गणिताच्या पलीकडे AI ची वैज्ञानिक व्याप्ती विस्तारत आहे

गणितीय पुराव्यापासून व्यापक वैज्ञानिक सिद्धांताकडे AI ची वाटचाल

गणिताच्या पलीकडील क्षेत्रांतील सैद्धांतिक प्रश्नांवर कृत्रिम बुद्धिमत्ता प्रणाली मोजता येईल अशी प्रगती दाखवू लागल्या आहेत, असे MITचे संशोधक नील थॉम्पसन यांनी चर्चिलेल्या संशोधनातून दिसते. गणिताच्या काही भागांत सध्या दिसणारी क्षमतावाढ संभाव्यता, सांख्यिकी, अर्थशास्त्र, उच्च-ऊर्जा सिद्धांत, गुरुत्वाकर्षण, विश्वविज्ञान आणि क्वांटम भौतिकशास्त्रापर्यंत विस्तारू शकते, असे या विश्लेषणातून सूचित होते.

AIने वैज्ञानिकांची जागा घेतली आहे किंवा ते स्वतंत्रपणे आधुनिक संशोधन कार्यक्रम चालवू शकते, असा या निष्कर्षाचा अर्थ नाही. नंतरच्या संशोधनपत्रांत ज्यांची उत्तरे निश्चित झाली होती, अशा सैद्धांतिक समस्या सोडवण्याच्या तुलनेने मर्यादित पण महत्त्वाच्या कामावर या अभ्यासाचा भर होता. या क्षेत्रांमध्ये 2024च्या मध्यापासून 2026च्या मध्यापर्यंत सर्वाधिक सक्षम मॉडेल्सच्या यशाच्या प्रमाणात तीव्र सुधारणा झाल्याचे संशोधकांना आढळले.

हा कल महत्त्वाचा आहे, कारण प्रायोगिक विज्ञान ज्या भाषा, मॉडेल्स आणि अंदाजांवर अवलंबून असते, ते सैद्धांतिक काम अनेकदा उपलब्ध करून देते. संशोधकांना त्या कामाच्या काही भागांचा शोध घेण्यासाठी AIचा विश्वासार्ह वापर करता आला, तर त्याचा परिणाम केवळ स्वतंत्र गणनांवरच नव्हे, तर वैज्ञानिक चौकशीच्या वेगावर आणि संघटनेवरही होऊ शकतो.

समस्यांच्या छोट्या वाट्यापासून एक-तृतीयांशाहून अधिकपर्यंत

गॅब्रिएल मान्सो आणि क्लॉडिओ मायरीन्क व्हर्दून यांच्या सहकार्याने थॉम्पसन यांनी केलेल्या अभ्यासात डिसेंबर 2025 ते मे 2026 दरम्यान प्रसिद्ध झालेल्या संशोधनपत्रांमधून घेतलेल्या समस्यांवर अनेक OpenAI मॉडेल्सची चाचणी घेण्यात आली. या गटाने o1, o3, GPT-5, GPT-5.1, GPT-5.4 आणि GPT-5.5 यांसह विविध मॉडेल्सचे परीक्षण केले.

मूल्यांकनात समाविष्ट सैद्धांतिक क्षेत्रांमध्ये सर्वोत्तम प्रणाली 2024च्या मध्यात सुमारे 2% समस्या अचूकपणे सोडवत होत्या; 2026च्या मध्यापर्यंत हे प्रमाण सुमारे 35% झाले. हे अजूनही सार्वत्रिक क्षमतेपासून खूप दूर आहे आणि दिसायला बरोबर असलेले प्रत्येक उत्तर विश्वासार्ह असेलच असे नाही. मात्र वाढीचे प्रमाण लक्षणीय आहे: क्वचित यशस्वी होणारे साधन केवळ कुतूहल ठरू शकते, तर एखाद्या बेंचमार्कमध्ये महत्त्वपूर्ण योगदान देऊ शकणारे साधन नेहमीच्या संशोधन पद्धतीचा भाग बनू शकते.

भाषा मॉडेल्सच्या चाचणीतली एक प्रमुख चिंता कमी करण्यासाठी संशोधकांनी हे मूल्यांकन तयार केले: एखादी प्रणाली प्रशिक्षणादरम्यान पाहिलेली सामग्री केवळ पुन्हा तयार करत आहे का. संबंधित उत्तरे नंतरच्या प्रकाशनांत येण्यापूर्वी पोस्ट झालेल्या संशोधनपत्रांमधून समस्या घेण्यात आल्या आणि प्रकाशित उत्तरेच अचूक मानदंड म्हणून वापरण्यात आली. चाचणीदरम्यान इंटरनेटचा प्रवेश बंद होता, त्यामुळे प्रणाली वेबवरून उत्तर मिळवू शकत नव्हत्या.

या पद्धतीमुळे बेंचमार्क-आधारित मूल्यांकनाच्या प्रत्येक मर्यादेचे निराकरण होत नाही. तरीही, समस्या सोडवणे आणि थेट शोध घेणे किंवा पाठांतर करणे यांत फरक करण्याचा तिचा प्रयत्न आहे. त्यामुळे, उपलब्ध प्रशिक्षण सामग्रीत उत्तर नसलेल्या किमान काही प्रश्नांसाठी चाचणी केलेली मॉडेल्स उत्तरे तयार करू शकली, याचा पुरावा हा अभ्यास देतो.

मर्यादित निष्कर्ष, सर्वसाधारण वैज्ञानिक पर्याय नव्हे

या कामाची व्याप्ती महत्त्वाची आहे. सिम्युलेशन चालवण्याची किंवा भौतिक प्रयोग करण्याची गरज नसताना मॉडेल्स ज्या क्षेत्रांतील समस्या सोडवू शकत होती, त्यांवर टीमने लक्ष केंद्रित केले. विज्ञानाचा मोठा भाग केवळ सांकेतिक तर्कापर्यंत मर्यादित करता येत नाही. प्रयोगशाळेतील काम, उपकरणांची रचना, क्षेत्रीय निरीक्षण, माहिती संकलन, सिम्युलेशन आणि पुनरुत्पादन हे जग कसे कार्य करते हे शोधण्याचे अत्यावश्यक भाग राहतात.

सिद्धांतप्रधान विषयांमध्येही अचूक उत्तर म्हणजे उपयुक्त संशोधन योगदान असे नाही. वैज्ञानिकांना गृहितकांचे मूल्यमापन करावे लागते, महत्त्वाचे प्रश्न निवडावे लागतात, निष्कर्षांचा अर्थ लावावा लागतो आणि मांडलेला युक्तिवाद कठोर तपासणीत टिकतो की नाही हे ठरवावे लागते. या तांत्रिक प्रक्रियांबरोबरच सामाजिक प्रक्रियाही आहेत; त्यात समकक्ष परीक्षण, चर्चा आणि संचित पुरावे यांचा समावेश होतो.

तरीही, अभ्यासासाठी निवडलेली क्षेत्रे दुय्यम नाहीत. संभाव्यता आणि सांख्यिकी संपूर्ण विज्ञान आणि उद्योगातील अनुमान प्रक्रियेला आकार देतात. आर्थिक सिद्धांत धोरण आणि बाजार विश्लेषणावर प्रभाव टाकतो. उच्च-ऊर्जा भौतिकशास्त्र, विश्वविज्ञान आणि क्वांटम भौतिकशास्त्र ही अशी क्षेत्रे आहेत जिथे एखादा प्रश्न डिटेक्टर, दुर्बीण किंवा प्रयोगशाळेतील उपकरणापर्यंत पोहोचण्यापूर्वी अमूर्त तर्क त्याच्या प्रगतीत मध्यवर्ती ठरू शकतो.

या क्षेत्रांतील नियमित किंवा मध्यम पातळीवरील कामाचा अधिक भाग AI हाताळू लागला, तर तात्काळ परिणाम असमान असू शकतो. उमेदवार पद्धती तयार करणे, व्युत्पत्ती तपासणे, पर्यायी मांडणी शोधणे किंवा सुरुवातीच्या टप्प्यातील विश्लेषण वेगवान करणे यासाठी संशोधक त्याचा वापर करू शकतात. या वापरांचे मूल्य पडताळणीवर अवलंबून असेल. चुकीच्या निष्कर्षाकडे वेगाने जाणारा मार्ग धीम्या गणनेइतक्याच प्रभावीपणे वेळ वाया घालवू शकतो.

गणितातील उदाहरण अपेक्षांना आकार देत आहे

गणिताला AI क्षमतेच्या अत्यंत ठळक प्रात्यक्षिकांचा सामना करावा लागत असताना हे नवे मूल्यांकन समोर आले आहे. द्रवांच्या हालचालीचे वर्णन करणाऱ्या Navier-Stokes समीकरणांशी संबंधित दीर्घकाळ प्रलंबित असलेले एक मोठे आव्हान अप्रकाशित मॉडेलने सोडवले असल्याचे OpenAIने अलीकडे जाहीर केले. या घटनेवरून वाद निर्माण झाला आणि गणित व AIमधील असामान्य दाव्यांची काळजीपूर्वक स्वतंत्र तपासणी आवश्यक असल्याचे अधोरेखित झाले.

थॉम्पसन यांच्या मते, व्यापक परिणाम असा आहे की सैद्धांतिक विषय अशा काळाच्या उंबरठ्यावर आहेत, ज्यात AIची भूमिका वेगाने बदलू शकते. काही वर्षांत या प्रणाली जे करू शकतील, त्यातून अनेक सैद्धांतिक प्रश्नांचे स्वरूप बदलेल, अशी त्यांची अपेक्षा आहे. या अपेक्षेचा आधार अभ्यासात दिसणारी प्रवृत्ती आहे; कोणतेही विशिष्ट क्षेत्र पूर्णपणे स्वयंचलित होईल, याचा तो पुरावा नाही.

नजीकच्या भविष्यातील सर्वाधिक संभाव्य चित्र एकाकी नसून सहकार्याचे आहे: वैज्ञानिक अजेंडा आणि मानके ठरवतील, तर AI प्रणाली समस्यांचा शोध घेण्यातील वाढता वाटा स्वीकारतील. यामुळे प्रगत विश्लेषणात्मक साधनांपर्यंतचा प्रवेश वाढू शकतो; मात्र मशीनने तयार केलेले काम पडताळण्याची क्षमता अधिक मौल्यवानही ठरू शकते. योगदानाचे श्रेय कसे द्यायचे, विद्यार्थ्यांना प्रशिक्षण कसे द्यायचे आणि सूक्ष्म चुका पकडण्यासाठी आवश्यक स्वतंत्र कौशल्य कसे जपायचे, हे संशोधन संस्थांना ठरवावे लागेल.

पुढे काय पाहायचे

• पूर्वलक्षी मूल्यांकनांपुरते मर्यादित न राहता नव्याने तयार केलेल्या समस्यांवरही कामगिरीतील सुधारणा टिकते का.
• तज्ज्ञांच्या परीक्षणानंतर आणि औपचारिक पडताळणीनंतर मॉडेलने तयार केलेली उत्तरे किती वेळा अचूक राहतात.
• सिम्युलेशन, प्रयोग किंवा विशेषीकृत माहिती आवश्यक असताना प्रणाली उपयुक्त योगदान देऊ शकतात का.
• AI नियमित संशोधन साधन बनत असताना वैज्ञानिक गट लेखकत्व, प्रशिक्षण आणि गुणवत्ता-नियंत्रणाच्या पद्धती कशा बदलतात.

वैज्ञानिक सिद्धांतातील समस्या सोडवण्यासाठी AI ही डीफॉल्ट पद्धत बनेल, असे हा अभ्यास सिद्ध करत नाही. मात्र त्या शक्यतेकडे आता गांभीर्याने का पाहिले जात आहे, हे तो दाखवतो. दोन वर्षांपेक्षा कमी कालावधीत चाचणी केलेल्या सर्वाधिक सक्षम प्रणाली निवडक प्रश्नांच्या छोट्या वाट्यापासून एक-तृतीयांशाहून अधिक प्रश्न सोडवण्यापर्यंत पोहोचल्या. कठीण तर्कावर आधारित विषयांसाठी हा बारकाईने पाहण्याजोगा बदल आहे.

हा लेख Wiredच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.