ความก้าวหน้าคณิตศาสตร์ด้วย AI ของ OpenAI: ผลล่าสุดบอกอะไรเรา

เมื่อวันที่ 6 ตุลาคม 2026 OpenAI ปล่อยต้นฉบับงานคณิตศาสตร์ 722 ฉบับลงบน GitHub ผลงานจากโมเดลภายในระดับแนวหน้าที่ยังไม่เปิดตัว ครอบคลุมพีชคณิต ทฤษฎีจำนวน โทโพโลยี วิทยาการคอมพิวเตอร์เชิงทฤษฎี และตรรกศาสตร์คณิตศาสตร์ ทั้งหมดนี้ผลิตขึ้นภายในเวลาไม่กี่สัปดาห์ มาตราส่วนของงานครั้งนี้ไม่เหมือนสิ่งที่ชุมชนวิจัยเคยเห็นจากระบบ AI ใดมาก่อน

เพื่อเข้าใจว่าทำไมสิ่งนี้จึงต่างจากคะแนนบนเบนช์มาร์ก, มาลองถอยออกมาดูภาพกว้าง นี่คือโมเดลเดียวกับที่เพียงไม่กี่สัปดาห์ก่อนหน้านั้นอ้างว่าสามารถแก้ โจทย์ Millennium Prize เรื่องสมการ Navier–Stokes ซึ่งตามหลังจาก การกวาด 10 โจทย์เปิดมาหลายทศวรรษโดย Astra ภายในวันเดียวในเดือนสิงหาคม แต่ละเหตุการณ์ได้จุดคำถามของตัวเองขึ้นมา ทว่า การปล่อยผลงานวันที่ 6 ตุลาคมนี้ต่างออกไปทั้งในเชิงประเภท ไม่ใช่แค่มาตราส่วน OpenAI นำเสนอต้นฉบับ 722 ฉบับในฐานะผลงานที่มุ่งจะมีส่วนร่วมจริงต่อวรรณกรรมวิจัยคณิตศาสตร์ ไม่ใช่คำตอบบนเบนช์มาร์ก ไม่ใช่วิธีทำโจทย์แข่งขัน

ได้ติดตามความเคลื่อนไหวด้านคณิตศาสตร์ของ OpenAI มาตั้งแต่การปล่อย Astra ในเดือนสิงหาคม และรอบนี้ต้องแกะรายละเอียดด้วยความระมัดระวังยิ่งกว่าสองเหตุการณ์ก่อน ด้านล่างเราจะดูว่า AI สร้างอะไรออกมาจริง ผลลัพธ์ใดโดดเด่น วิธีการตรวจสอบทำงานอย่างไรในทางปฏิบัติ และนักคณิตศาสตร์กังวลเรื่องใดบ้าง

OpenAI’s AI ทำสำเร็จอะไรจริง?

OpenAI มุ่งโมเดลภายในระดับแนวหน้าที่ยังไม่เปิดตัวไปยังโจทย์วิจัยคณิตศาสตร์แบบเปิด โมเดลไม่ได้แค่ทำคะแนนดีในการทดสอบแข่งขัน แต่ผลิตข้อโต้แย้งทางคณิตศาสตร์ในรูปแบบต้นฉบับวิชาการ ส่งขึ้น GitHub พร้อมการทำให้เป็นทางการใน Lean และสรุปเหตุผลของโมเดล

การทำคะแนนสูงในเบนช์มาร์กอย่าง AMC หรือ IMO แสดงว่า AI จัดการโจทย์แข่งขันที่ออกแบบอย่างชาญฉลาดได้ การผลิตต้นฉบับที่อ้างว่าแก้คำถามเปิดอันยาวนานในพื้นที่วิจัยที่ยังเคลื่อนไหวอยู่เป็นอีกเรื่องหนึ่ง เอาต์พุตถูกนำเสนอเป็นผลงานที่อาจมีส่วนเพิ่มเติมองค์ความรู้ทางคณิตศาสตร์ การจะทนต่อการพิจารณาหรือไม่นั้นเป็นอีกคำถามหนึ่ง ซึ่งต้องใช้เวลาในการตอบ

OpenAI ปล่อยผลคณิตศาสตร์ออกมากี่รายการ?

จะเห็นตัวเลขหลายตัวในการรายงานข่าว ซึ่งไม่ขัดแย้งกัน พวกมันนับคนละอย่าง

รีโพสิตอรีมีต้นฉบับ 722 ฉบับ จัดเป็น 372 ครอบครัวของผลลัพธ์ ครอบครัวหนึ่งรวมงานที่เกี่ยวข้องเข้าด้วยกัน: ผลลัพธ์หลัก พร้อมเหตุผลประกอบ แนวทางพิสูจน์ทางเลือก หรือผลสืบเนื่องภายหลัง ดังนั้น 372 ครอบครัวจึงให้ 722 ต้นฉบับ เพราะหลายผลมีวัสดุสนับสนุน ตามกรอบ “ผลหลายร้อยรายการ” ถือว่าใกล้เคียงความจริง; 372 คือจำนวนที่แม่นยำกว่าสำหรับข้อค้นพบทางคณิตศาสตร์ที่แตกต่างกัน

ไฟล์ README เตือนว่าบางผลอาจมีปัญหา และ OpenAI ระบุว่าจะปรับแก้พร้อมเพิ่มการทำให้เป็นทางการใน Lean ต่อไป โปรดคำนึงถึงข้อแม้นี้ขณะอ่านข่าวที่อาจทำให้ตัวเลขดูเด็ดขาดกว่าสถานการณ์จริง

AI ของ OpenAI ทำงานในสาขาคณิตศาสตร์ใดบ้าง?

การปล่อยผลงานครั้งนี้ครอบคลุมประมาณ 20 สาขาย่อยของคณิตศาสตร์ แผนที่คร่าวๆ ต่อไปนี้ช่วยจัดพื้นที่ เพราะบางสาขาอาจไม่คุ้นสำหรับผู้อ่านสายเทคนิคที่ไม่ใช่นักคณิตศาสตร์:

• พีชคณิตและทฤษฎีกลุ่ม ศึกษาโครงสร้างคณิตศาสตร์ที่ประกอบด้วยการดำเนินการและสมมาตร หลายผลที่ถูกพูดถึงมากอยู่ในสาขานี้
• ทฤษฎีจำนวน ว่าด้วยคุณสมบัติของจำนวนเต็มและจำนวนเฉพาะ ฟังก์ชันซีตาของรีมันน์ซึ่งเข้ารหัสการกระจายของจำนวนเฉพาะ ปรากฏในหลายผล
• โทโพโลยี ศึกษาคุณสมบัติที่คงอยู่ภายใต้การเปลี่ยนรูปอย่างต่อเนื่อง สมมติฐานของฮอดจ์ (จะกล่าวถึงด้านล่าง) อยู่ตรงจุดตัดของโทโพโลยีกับเรขาคณิตเชิงพีชคณิต
• วิทยาการคอมพิวเตอร์เชิงทฤษฎี ตั้งคำถามพื้นฐานเกี่ยวกับการคำนวณ: อะไรคำนวณได้ ประสิทธิภาพเพียงใด และปัญหาใดต้านทานอัลกอริทึมที่มีประสิทธิภาพ โมเดลของ OpenAI ผลิตบทความกว่า 80 ฉบับในสาขานี้เพียงลำพัง
• ตรรกศาสตร์คณิตศาสตร์ ตรวจสอบรากฐานเชิงรูปแบบของเหตุผลทางคณิตศาสตร์เอง

ผลที่ใหญ่ที่สุดคืออะไรบ้าง?

ต้องระวังในการจัดวางความหมาย มีความต่างจริงระหว่างผลที่ AI สร้าง พิสูจน์ที่ Lean ตรวจผ่าน พิสูจน์ที่นักคณิตศาสตร์มนุษย์ยืนยัน และผลที่ชุมชนคณิตศาสตร์ยอมรับโดยอิสระว่าเป็นความก้าวหน้าใหญ่ การปล่อยผลงานครั้งนี้ผสมทั้งสี่ประเภท

อย่างไรก็ดี มีหลายผลที่ดึงดูดความสนใจจริงจากนักคณิตศาสตร์อิสระ

ฟังก์ชันซีตาของรีมันน์: เขตปลอดศูนย์แบบใหม่

สมมติฐานของรีมันน์ยังไม่ถูกแก้ และโมเดลของ OpenAI ก็ไม่ได้แก้มัน สิ่งที่ reportedly ตั้งมั่นได้คือเขตปลอดศูนย์ใหม่: แสดงว่าไม่มีจุดศูนย์สำหรับ Re(s) > 11/12 ผลลัพธ์บางส่วนเช่นนี้มีความหมายในทฤษฎีจำนวนเชิงวิเคราะห์ เพราะเขตปลอดศูนย์จะจำกัดการกระจายของจำนวนเฉพาะ เนื้อหาถูกแก้ไขโดยมนุษย์เพื่อให้อ่านง่ายขึ้น ซึ่งเป็นข้อยกเว้นที่โดดเด่นจากกระบวนการผลิตต้นฉบับอื่น การตรวจทวนอิสระของผล quasi-Riemann ที่เกี่ยวข้องผ่านการตรวจเบื้องต้น

สมมติฐาน direct-finiteness ของ Kaplansky ในลักษณะเฉพาะสอง

Irving Kaplansky เสนอสมมติฐานเมื่อหลายทศวรรษก่อนว่าห่วงกลุ่มมีคุณสมบัติพีชคณิตเฉพาะที่เรียกว่า direct finiteness กรณีลักษณะเฉพาะสองต่อต้านมานาน รายงานว่าโมเดลแก้ได้แล้ว มีการระบุว่ามี Lean formalization ให้ใช้งาน

อิซอโมร์ฟิซึมของ free group factors

ว่าด้วยพีชคณิตของวอน นอยมันน์ โครงสร้างในอนาลิซิสเชิงฟังก์ชันที่เข้ารหัสสมมาตรบางอย่างของระบบควอนตัม คำถามว่าปัจจัยของกลุ่มอิสระทั้งหมดเป็นอิซอโมร์ฟิกกันหรือไม่เปิดมาหลายทศวรรษ โมเดลอ้างว่าตัดสินสมมติฐานของ de la Harpe และ Voiculescu โดยแสดงว่าพีชคณิตของวอน นอยมันน์ของกลุ่มพื้นฐานของปริพันธ์ปิดที่หันเหหน้าได้อันดับสกุล ≥ 2 เป็น free group factors การตรวจทวนอิสระผ่าน

เลขชี้กำลังของการคูณเมทริกซ์

หนึ่งในผลที่มีนัยปฏิบัติสูง: โมเดล reportedly ตั้งมั่นได้ว่า ω ≤ 2.25 เหนือจำนวนเชิงซ้อน โดยที่ ω คือเลขชี้กำลังของการคูณเมทริกซ์ นี่คือวัตถุทางคณิตศาสตร์เบื้องหลังประสิทธิภาพการคูณเมทริกซ์ของคอมพิวเตอร์ ปัญหาที่มีผลจริงต่ออัลกอริทึมทั่ววิทยาการคอมพิวเตอร์ สำหรับผู้อ่านสายการเงินหรือวิศวกรรม ควรทราบว่าประสิทธิภาพการคูณเมทริกซ์เป็นฐานของการคำนวณเชิงตัวเลขแทบทุกอย่างในสเกลใหญ่

สูตร Mézard–Parisi สำหรับ diluted spin glasses

ฟิสิกส์เชิงสถิติมาบรรจบกับทฤษฎีความน่าจะเป็น: ว่าด้วยพลังงานเสรีของระบบแม่เหล็กที่ไม่เป็นระเบียบ สูตร Mézard–Parisi เคยเป็นสมมติฐานแต่ยังไม่ถูกพิสูจน์เต็มในกรณี diluted

สมมติฐานของฮอดจ์สำหรับ CM abelian varieties

กรณีจำกัดของหนึ่งในเจ็ด Millennium Prize Problems สมมติฐานของฮอดจ์ถามว่าคุณลักษณะเชิงโทโพโลยีบางอย่างของวาไรตี้เชิงพีชคณิตสามารถแทนด้วยพีชคณิตได้เสมอหรือไม่ รายงานว่าโมเดลตั้งมั่นได้สำหรับ CM abelian varieties ซึ่งเป็นคลาสที่มีโครงสร้างเฉพาะ นี่ไม่ใช่สมมติฐานของฮอดจ์ฉบับเต็มซึ่งยังเปิดอยู่ แต่เป็นกรณีเฉพาะที่นักคณิตศาสตร์มุ่งหน้าไปสู่ผลนี้ ผลนี้ก็ถูกระบุว่าเป็นข้อยกเว้นต่อกระบวนการผลิตมาตรฐานเช่นกัน

ผลการเกิดแม่เหล็กแบบฉับพลันสำหรับควอนตัมเฮเซนเบิร์กเฟอโรแมกเนต และขอบเขต quasipolynomial สำหรับลำดับเลขคณิต ต่างดึงดูดความสนใจจากนักวิจัยที่กำลังประเมินการปล่อยผลงาน แม้การตรวจยืนยันโดยอิสระอย่างครอบคลุมจะต้องใช้เวลาอีกมาก

AI ของ OpenAI ผลิตผลเหล่านี้อย่างไร?

OpenAI เผยรายละเอียดวิธีการมากกว่าการปล่อยผลงานก่อนหน้า แม้ภาพรวมยังไม่สมบูรณ์

โมเดลถูกตั้งโจทย์ประมาณ 4,000 ปัญหาระหว่างการประเมิน ผลส่วนใหญ่มาจากกระบวนการคงที่โดยใช้โมเดลภายในตัวเดียวกัน สองผลเบี่ยงจากกระบวนการมาตรฐานนั้น: งานเขตปลอดศูนย์ของซีตารีมันน์ และสมมติฐานของฮอดจ์สำหรับ CM abelian varieties ค่าเฉลี่ยของผลหนึ่งรายการใช้คอมพิวตประมาณเทียบเท่ากับการคิดสามชั่วโมงของ ChatGPT Pro นั่นเป็นจุดอ้างอิงที่มีประโยชน์ แต่อย่าอ่านว่าแต่ละปัญหาใช้เวลาสามชั่วโมง ตัวเลขนี้อธิบายคอมพิวตเฉลี่ยต่อผล ไม่ใช่เวลารวมที่ผ่านไปหรือค่าความพยายามที่ล้มเหลว

ในบริบท วิธีนี้เป็นระบบระเบียบกว่าสิ่งที่มาก่อนมาก เมื่อ Astra แก้ปัญหาเปิดสิบข้อในเดือนสิงหาคม แต่ละคำตอบ reportedly มีค่าอินเฟอเรนซ์ราว 2,000 ดอลลาร์ ก่อนนั้น การเร่งแก้ Navier–Stokes ใช้ เอเจนต์ขนาน 10,000 ตัวรัน 88 ชั่วโมง คิดเป็นคอมพิวตรวมราว 22.5 ล้านดอลลาร์ เป็นวิธีแรงขับที่ให้ทั้งผลและข้อพิพาทเครดิตครั้งใหญ่ การปล่อยวันที่ 6 ตุลาคมดูคล้ายโครงการวิจัยต่อเนื่องมากกว่าการสปรินต์: คอมพิวตต่อผลต่ำลง ครอบคลุมกว้างขึ้น โครงสร้างรอบครอบครัวของผลที่เกี่ยวเนื่องกันมีการตั้งใจ

OpenAI เผยสรุปเหตุผลของผล 10 รายการ พร้อมประมาณคอมพิวตและสถิติเกี่ยวกับปัญหาที่พยายามทำ คณะที่ปรึกษาด้านคณิตศาสตร์และปัญญาประดิษฐ์เรียกร้องให้ก้าวไปไกลกว่านี้และเผยทุกพรอมป์ตและห่วงโซ่ความคิดเต็มชุด ยังมีช่องว่างระหว่างสิ่งที่ OpenAI ให้มากับสิ่งที่บางส่วนในชุมชนคณิตศาสตร์อยากเห็น

พิสูจน์ทางคณิตศาสตร์ของ OpenAI ตรวจสอบอย่างไร?

การตรวจสอบน่าจะเป็นส่วนที่มีนัยสำคัญที่สุดของเรื่องนี้ ควรระบุให้ชัดเจนถึงชั้นต่างๆ ที่เกี่ยวข้อง

การทำให้เป็นทางการด้วย Lean

Lean เป็นภาษาโปรแกรมและผู้ช่วยพิสูจน์ที่ทำให้พิสูจน์ทางคณิตศาสตร์ถูกแสดงในรูปแบบที่คอมพิวเตอร์ตรวจเชิงกลได้ หากพิสูจน์ตรวจผ่านใน Lean แปลว่าก้าวตรรกะถูกต้องตามรูปแบบเมื่อยอมรับสมมติฐานที่ระบุไว้ ต้นฉบับจำนวนมากจาก 722 ฉบับมีการทำเป็นทางการใน Lean แนบมาด้วย แม้ไม่ใช่ทุกฉบับ

สิ่งที่ Lean รับรองคือความถูกต้องเชิงรูปแบบ สิ่งที่มันไม่รับรองคือถ้อยแถลงเชิงรูปแบบนั้นแทนคำถามคณิตศาสตร์ที่ตั้งใจไว้แม่นยำหรือไม่ ผลนั้นใหม่จริงเมื่อเทียบกับวรรณกรรมเดิมหรือไม่ หรือเหตุผลนั้นมีความหมายต่อบรรดานักคณิตศาสตร์ที่ต้องการสานต่อหรือไม่

การตรวจสอบโดยนักคณิตศาสตร์มนุษย์

จุดนี้ทำให้กระบวนการช้าลง นักคณิตศาสตร์ยังต้องพิจารณาว่าถ้อยแถลงเชิงรูปแบบจับต้องปัญหาเปิดที่อ้างว่าจะตอบได้จริงหรือไม่ เทคนิคพิสูจน์ใหม่น่าสนใจเพียงใด และผลใหม่นี้ใหม่เมื่อเทียบกับงานที่มีอยู่หรือไม่ Dana Moshkovitz นักทฤษฎีความซับซ้อน บรรยายว่าต้นฉบับ “เหมือนสิ่งที่เขียนโดยใครสักคนที่กำลังกินสารหลอนประสาท” และอ่านยากแม้ไม่มี AI ช่วย ขณะเดียวกันก็ยอมรับว่ามีสิ่งให้เรียนรู้มากมายจากผลเหล่านี้ ความถูกต้องทางเทคนิคควบคู่กับการเรียบเรียงที่ยากต่อการตีความ สร้างภาระงานจริงแก่ผู้ตรวจสอบมนุษย์

การพิจารณาบทและการยืนยันโดยอิสระ

การเผยแพร่บน GitHub ไม่ใช่การพิจารณาบท คณะที่ปรึกษากล่าวชัดเจนว่าการปล่อยครั้งนี้คือ “จุดเริ่มต้น ไม่ใช่การเสร็จสิ้น ของกระบวนการทำความเข้าใจของมนุษย์และการบูรณาการผลงานสู่ความรู้คณิตศาสตร์” ที่ต้นฉบับ 722 ฉบับใน 20 สาขาย่อย การประเมินโดยอิสระอย่างครอบคลุมเป็นโครงการที่กินเวลาหลายปี

ความถูกต้องเชิงรูปแบบ ความเข้าใจทางคณิตศาสตร์ ความใหม่ และความสำคัญทางวิทยาศาสตร์ เป็นคำถามแยกจากกัน พิสูจน์ที่ Lean รับรองอาจตอบเพียงข้อแรกโดยยังไม่แตะข้ออื่นเลย

แท้จริงแล้ว AI ทำคณิตศาสตร์ไปแค่ไหน?

คำตอบไม่ชัดเจนตายตัว

มนุษย์เป็นผู้เลือกหรือกำหนดโจทย์จำนวนมากที่ป้อนให้โมเดล วรรณกรรมคณิตศาสตร์ที่มีอยู่คือบริบททางปัญญาที่ AI ทำงานอยู่ โมเดลเป็นผู้สร้างข้อโต้แย้งทางคณิตศาสตร์ นักวิจัยมนุษย์ช่วยเตรียมต้นฉบับ และ Lean ทำพิสูจน์ให้เป็นทางการ ดังนั้น “ใครทำคณิตศาสตร์?” จึงครอบคลุมห่วงโซ่ของการมีส่วนร่วม แทนที่จะลงเอยที่ฝ่ายเดียว

นักคณิตศาสตร์บางคนตั้งข้อกังวลที่คมชัดขึ้น: โมเดลอาจกำลังต่อยอดแนวทางวิจัยของมนุษย์ที่มีอยู่ แทนที่จะค้นพบแนวทางใหม่อย่างอิสระ กรณีนี้ปะทุขึ้นชัดหลังคำอ้างเรื่อง Navier–Stokes Tristan Buckmaster ซึ่งมีงานเกี่ยวข้องที่ใช้ AI ช่วยเผยแพร่ไม่กี่ชั่วโมงก่อนประกาศของ OpenAI ตั้งคำถามร้ายแรงเรื่องเครดิต โดยอ้างว่างานที่ยังไม่เผยแพร่ของเขานานหนึ่งปี ได้โดยรู้ตัวหรือไม่มากำหนดทิศทางการสปรินต์ของ OpenAI; OpenAI ปฏิเสธการเข้าถึงพรอมป์ตส่วนตัวหรือวิจัยที่ยังไม่เผยแพร่ ข้อพิพาทนั้นยังไม่ยุติ ความกังวลเดียวกัน—ว่าผลของ AI ตั้งอยู่บนรากฐานปัญญาของใคร—ก็ใช้กับการปล่อยผลงานเดือนตุลาคมด้วย แม้ไม่ได้ระบุถึงนักวิจัยคนใดคนหนึ่ง

นักเศรษฐศาสตร์ Joshua Gans เสนอกรอบคิดที่มีประโยชน์: การค้นพบทางคณิตศาสตร์มีสามช่วง เลือกปัญหา แก้ปัญหา ทำความเข้าใจและประยุกต์ผล AI อาจทำให้ช่วงกลางเป็นอัตโนมัติมากขึ้น นั่นไม่ได้ทำให้เส้นแบ่งการมีส่วนร่วมของมนุษย์และเครื่องหายไป แต่ย้ายการทุ่มแรงไปคนละส่วน

ทำไมนักคณิตศาสตร์จึงกังวล?

ความกังวลไม่ได้เป็นเนื้อเดียวกัน จะบอกว่าชุมชนคณิตศาสตร์ต่อต้าน AI เฉยๆ คงไม่ถูก ต้องดูว่าผู้วิจารณ์ที่จริงจังที่สุดกังวลอะไร

ความเข้าใจอาจตามหลังการค้นพบ

เมื่อมนุษย์ผลิตพิสูจน์ กระบวนการมักสร้างเครื่องมือ สัญชาตญาณ และข้อคิด ที่กลายเป็นส่วนหนึ่งของวัฒนธรรมทางคณิตศาสตร์ เมื่อโมเดลสร้างพิสูจน์ที่ถูกต้องแต่ทึบ ผลลัพธ์จะดำรงอยู่โดยไร้ความเข้าใจแวดล้อม Terence Tao ซึ่งก่อนประกาศ Navier–Stokes ได้เตือนชัดเรื่องต้นทุนโอกาสของการเปลี่ยนโจทย์เปิดที่เคยก่อผลดีเชิงประวัติศาสตร์ให้กลายเป็นช่วงไวรัลบนเบนช์มาร์ก แสดงความกังวลว่าการสะสมคำตอบถูกต้องโดยไม่เข้าใจว่าเพราะอะไรอาจเป็นโทษต่อคณิตศาสตร์ในระยะยาว นั่นไม่ใช่แค่ปัญหาด้านรสนิยม

ผลหลายร้อยรายการตรวจทานได้ยาก

ขีดความสามารถของชุมชนคณิตศาสตร์ในการพิจารณาบทมีจำกัด เมื่อ AI สร้างงานวิจัยเร็วกว่าความสามารถในการประเมินของชุมชน จะเกิดงานคั่งค้างที่บิดเบือนวิธีการสถาปนาความรู้ทางคณิตศาสตร์ ผู้วิจารณ์รายหนึ่งบรรยายการปล่อยครั้งนี้ว่า “น่าสงสัยในเชิง Gish Gallop” คือท่วมพื้นที่ด้วยต้นฉบับมากมายเสียจนข้อผิดพลาดอาจยืนอยู่อย่างไม่ถูกท้าทายได้เป็นปีๆ ความกังวลนี้มีกรณีตัวอย่างล่าสุด: ผลสิบข้อมิถุนายนของ Astra ยังไม่ถูกพิจารณาบทครบถ้วนแม้ผ่านมาหลายเดือน ปริมาณที่มากกว่านั้น 72 เท่าเป็นความท้าทายอีกระดับหนึ่ง

งานวิจัยมนุษย์ที่มีอยู่และเครดิต

ผลจำนวนหนึ่งต่อยอดจากงานก่อนหน้าของนักวิจัยที่ระบุชื่อได้ ประเด็นว่าจะแสดงหนี้ทางปัญญานั้นอย่างไรยังเป็นที่ถกเถียง เหตุการณ์ Navier–Stokes ทำให้เรื่องนี้จับต้องได้: นักวิจัยใช้เวลาหนึ่งปีกับงานที่ยังไม่เผยแพร่อาจมีอิทธิพลต่อการสปรินต์ AI หลายล้านดอลลาร์ และสุดท้ายต้องรับคำถามเกี่ยวกับอาชีพของตัวเอง ข้อเสนอของคณะที่ปรึกษาจึงกล่าวถึงกระบวนการอ้างอิงโดยเฉพาะ

โมเดลปิดสร้างความเหลื่อมล้ำในการเข้าถึง

โมเดลที่ผลิตผลเหล่านี้ไม่เปิดให้สาธารณะ นักคณิตศาสตร์สายวิชาการที่อยากทำงานในระดับขีดความสามารถนี้ไม่มีเครื่องมือแบบเดียวกับทีมภายในของ OpenAI ข้อเสนอวันที่ 29 กันยายนของคณะที่ปรึกษาขอให้ห้องปฏิบัติการ AI หยุดทดสอบปัญหาคณิตศาสตร์ขั้นสูงบนโมเดลปิดที่ชุมชนวิจัยกว้างขวางเข้าไม่ถึง OpenAI รับทราบข้อเสนอแนะ แต่ยังไม่รับไปปฏิบัติเต็มที่

งานวิจัยคณิตศาสตร์อาจกระจุกในห้องแล็บ AI

หากแนวหน้าการค้นพบคณิตศาสตร์ต้องพึ่งคอมพิวตระดับแนวหน้าและโมเดลปิด การตัดสินใจว่าโจทย์ใดสำคัญและผลใดจะถูกเผยแพร่อาจถูกกำหนดภายในองค์กรเอกชนเพียงไม่กี่แห่ง โครงสร้างนี้ต่างจากสิ่งที่คณิตศาสตร์เคยมีมาอย่างมาก

ประเด็นเหล่านี้เป็นข้อกังวลที่ยกโดยสมาชิกของชุมชนคณิตศาสตร์ ยังไม่ใช่ข้อสรุป และไม่ใช่นักคณิตศาสตร์ทุกคนที่เห็นพ้องเท่าๆ กัน

แนวทางใหม่ของ OpenAI ในการเผยแพร่งานคณิตศาสตร์ด้วย AI

OpenAI ดำเนินการบางอย่างเพื่อตอบข้อกังวลของชุมชน แม้คณะที่ปรึกษาจะเรียกร้องมากกว่านี้

งานถูกเผยบน GitHub ภายใต้สัญญาอนุญาต Apache-2.0 พร้อมระเบียบการแก้ไข รุ่นก่อนหน้าจะยังเข้าถึงได้เมื่อมีการปรับแก้ แต่ละต้นฉบับมีบล็อก BibTeX สำหรับการอ้างอิง มี Lean formalizations แนบมากับหลายผล OpenAI เผยสรุปเหตุผลของผล 10 รายการ และประมาณคอมพิวตเป็นชั่วโมงของ ChatGPT Pro

OpenAI ปรึกษาคณะผู้เชี่ยวชาญด้านคณิตศาสตร์และปัญญาประดิษฐ์ที่สถาบัน Institute for Advanced Study ตลอดการปล่อยผลงานครั้งนี้ กลุ่มประกอบด้วย Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) และคนอื่นๆ รวมเก้านักคณิตศาสตร์ชั้นนำที่ทำงานอย่างอิสระและไม่รับค่าตอบแทนจาก OpenAI

จุดยืนของพวกเขาคือการปล่อยครั้งนี้เป็นจุดเริ่มต้น Melanie Wood บรรยายว่าเป็น “จุดเริ่ม ไม่ใช่จุดจบ ของกระบวนการทำความเข้าใจของมนุษย์” กลุ่มเรียกร้องให้ OpenAI เผยทุกพรอมป์ตและห่วงโซ่ความคิดเต็มชุด ใช้คลังวิชาการที่มีตัวระบุถาวรสำหรับการอ้างอิงแทน GitHub และสนับสนุนการพัฒนาความเข้าใจของมนุษย์ผ่านสถาบันที่ไม่ได้อยู่ใต้การควบคุมของแล็บ AI OpenAI ให้คำมั่นว่าจะมุ่งไปสู่มาตรฐานเหล่านั้น แต่ยังทำได้ไม่ครบถ้วน

AI หมายถึงอะไรต่อบทบาทของนักคณิตศาสตร์?

คำถามที่น่าสนใจกว่าไม่ใช่ AI จะแทนนักคณิตศาสตร์หรือไม่ ขณะนี้ยังไม่ และอาจไม่ในประเด็นที่สำคัญที่สุด คำถามที่น่าสนใจกว่าคือ งานคณิตศาสตร์เปลี่ยนไปอย่างไรเมื่อการสร้างพิสูจน์ถูกลงอย่างมาก

ย้อนกลับไปยังกรอบ เลือก → แก้ → ทำความเข้าใจ: หาก AI จัดการขั้น “แก้” มากขึ้น ความเชี่ยวชาญของมนุษย์จะมีคุณค่ามากขึ้นที่ปลายทั้งสอง การตัดสินใจว่าโจทย์ใดคู่ควร การตั้งสมมติฐานที่ดี การตีความว่าผลหมายความว่าอย่างไร การเชื่อมโยงข้อค้นพบใหม่เข้ากับคณิตศาสตร์ที่มีอยู่ การประยุกต์ค้นพบในบริบทใหม่ๆ นี่คือช่วงที่วิจารณญาณของมนุษย์ยังขาดไม่ได้ ตามที่เคยกล่าวไว้ในบทความผลเดือนสิงหาคมของ Astra ทักษะในการตั้งโจทย์ที่ดีและรู้ว่าโจทย์ใดคุ้มค่าที่จะบุกโจมตีคือสิ่งที่ AI ยังทำซ้ำไม่ได้ ข้อสังเกตนี้ยิ่งมีน้ำหนักมากขึ้นนับแต่นั้น

Mehtaab Sawhney นักคณิตศาสตร์ซึ่งเข้าร่วม OpenAI ในปี 2026 หลังทำงานที่โคลัมเบีย ชี้ว่าเมื่อ AI เร่งการค้นพบ คอขวดหลักสำหรับนักคณิตศาสตร์มนุษย์กำลังขยับจากการสร้างพิสูจน์ ไปเป็นการดูดซับและทำให้คณิตศาสตร์ที่สร้างโดย AI มีบริบท

เมื่อการสร้างพิสูจน์ถูกลง สิ่งที่ขาดแคลนจะย้ายที่ไป ทรัพยากรที่ขาดแคลนอาจไม่ใช่ความสามารถในการพิสูจน์อีกต่อไป แต่เป็นความสามารถในการเลือกว่าสิ่งใดควรถูกพิสูจน์ และเข้าใจว่าทำไมวิธีแก้จึงสำคัญ

บทสรุป

การปล่อยผลงานวันที่ 6 ตุลาคมควรถูกเข้าใจว่าเป็นก้าวล่าสุดบนเส้นทางที่เร่งตัวมาตลอดปี ในเดือนสิงหาคม Astra แก้ปัญหาที่เปิดมาหลายทศวรรษสิบข้อภายในวันเดียว. เดือนกันยายน การสปรินต์ 88 ชั่วโมงด้วยเอเจนต์ 10,000 ตัว สร้างคำอ้างที่ Lean ตรวจผ่านเกี่ยวกับ ตัวแปรของโจทย์ Millennium Prize เรื่อง Navier–Stokes พร้อมข้อพิพาทเครดิตที่ยังไม่ยุติ เผยให้เห็นความตึงเครียดจริงระหว่าง AI และงานวิจัยอิสระ ตอนนี้ ในเดือนตุลาคม โมเดลแนวหน้าเดียวกันผลิตต้นฉบับ 722 ฉบับ ครอบคลุม 20 สาขาย่อย ภายในเวลาไม่กี่สัปดาห์

บางผลลัพธ์ เช่น เขตปลอดศูนย์ของซีตารีมันน์ ขอบเขตการคูณเมทริกซ์ อิซอโมร์ฟิซึมของ free group factors ได้รับความสนใจอย่างจริงจังจากนักคณิตศาสตร์ที่เชี่ยวชาญในพื้นที่นั้นๆ แต่จำนวนต้นฉบับไม่ใช่ประเด็นสำคัญ สิ่งที่สำคัญคือตัวผลแต่ละชิ้นทนต่อการตรวจสอบหรือไม่ ใหม่จริงหรือไม่ และชุมชนคณิตศาสตร์จะดูดซับมันได้หรือไม่ Lean รับรองความถูกต้องเชิงรูปแบบ ไม่ใช่ความเข้าใจทางคณิตศาสตร์ การเผยแพร่บน GitHub ไม่ใช่การพิจารณาบท ที่ 722 ต้นฉบับ การประเมินโดยอิสระอย่างครอบคลุมจะกินเวลาหลายปี

แวดวงกำลังต้องเผชิญคำถามที่ไม่เคยต้องเจอมาก่อน: ไม่ใช่ว่า AI จะแก้ปัญหาคณิตศาสตร์ยากได้หรือไม่ แต่จะเกิดอะไรขึ้นเมื่อมันผลิตงานวิจัยคณิตศาสตร์ได้เร็วเกินกว่ามนุษย์จะประเมินได้ หากการสร้างพิสูจน์ถูกลงจนท่วมวรรณกรรมวิจัย ทรัพยากรที่ขาดแคลนจะย้ายจากการสร้างคำตอบ ไปเป็นการเลือกคำถามที่ถูกต้องและเข้าใจว่าทำไมคำตอบเหล่านั้นจึงสำคัญ นี่คือความเปลี่ยนแปลงในสิ่งที่คณิตศาสตร์ต้องการจากนักคณิตศาสตร์ ไม่ใช่จุดจบของงาน