OpenAI की एआई गणित उपलब्धियाँ: नवीनतम परिणामों का क्या मतलब है

6 अक्टूबर, 2026 को OpenAI ने GitHub पर 722 गणितीय पांडुलिपियाँ अपलोड कीं। एक अप्रकाशित आंतरिक फ्रंटियर मॉडल का आउटपुट, ये कुछ ही हफ्तों में बीजगणित, संख्या सिद्धांत, टोपीय, सैद्धांतिक कंप्यूटर विज्ञान, और गणितीय तर्क जैसे क्षेत्रों में फैली हुई हैं। पैमाना शोध समुदाय ने किसी एआई प्रणाली से पहले कभी नहीं देखा था।

यह समझने के लिए कि यह एक बेंचमार्क स्कोर से अलग क्यों महसूस होता है, थोड़ा दूरी से देखें। यही मॉडल कुछ हफ्ते पहले ही Navier-Stokes मिलेनियम पुरस्कार समस्या के समाधान का दावा कर चुका था, जो अगस्त में Astra द्वारा दस दशकों पुराने खुले प्रश्नों के एक-दिवसीय समाधान के बाद आया। उन पलों में से प्रत्येक ने अपने-अपने प्रश्न उठाए। लेकिन 6 अक्टूबर की रिलीज़ प्रकृति में भी अलग है, सिर्फ पैमाने में नहीं। OpenAI 722 पांडुलिपियों को गणितीय शोध साहित्य में वास्तविक योगदान के रूप में प्रस्तुत कर रहा है—न कि बेंचमार्क प्रतिक्रियाएँ, न प्रतियोगिता समाधान।

मैं अगस्त में Astra रिलीज़ से OpenAI के गणितीय प्रयास को कवर कर रहा हूँ, और यह परिणाम पहले दो की तुलना में अधिक सावधानी से खोला जाना चाहता है। नीचे, हम देखेंगे कि एआई ने वास्तव में क्या उत्पन्न किया, कौन से परिणाम उभरकर आए, सत्यापन व्यावहारिक रूप से कैसे काम करता है, और गणितज्ञ किस बात को लेकर चिंतित हैं।

OpenAI के एआई ने वास्तव में क्या हासिल किया?

OpenAI ने एक अप्रकाशित आंतरिक फ्रंटियर मॉडल को खुले गणितीय शोध समस्याओं की ओर निर्देशित किया। मॉडल ने सिर्फ किसी प्रतियोगी परीक्षण में अच्छा स्कोर नहीं किया। इसने पांडुलिपियों के रूप में संरचित गणितीय तर्क प्रस्तुत किए, जिन्हें Lean प्रूफ औपचारीकरण और मॉडल की तर्क-प्रक्रिया के सारांश के साथ GitHub पर जमा किया गया।

AMC या IMO बेंचमार्क पर उच्च स्कोर दिखाता है कि एआई चतुराई से रचे गए प्रतियोगी प्रश्नों को सुलझा सकता है। सक्रिय शोध क्षेत्रों में लंबे समय से खुले प्रश्नों के समाधान का दावा करती पांडुलिपियाँ बनाना एक अलग बात है। आउटपुट्स को गणितीय ज्ञान में संभावित योगदान के रूप में प्रस्तुत किया जा रहा है। वे जांच पर खरे उतरते हैं या नहीं, यह अलग प्रश्न है—जिसका उत्तर आने में समय लगेगा।

OpenAI ने कितने गणितीय परिणाम जारी किए?

कवरेज में आपको कई संख्याएँ दिखेंगी, और वे परस्पर विरोधी नहीं हैं। वे अलग-अलग चीजें गिनती हैं।

रिपॉजिटरी में 372 परिणाम परिवारों में व्यवस्थित 722 पांडुलिपियाँ हैं। एक परिवार संबंधित लेखों को समूहित करता है: एक मुख्य परिणाम के साथ सहायक तर्क, वैकल्पिक प्रमाण, या डाउनस्ट्रीम परिणाम। इसलिए 372 परिवार 722 पांडुलिपियाँ उत्पन्न करते हैं क्योंकि कई परिणामों के साथ सहायक सामग्री आती है। "सैकड़ों परिणाम" वाला ढांचा मोटे तौर पर सही है; 372 अलग-अलग गणितीय निष्कर्षों की अधिक सटीक गिनती है।

README सावधानी बरतता है कि कुछ परिणामों में समस्याएँ हो सकती हैं, और OpenAI कहता है कि वह ऐसी किसी भी समस्या को ठीक करेगा और Lean औपचारीकरण जोड़ता रहेगा। जैसे-जैसे कवरेज इन संख्याओं को वास्तविकता से अधिक निर्णायक दिखाता है, इस चेतावनी को ध्यान में रखें।

OpenAI के एआई ने गणित के किन क्षेत्रों पर काम किया?

यह रिलीज़ लगभग 20 उपक्षेत्रों में फैली है। यहाँ क्षेत्र का एक मोटा नक्शा है, क्योंकि इनमें से कुछ क्षेत्र तकनीकी लेकिन गैर-गणितीय दर्शकों के लिए कम परिचित हो सकते हैं:

• बीजगणित और समूह सिद्धांत उन गणितीय संरचनाओं का अध्ययन करता है जो संक्रियाओं और उनकी सममितियों से बनती हैं। यहीं कुछ सबसे अधिक चर्चित परिणाम आते हैं।
• संख्या सिद्धांत पूर्णांकों और अभाज्यों के गुणों से संबंधित है। अभाज्यों के वितरण को एन्कोड करने वाला रिमान ज़ीटा फलन कई परिणामों में आता है।
• टोपीय उन गुणों का अध्ययन करता है जो सतत विकृतियों के बाद भी बने रहते हैं। हॉज परिकल्पना (नीचे इस पर अधिक) टोपीय और बीजीय ज्यामिति के ओवरलैप पर बैठती है।
• सैद्धांतिक कंप्यूटर विज्ञान गणना के बारे में मौलिक प्रश्न पूछता है: क्या-क्या गणना किया जा सकता है, कितनी कुशलता से, और कौन-सी समस्याएँ कुशल एल्गोरिद्म का प्रतिरोध करती हैं। OpenAI के मॉडल ने सिर्फ इस क्षेत्र में ही 80 से अधिक लेख उत्पन्न किए।
• गणितीय तर्क स्वयं गणितीय तर्क के औपचारिक आधारों की जांच करता है।

सबसे बड़े परिणाम कौन-से हैं?

यहाँ सावधानी जरूरी है। एआई द्वारा जनित परिणाम, Lean द्वारा जाँचा गया प्रमाण, किसी मानव गणितज्ञ द्वारा सत्यापित प्रमाण, और वह परिणाम जिसे गणितीय समुदाय स्वतन्त्र रूप से एक बड़ी प्रगति मानता है—इनके बीच वास्तविक अंतर है। रिलीज़ इन चारों श्रेणियों का मिश्रण है।

फिर भी, कई परिणामों ने स्वतन्त्र गणितज्ञों की सच्ची रुचि खींची है।

रिमान ज़ीटा फलन: एक नया शून्य-मुक्त क्षेत्र

रिमान परिकल्पना अब भी अनसुलझी है। OpenAI के मॉडल ने इसे हल नहीं किया। जो बताया गया है वह एक नया शून्य-मुक्त क्षेत्र स्थापित करना है: यह दिखाना कि Re(s) > 11/12 के लिए कोई शून्य नहीं हैं। विश्लेषणात्मक संख्या सिद्धांत में इस तरह के आंशिक परिणाम सार्थक होते हैं क्योंकि शून्य-मुक्त क्षेत्र अभाज्यों के वितरण को सीमित करते हैं। पठनीयता के लिए लेखन को मानव-संपादित किया गया, जो शेष पांडुलिपि-उत्पादन प्रक्रिया से एक उल्लेखनीय अपवाद है। संबंधित क्वाज़ी-रिमान परिणाम की स्वतन्त्र पुनःजाँच प्रारंभिक निरीक्षण में सफल रही।

चरित्रांक दो में कैपलांस्की की डायरेक्ट-फाइनाइटनेस परिकल्पना

दशकों पहले इरविंग कैपलांस्की ने समूह रिंग्स के बारे में डायरेक्ट फाइनाइटनेस नामक एक विशिष्ट बीजीय गुण की परिकल्पना की थी। चरित्रांक दो का मामला विशेष रूप से प्रतिरोधी रहा था। मॉडल ने कथित तौर पर इसे सुलझा दिया। Lean औपचारीकरण उपलब्ध बताया गया है।

फ्री ग्रुप फैक्टर्स का समरूपता

यह वॉन न्यूमन बीजगणित से संबंधित है—फंक्शनल विश्लेषण की संरचनाएँ जो क्वांटम प्रणालियों की कुछ सममितियों को एन्कोड करती हैं। क्या फ्री ग्रुप फैक्टर्स सभी समरूप हैं, यह प्रश्न दशकों से खुला था। मॉडल का दावा है कि यह de la Harpe और Voiculescu की एक परिकल्पना का निपटारा करता है, यह दिखाते हुए कि genus ≥ 2 वाली बंद अभिविन्यस्त सतहों के मूलभूत समूहों के वॉन न्यूमन बीजगणित फ्री ग्रुप फैक्टर्स हैं। एक स्वतन्त्र पुनःजाँच पास हुई।

मैट्रिक्स गुणन घातांक

यह अधिक व्यावहारिक रूप से महत्वपूर्ण परिणामों में से एक है: मॉडल के अनुसार समिश्र संख्याओं पर ω ≤ 2.25 स्थापित किया गया है, जहाँ ω मैट्रिक्स गुणन का घातांक है। यही वह गणितीय वस्तु है जो यह निर्धारित करती है कि कंप्यूटर मैट्रिक्स को कितनी कुशलता से गुणा कर सकते हैं, जिसका कंप्यूटर विज्ञान भर के एल्गोरिद्म पर वास्तविक प्रभाव है। वित्त या अभियांत्रिकी पृष्ठभूमि वाले किसी भी व्यक्ति के लिए उल्लेखनीय: मैट्रिक्स गुणन की दक्षता लगभग हर व्यापक पैमाने की संख्यात्मक गणना के नीचे निहित होती है।

डायल्यूटेड स्पिन ग्लासेज़ के लिए Mézard-Parisi सूत्र

सांख्यिकीय भौतिकी और प्रायिकता सिद्धांत का संगम: यह अव्यवस्थित चुंबकीय प्रणालियों की मुक्त ऊर्जा से संबंधित है। डायल्यूटेड मामले में Mézard-Parisi सूत्र की परिकल्पना की गई थी पर पूरी तरह सिद्ध नहीं हुआ था।

CM एबेलियन् वैरायटीज़ के लिए हॉज परिकल्पना

सात मिलेनियम पुरस्कार समस्याओं में से एक का सीमित मामला। हॉज परिकल्पना पूछती है कि क्या बीजीय वैरायटीज़ की कुछ टोपीय विशेषताओं को हमेशा बीजीय रूप में निरूपित किया जा सकता है। मॉडल के अनुसार यह CM एबेलियन् वैरायटीज़—एक विशिष्ट, सुव्यवस्थित श्रेणी—के लिए स्थापित की गई है। यह पूरी हॉज परिकल्पना नहीं है, जो अब भी खुली है, बल्कि एक विशेष मामला है जिसकी ओर गणितज्ञ काम कर रहे थे। इस परिणाम को भी मानक उत्पादन प्रक्रिया से एक अपवाद के रूप में चिह्नित किया गया था।

क्वांटम हाइज़नबर्ग फेरोमैग्नेट के लिए स्वस्फूर्त चुम्बकीकरण का परिणाम और अंकगणितीय प्रगति के लिए क्वाज़ी-पॉलीनोमियल सीमाएँ—दोनों ने इस रिलीज़ का मूल्यांकन कर रहे शोधकर्ताओं की रुचि खींची है, हालांकि व्यापक स्वतन्त्र सत्यापन में काफी समय लगेगा।

OpenAI के एआई ने ये परिणाम कैसे उत्पन्न किए?

OpenAI ने कुछ पहले की रिलीज़ की तुलना में अधिक कार्यप्रणाली संबंधी विवरण प्रकाशित किए हैं, हालांकि तस्वीर अब भी अधूरी है।

मूल्यांकन के दौरान मॉडल के सामने लगभग 4,000 समस्याएँ रखी गईं। अधिकांश परिणाम एक नियत प्रक्रिया से आए जो उसी आंतरिक मॉडल का उपयोग करती थी। दो परिणाम उस मानक प्रक्रिया से अलग थे: रिमान ज़ीटा के शून्य-मुक्त क्षेत्र पर काम और CM एबेलियन् वैरायटीज़ के लिए हॉज परिकल्पना। औसत परिणाम में गणना का उपयोग लगभग ChatGPT Pro की तीन घंटे की सोच के बराबर था। यह एक उपयोगी संदर्भ है, पर इसे यह न समझें कि हर समस्या में तीन घंटे लगे। यह संख्या प्रति-परिणाम औसत कंप्यूट बताती है, न कि कुल बीता समय या असफल प्रयासों की लागत।

संदर्भ के लिए, यह कार्यप्रणाली इससे पहले की तुलना में काफी अधिक व्यवस्थित है। जब Astra ने अगस्त में दस खुले प्रश्न सुलझाए, तो प्रत्येक समाधान में कथित तौर पर लगभग $2,000 का इनफ़ेरेंस खर्च आया। उससे पहले, Navier-Stokes स्प्रिंट में 10,000 समांतर एजेंट्स ने 88 घंटे तक रन किया, जिसकी कुल कंप्यूट लागत का अनुमान $22.5 मिलियन लगाया गया—एक बलपूर्वक तरीका जिसने एक परिणाम और एक महत्वपूर्ण क्रेडिट विवाद दोनों उत्पन्न किए। 6 अक्टूबर की रिलीज़ स्प्रिंट की तुलना में एक सतत शोध कार्यक्रम जैसी दिखती है: प्रति-परिणाम कम कंप्यूट, व्यापक कवरेज, संबंधित परिणाम परिवारों के इर्द-गिर्द सुविचारित संरचना।

OpenAI ने 10 परिणामों के लिए तर्क-प्रक्रिया सार, साथ ही कंप्यूट के अनुमान और प्रयास की गई समस्याओं के आँकड़े जारी किए हैं। गणित और कृत्रिम बुद्धिमत्ता पर परामर्श समूह ने इससे आगे जाकर सभी प्रॉम्प्ट्स और पूरी तर्क-श्रृंखला जारी करने का आह्वान किया। जो OpenAI ने उपलब्ध कराया और जो गणितीय समुदाय का एक हिस्सा देखना चाहता है, उनके बीच अंतर है।

OpenAI के गणितीय प्रमाणों का सत्यापन कैसे किया गया?

सत्यापन शायद इस कहानी का सबसे निर्णायक हिस्सा है। इसमें शामिल अलग-अलग परतों के बारे में सटीक होना उपयोगी है।

Lean औपचारीकरण

Lean एक प्रोग्रामिंग भाषा और प्रूफ असिस्टेंट है जो गणितीय प्रमाणों को ऐसी रूपरेखा में व्यक्त करने देता है जिसे कंप्यूटर यांत्रिक रूप से जाँच सकता है। यदि कोई प्रमाण Lean में जाँच पास करता है, तो दिए गए अनुमानों के तहत तार्किक कदम औपचारिक रूप से सही होते हैं। 722 पांडुलिपियों में से कई के साथ Lean औपचारीकरण हैं, हालांकि सभी के साथ नहीं।

Lean सत्यापन जो स्थापित करता है वह औपचारिक शुद्धता है। जो यह स्थापित नहीं करता, वह यह है कि औपचारिक कथन वांछित गणितीय प्रश्न का सही प्रतिनिधित्व करता है या नहीं, परिणाम वास्तव में नया है या नहीं, या वह तर्क उन गणितज्ञों के लिए अर्थपूर्ण है या नहीं जो उस पर आगे निर्माण करना चाहते हैं।

मानव गणितीय सत्यापन

यहीं चीजें धीमी पड़ती हैं। गणितज्ञों को अब भी यह निर्धारित करना होगा कि औपचारिक कथन वास्तव में उस खुले प्रश्न को पकड़ता है जिसका दावा किया गया है, क्या प्रमाण तकनीक नई है, और क्या परिणाम मौजूदा साहित्य के सापेक्ष नवीन है। जटिलता सिद्धांतकार डाना मोश्कोविट्ज़ ने पांडुलिपियों को "ऐसा कुछ जो किसी साइकेडेलिक्स पर लिख रहा हो" जैसा बताया—एआई सहायता के बिना पढ़ने में पर्याप्त कठिन—साथ ही यह स्वीकारते हुए कि परिणामों से बहुत कुछ सीखने योग्य है। तकनीकी शुद्धता के साथ-साथ कठिन-से-पढ़े जाने वाले प्रस्तुतीकरण मानव सत्यापकों के लिए वास्तविक काम पैदा करते हैं।

सहकर्मी समीक्षा और स्वतन्त्र सत्यापन

GitHub पर प्रकाशन सहकर्मी समीक्षा नहीं है। परामर्श बोर्ड ने स्पष्ट कहा कि यह रिलीज़ "मानव समझ और कार्य को गणितीय ज्ञान में समाहित करने की प्रक्रिया की शुरुआत है, समापन नहीं।" 20 उपक्षेत्रों में 722 पांडुलिपियों के साथ, व्यापक स्वतन्त्र मूल्यांकन एक वर्षों-लंबा प्रोजेक्ट है।

औपचारिक शुद्धता, गणितीय समझ, नवीनता, और वैज्ञानिक महत्त्व अलग-अलग प्रश्न हैं। Lean-प्रमाणित प्रमाण पहला संतुष्ट कर सकता है, बाकी किसी को नहीं।

गणित का कितना हिस्सा वास्तव में एआई ने किया?

इसका कोई साफ़-सुथरा उत्तर नहीं है।

मॉडल के सामने रखी गई कई समस्याएँ मनुष्यों ने चुनीं या प्रतिपादित कीं। मौजूदा गणितीय साहित्य ने वह बौद्धिक संदर्भ प्रदान किया जिसमें एआई ने काम किया। मॉडल ने गणितीय तर्क उत्पन्न किए। मानव शोधकर्ताओं ने पांडुलिपियाँ तैयार करने में मदद की, और Lean ने प्रमाणों का औपचारीकरण किया। इसलिए "गणित किसने किया?" एक पक्ष पर नहीं, बल्कि योगदानों की श्रृंखला पर फैलता है।

कुछ गणितज्ञों ने एक तेज़तर चिंता उठाई है: कि मॉडल कभी-कभी मौजूदा मानव शोध की धाराओं को पूरा कर रहा हो, न कि स्वतन्त्र रूप से कोई नया दृष्टिकोण खोज रहा हो। यह Navier-Stokes दावे के बाद तीव्रता से सामने आया। गणितज्ञ ट्रिस्टन बकमास्टर, जिनका संबंधित समीकरणों पर एआई-सहायता कार्य OpenAI की घोषणा से घंटों पहले प्रकाशित हुआ, ने क्रेडिट पर गंभीर प्रश्न उठाए। उनका आरोप था कि उनके अप्रकाशित एक वर्ष के काम ने, चाहे अनजाने में ही, OpenAI के स्प्रिंट की दिशा को आकार दिया; OpenAI ने किसी भी निजी प्रॉम्प्ट या अप्रकाशित शोध तक पहुँच से इंकार किया। वह विवाद अब भी अनसुलझा है। यही चिंता—कि एआई परिणाम वास्तव में किसके बौद्धिक आधार पर बनते हैं—अक्टूबर की रिलीज़ पर भी लागू होती है, भले ही किसी एक शोधकर्ता का नाम न लिया गया हो।

अर्थशास्त्री जोशुआ गैंस ने एक उपयोगी ढाँचा प्रस्तावित किया: गणितीय खोज तीन चरणों में होती है। समस्या चुनना, समस्या सुलझाना, परिणाम को समझना और लागू करना। एआई मध्य चरण को तेजी से स्वचालित कर सकता है। इससे मानव और मशीन योगदान का भेद मिटता नहीं, पर मेहनत कहाँ लगती है, इसका पुनर्वितरण हो जाता है।

गणितज्ञ चिंतित क्यों हैं?

चिंताएँ एकसमान नहीं हैं। गणितीय समुदाय को केवल एआई के प्रति प्रतिरोधी बताना अनुचित होगा। यहाँ वे बातें हैं जिन पर सबसे गंभीर आलोचक वास्तव में चिंतित हैं।

समझ, खोज से पीछे छूट सकती है

जब कोई मानव गणितज्ञ प्रमाण देता है, तो प्रक्रिया आमतौर पर ऐसे औजार, अंतःप्रेरणाएँ और अंतर्दृष्टियाँ जन्म देती है जो गणितीय संस्कृति का हिस्सा बन जाती हैं। जब कोई मॉडल सही पर अपारदर्शी प्रमाण देता है, तो परिणाम उस परिवेशी समझ के बिना मौजूद रहता है। टेरेन्स ताओ, जिन्होंने Navier-Stokes घोषणा से पहले स्पष्ट रूप से चेताया था कि ऐतिहासिक रूप से उत्पादक खुले प्रश्नों को वायरल बेंचमार्क पलों में बदलने की अवसर-लागत क्या हो सकती है, ने यह चिंता उठाई है कि बिना यह समझे कि वे कैसे या क्यों सत्य हैं, सही उत्तरों का संचय दीर्घकाल में एक प्रथा के रूप में गणित को हानि पहुँचाता है। यह सिर्फ सौंदर्य की बात नहीं है।

सैकड़ों परिणामों की समीक्षा कठिन है

गणितीय समुदाय की सहकर्मी-समीक्षा क्षमता सीमित है। जब एआई शोध को उस गति से उत्पन्न कर सकता है जिस गति से समुदाय उसका मूल्यांकन नहीं कर सकता, तो बैकलॉग बनता है जो यह विकृत करता है कि गणितीय ज्ञान कैसे स्थापित होता है। एक आलोचक ने रिलीज़ को "शक़भरी गिश गैलपी" बताया—इतनी पांडुलिपियों से क्षेत्र को भर देना कि त्रुटियाँ वर्षों तक अनchallenged रह सकती हैं। इसका हालिया मिसाल है: अगस्त की Astra की दस-समस्याओं वाली रिलीज़ महीनों बाद भी पूरी तरह सहकर्मी-समीक्षित नहीं हुई। उसका बहत्तर गुना आयतन एक वर्ग-भिन्न चुनौती है।

मौजूदा मानव शोध और श्रेय

कई परिणाम नामित शोधकर्ताओं के विशिष्ट पूर्व कार्य पर आधारित हैं। उस बौद्धिक ऋण का प्रतिनिधित्व कैसे हो, यह वास्तविक विवाद का विषय है। Navier-Stokes प्रकरण ने इसे ठोस बना दिया: एक शोधकर्ता ने एक वर्ष अप्रकाशित कार्य में लगाया जिसने शायद एक बहु-मिलियन डॉलर के एआई स्प्रिंट को प्रभावित किया, और अंत में अपने करियर के बारे में प्रश्नों का सामना किया। इसी कारण परामर्श समूह की सिफारिशें विशेष रूप से उद्धरण प्रक्रियाओं पर केंद्रित थीं।

स्वामित्व वाले मॉडल असमान पहुँच बनाते हैं

जिस मॉडल ने ये परिणाम उत्पन्न किए वह सार्वजनिक रूप से उपलब्ध नहीं है। जो अकादमिक गणितज्ञ इस स्तर की क्षमता पर काम करना चाहते हैं, उनके पास OpenAI की आंतरिक टीमों जैसे औज़ार नहीं हैं। 29 सितंबर की परामर्श समूह की सिफारिशों ने स्पष्ट रूप से एआई लैब्स से कहा कि ऐसे उन्नत गणितीय प्रश्नों का परीक्षण ऐसे स्वामित्व वाले मॉडलों पर रोकें जो व्यापक शोध समुदाय के लिए सुलभ न हों। OpenAI ने सिफारिश को स्वीकार तो किया, पर पूरी तरह अपनाया नहीं।

गणितीय शोध एआई लैब्स के भीतर सिमट सकता है

यदि गणितीय खोज का फ्रंटियर, फ्रंटियर कंप्यूट और स्वामित्व वाले मॉडलों तक पहुँच माँगे, तो किस समस्या को महत्त्व दिया जाए और किन परिणामों को सार्वजनिक किया जाए—ये फैसले बढ़ते हुए कुछ निजी संगठनों के भीतर लिए जा सकते हैं। यह संरचना इतिहास में गणित की रही संरचना से बहुत भिन्न होगी।

ये गणितीय समुदाय के सदस्यों द्वारा उठाई गई चिंताएँ हैं—न कि अंतिम निष्कर्ष—और सभी गणितज्ञ इनसे समान रूप से सहमत नहीं हैं।

एआई गणित प्रकाशित करने के लिए OpenAI का नया दृष्टिकोण

OpenAI ने समुदाय की चिंताओं को संबोधित करने के लिए कुछ कदम उठाए हैं, हालांकि परामर्श समूह ने और अधिक के लिए कहा है।

रिलीज़ GitHub पर Apache-2.0 लाइसेंस के अंतर्गत संशोधन प्रोटोकॉल के साथ प्रकाशित है। सुधार होने पर भी पिछले संस्करण सुलभ रहते हैं। प्रत्येक पांडुलिपि में उद्धरण के लिए एक BibTeX ब्लॉक है। कई परिणामों के साथ Lean औपचारीकरण हैं। OpenAI ने 10 परिणामों के लिए तर्क-प्रक्रिया सार और ChatGPT Pro घंटों में व्यक्त कंप्यूट अनुमान प्रकाशित किए हैं।

OpenAI ने इस रिलीज़ के दौरान Institute for Advanced Study में गणित और कृत्रिम बुद्धिमत्ता पर परामर्श समूह से परामर्श किया। समूह में मेलानी मैचेट वुड (हार्वर्ड), एडवर्ड विटेन (IAS), रवि वकील (स्टैनफोर्ड), उलरिके टिलमैन (ऑक्सफोर्ड) और अन्य शामिल हैं—नौ प्रमुख गणितज्ञ जो OpenAI से स्वतन्त्र और बिना पारिश्रमिक के काम करते हैं।

उनकी स्थिति है कि यह रिलीज़ एक शुरुआती बिंदु है। मेलानी वुड ने इसे "मानव समझ की प्रक्रिया की शुरुआत, समापन नहीं" बताया। समूह ने OpenAI से सभी प्रॉम्प्ट्स और पूरी तर्क-श्रृंखलाएँ जारी करने, GitHub के बजाय स्थायी उद्धरण योग्य पहचानकर्ताओं वाले विद्वतापूर्ण रिपॉजिटरी का उपयोग करने, और मानव समझ के विकास को ऐसे संस्थानों के माध्यम से समर्थन देने को कहा जो एआई लैब्स द्वारा नियंत्रित न हों। OpenAI ने उन मानकों की ओर काम करने की प्रतिबद्धता जताई है। अभी वे सभी पूरे नहीं हुए हैं।

गणितज्ञों की भूमिका के लिए एआई का क्या अर्थ है?

दिलचस्प प्रश्न यह नहीं है कि क्या एआई गणितज्ञों को बदल देता है। अभी तो नहीं, और शायद उन तरीकों से भी नहीं जो सबसे अधिक मायने रखते हैं। अधिक दिलचस्प प्रश्न यह है कि जब प्रमाण उत्पन्न करना नाटकीय रूप से सस्ता हो जाता है तो गणितीय कार्य कैसे बदलता है।

चुनें → सुलझाएँ → समझें वाले ढाँचे पर लौटते हुए: यदि एआई बढ़ते हुए सुलझाने वाला चरण संभालता है, तो मानव विशेषज्ञता सिरों पर अधिक मूल्यवान हो जाती है। किन समस्याओं का पीछा करना चाहिए, अच्छे अनुमानों का निर्माण, किसी परिणाम का अर्थ समझना, नए निष्कर्ष को मौजूदा गणित से जोड़ना, नई प्रसंगों में खोजों को लागू करना। ये वे चरण हैं जहाँ मानव निर्णय अब भी अपरिहार्य है। जैसा कि मैंने अगस्त में Astra के परिणामों पर अपने लेख में कवर किया, अच्छे प्रश्न खड़ा करने और किसे साधना सार्थक है यह जानने का कौशल वैसा ही है जिसे एआई अभी नहीं दोहरा सकता। यह अवलोकन तब से और अधिक प्रासंगिक हो गया है।

गणितज्ञ मेहताब सावनी, जो 2026 में कोलंबिया में काम करने के बाद OpenAI में शामिल हुए, ने देखा कि जैसे-जैसे एआई खोज को तेज़ करता है, मानव गणितज्ञों के लिए प्राथमिक बाधा प्रमाण उत्पन्न करने से हटकर एआई-जनित गणित को आत्मसात करने और संदर्भित करने की ओर शिफ्ट हो रही है।

जब प्रमाण उत्पादन सस्ता हो जाता है तो कमी कहाँ जाती है, यह बदलता है। दुर्लभ संसाधन शायद बढ़ते हुए यह होगा कि क्या सिद्ध करना है और उनके समाधान क्यों मायने रखते हैं—इस पर निर्णय क्षमता, न कि केवल चीज़ें सिद्ध करने की क्षमता।

निष्कर्ष

6 अक्टूबर की रिलीज़ को साल भर तेज़ होती रही एक प्रगति की ताज़ा कड़ी के रूप में समझना सबसे बेहतर है। अगस्त में, Astra ने एक ही दिन में दस दशकों पुराने प्रश्न सुलझाए. सितंबर में, 88 घंटे के, 10,000-एजेंट स्प्रिंट ने Navier-Stokes मिलेनियम पुरस्कार वैरिएंट पर एक विवादित पर Lean-प्रमाणित दावा उत्पन्न किया, साथ ही एक अनसुलझा क्रेडिट विवाद जिसने एआई और स्वतन्त्र शोध के इर्द-गिर्द वास्तविक तनाव उजागर किए। अब, अक्टूबर में, उसी फ्रंटियर मॉडल ने कुछ हफ्तों में 20 उपक्षेत्रों में 722 पांडुलिपियाँ तैयार की हैं।

इनमें से कुछ परिणाम—रिमान ज़ीटा का शून्य-मुक्त क्षेत्र, मैट्रिक्स गुणन की सीमा, फ्री ग्रुप फैक्टर्स की समरूपता—पहले ही उन गणितज्ञों का गंभीर ध्यान खींच चुके हैं जो इन क्षेत्रों को अच्छी तरह जानते हैं। पर पांडुलिपियों की संख्या कहानी नहीं है। मायने यह रखता है कि क्या व्यक्तिगत परिणाम टिकते हैं, क्या वे वास्तव में नवीन हैं, और क्या गणितीय समुदाय उन्हें आत्मसात कर सकता है। Lean सत्यापन औपचारिक शुद्धता स्थापित करता है, गणितीय समझ नहीं। GitHub पर प्रकाशन सहकर्मी समीक्षा नहीं है। 722 पांडुलिपियों पर व्यापक स्वतन्त्र मूल्यांकन में वर्षों लगेंगे।

अब यह क्षेत्र उस प्रश्न का सामना कर रहा है जिसका सामना इसे पहले कभी नहीं करना पड़ा: यह नहीं कि एआई कठिन गणित समस्याओं को सुलझा सकता है या नहीं, बल्कि यह कि जब वह मानवों की तुलना में तेज़ी से गणितीय शोध उत्पन्न कर सकता है, तब क्या होता है। यदि प्रमाण उत्पादन इतना सस्ता हो जाए कि शोध साहित्य भर जाए, तो दुर्लभ संसाधन उत्तर पैदा करने से हटकर सही प्रश्न चुनने और यह समझने की ओर शिफ्ट होता है कि वे उत्तर क्यों मायने रखते हैं। यह बदलता है कि गणित, गणितज्ञों से क्या चाहता है। काम का अंत नहीं।