, MIT rozwija także w innych dziedzinach, na przykład w projekcie, w którym „drugi pilot” AI pomaga inżynierom projektować konstrukcje.
Czy praca z maszyną daje tyle samo satysfakcji? Urschel odpowiada szczerze, że najwięcej radości sprawia mu przemyślenie problemu w pojedynkę, bez AI. Ważniejsze jest jednak to, co mówi o roli człowieka w pracy z takimi narzędziami:
Jeśli rozmawiasz z maszyną i daje ci ona dowód jakiegoś faktu matematycznego, to prawdziwa wartość tego dowodu bierze się z tego, że człowiek zrozumie i przyswoi sposób, w jaki maszyna łączy pewne idee matematyczne, a następnie zinternalizuje tę wiedzę i przekaże ją innym.
Dlatego studentom korzystającym z AI powtarza przede wszystkim, że liczy się zrozumienie. U tych, którzy z AI nie korzystają, rozwija umiejętność rozwiązywania problemów, „co robimy w matematyce od stuleci”. Jego zdaniem dopóki ludzie mają do odegrania rolę w myśleniu i rozwiązywaniu problemów, a Urschel uważa, że mają, budowanie tych umiejętności pozostaje istotne.
Obosieczny miecz w edukacji
Rozmowa nawiązuje do niedawnego raportu doraźnej komisji MIT ds. wykorzystania AI w nauczaniu, uczeniu się i kształceniu badawczym (Ad Hoc Committee on AI Use in Teaching, Learning and Research Training). Raport podkreślał wagę „koniecznego i produktywnego zmagania się” z nauką oraz jej wymiaru zespołowego.
Urschel widzi w AI z jednej strony ogromną szansę na wyrównanie szans edukacyjnych. Przywołuje własną historię: żadne z jego rodziców nie było profesorem, a on sam do czasu studiów nie wiedział, kim jest matematyk. Zaawansowanych pojęć matematycznych uczył się w liceum i na studiach z laptopem i Google'em. Za darmo docierał do prac czołowych ekspertów na świecie. Dzisiejsze możliwości AI sprawiają, że ówczesne zasoby wydają mu się drobnostką.
Z drugiej strony ta sama technologia może odebrać zdolność samodzielnego myślenia:
Jesteś licealistą albo studentem, masz mnóstwo na głowie, jesteś zmęczony, a dzięki AI możesz po prostu odrobić pracę domową jednym kliknięciem. Możesz jednym kliknięciem napisać dziesięciostronicowy esej. Możesz też odnieść fałszywe wrażenie, że mniej więcej rozumiesz, o co chodzi, choć tak naprawdę nie rozumiesz.
To jego zdaniem jedno z największych zagrożeń. Mówi o tym wprost:
Ludzie nie lubią słowa „zmaganie się”. Ale kiedy nie zmagasz się z jakimś materiałem samodzielnie, możesz odnieść wrażenie, że się uczysz, choć w rzeczywistości się nie uczysz.
Urschel nie zrzuca jednak całej odpowiedzialności na studentów. Wykładowcy powinni dbać o to, by ćwiczenia były jak najbardziej przydatne, a konsultacje jak najlepiej służyły studentom. Powinni też przypominać studentom, że współodpowiadają za własną edukację, a najlepiej uczy się ten, kto przychodzi na zajęcia i pracuje z materiałem. Uczelnie mają z kolei zapewnić system, który stawia wyzwania, ale jest też „produktem wysokiej jakości”, w którym studenci chcą uczestniczyć.
Dlaczego wciąż warto studiować matematykę
Na pytanie, czy w obliczu postępów AI nadal zachęca do studiowania matematyki, Urschel odpowiada twierdząco i podaje dwa główne powody.
Pierwszym jest umiejętność myślenia. Bycie ekspertem, który po prostu wie wiele rzeczy, może tracić na znaczeniu, skoro ta wiedza jest łatwo dostępna dzięki maszynom. Rośnie natomiast wartość samodzielnego myślenia. Urschel spodziewa się, że wraz z kolejnymi pokoleniami ta umiejętność może w społeczeństwie słabnąć, a przez to stanie się bardziej poszukiwana. Szkolenie w matematyce i szerzej w naukach ilościowych uważa za kluczowe dla jej rozwijania.
Drugim powodem jest wspólnota. Nauka w grupie rówieśników, a nie w pojedynkę, znacząco poprawia całe doświadczenie i jest jego integralną częścią. Dlatego według Urschela nadal warto chodzić na zajęcia.
Na koniec zwraca uwagę na odpowiedzialność instytucji. Świat zmienia się szybko, a na MIT trwa obecnie wiele rozmów o tym, jak przygotować studentów na rzeczywistość, w którą wkraczają:
Sposób, w jaki uczymy naszych studentów czy przygotowujemy ich do życia, absolutnie nie może wyglądać tak jak 10 lat temu. Bo ten świat wygląda po prostu zupełnie inaczej.
Podsumowanie
Urschel nie odrzuca AI. Sam wykorzystał ją do rozwiązania problemów opierających się matematykom od dekad. Przekonuje jednak, że narzędzie nie zastąpi zrozumienia, a samodzielnie wyćwiczona umiejętność myślenia może okazać się jedną z najcenniejszych kompetencji w świecie zdominowanym przez maszyny.
Źródła
Podobne publikacje

PaperFormalizer: AI formalizuje dowody naukowe w Lean z autorem
PaperFormalizer to agentowy pipeline AI, który pomaga autorom wykrywać luki w dowodach i formalizować artykuły naukowe w Lean.

Google uczy mapowania mózgu przez AI w nowej misji edukacyjnej
Google i Stanford uruchomili „Polar Peaks” – misję AI Quests, która uczy nastolatków mapowania mózgu i odpowiedzialnego korzystania z AI.

LitPivot od Ai2: AI pomaga naukowcom rozwijać pomysły badawcze
LitPivot od Ai2 pomaga naukowcom konfrontować pomysły badawcze z literaturą naukową i sugeruje poprawki poparte cytatami z publikacji.