एआयने 30 वर्षांच्या ग्राफ सिद्धांतातील गृहितकाला प्रतिदर्श मिळवला

दीर्घकाळ टिकलेल्या ग्राफ सिद्धांतातील दाव्याला एआयने आव्हान दिले

ग्राफ सिद्धांतातील 30 वर्षे जुने एक गृहितक कथितपणे कोसळले, जेव्हा एका AI प्रणालीने काही तासांतच प्रतिदर्श तयार केला. New Scientist नुसार, AI स्टार्ट-अप Autokernel चे सहसंस्थापक Dmitry Rybin यांनी ChatGPT 5.6 Pro वापरून Dinitz-Garg-Goemans गृहितकासाठी संरचित प्रतिदर्श शोधला, जो परिणाम अनेक दशकांपासून combinatorics आणि optimization मधील एक खुला प्रश्न राहिला होता.

अहवाल सांगतो की Rybin यांनी एकूण चार prompts वापरले, ज्यांची एकत्रित लांबी 60 शब्दांपेक्षा कमी होती, आणि मॉडेलने सुमारे 5.5 तास शोध घेतल्यानंतर असे बांधकाम परत केले जे गृहितक खोटे असल्याचे दर्शवते. जर हा प्रतिदर्श तज्ज्ञांच्या कठोर पडताळणीमध्ये टिकला, तर हा प्रसंग वेगाने बदलणाऱ्या एका नमुन्यातील आणखी एक लक्षणीय क्षण ठरेल: AI प्रणाली आता केवळ नियमित proof काम किंवा symbolic manipulation मध्ये मदत करत नाहीत, तर स्थापित गणिती प्रश्नांची स्थिती बदलू शकतील अशी नवी वस्तुही सतत शोधून काढत आहेत.

हा बदल महत्त्वाचा आहे कारण प्रतिदर्श गणितात विशेष स्थान राखतात. एखादा theorem अनेक विशेष प्रकरणांमध्ये वर्षानुवर्षे तपासणी सहन करू शकतो, पण एकच वैध अपवाद सर्वसाधारण दाव्याला पाडण्यासाठी पुरेसा ठरतो. लहान उदाहरणांतील pattern वर आधारित अंतर्ज्ञान ज्या क्षेत्रांमध्ये तयार होते, तिथे एखादा नियम मोडणारी पहिली वस्तू शोधणे अनपेक्षितपणे कठीण ठरू शकते. हीच त्या प्रकारची शोध समस्या आहे जिथे मोठ्या प्रमाणावरची स्वयंचलित शोधमोहीम फायदा देऊ शकते.

गृहितक काय सांगण्याचा प्रयत्न करत होते

Dinitz-Garg-Goemans गृहितक ग्राफ सिद्धांताशी संबंधित आहे, म्हणजे vertices आणि edges पासून बनलेल्या networks चा अभ्यास. New Scientist हे म्हणणे logistics च्या एका उपमेने समजावतो. समजा एका warehouse मधून अनेक destinations कडे shipments जात आहेत. समस्येच्या एका प्रकारात shipments लहान भागांमध्ये विभागून स्वतंत्रपणे मार्गक्रमण करता येते. हे लवचिक व्यवस्थापन न तुटणाऱ्या shipments असलेल्या दुसऱ्या रचनेत रूपांतरित करता येईल, आणि एकूण खर्च वाढणार नाही, असे या गृहितकाने सुचवले होते.

अशा प्रकारची विधाने आकर्षक वाटतात, कारण ती सूचित करतात की गोंधळलेली प्रत्यक्षातील optimization समस्या कधी कधी अधिक स्वच्छ, सोपी विश्लेषणयोग्य रूपे घेऊ शकते. ते खरे असते, तर हे गृहितक split आणि unsplit flow परिस्थितींमध्ये विश्वासार्ह पूल असल्याचे सूचित करत होते. पण कथित प्रतिदर्श दर्शवतो की असा पूल नेहमी अस्तित्वात नसतो. या networks च्या रचनेत कुठेतरी असे प्रसंग आहेत जिथे shipments विभाजित न करणे अर्थकारण बदलते, आणि ते गृहितक म्हणत होते तसे होत नाही.

तज्ज्ञांसाठी याचा अर्थ संपूर्ण क्षेत्र कोसळते असा नाही. याचा अर्थ सीमारेषा अधिक स्पष्ट होतात. संशोधक आता विचारू शकतात की गृहितक नेमके कुठे अपयशी ठरते, मर्यादित आवृत्त्या अजून टिकतात का, आणि कोणते graph वर्ग अपेक्षित वर्तन जपतात. एक खोटे गृहितक अनेकदा खऱ्या गृहितकाइतकेच उत्पादक काम निर्माण करते, कारण ते क्षेत्राला विस्तृत पण अचूक नसलेल्या तत्त्वाऐवजी अधिक नेमका नकाशा तयार करण्यास भाग पाडते.

हे प्रकरण लक्ष वेधून का घेत आहे

प्रतिक्रियेमागचा एक भाग म्हणजे prompting ची वरवरची साधेपणा. New Scientist च्या उद्धरणानुसार, Rybin यांनी X वर सांगितले की त्यांनी स्वतः अनेक आठवडे या समस्येचा विचार केला होता. तरीही लेखात वर्णन केलेले prompts अत्यंत मर्यादित होते: breakthrough प्रतिदर्श शोधण्याची सुरुवातीची सूचना, त्यानंतर शोध सुरू ठेवण्याच्या वारंवार विनंत्या. हाच विरोधाभास या कथेत मध्यवर्ती ठरला आहे. रस फक्त AI सहभागी होते म्हणून नाही, तर मानवाला दिसणारे interface इतके सामान्य दिसत असताना आतली संगणकीय शोधमोहीम काही तरी गैर-तांत्रिक नव्हे असे करत असल्याची शक्यता होती म्हणूनही आहे.

तो फरक महत्त्वाचा आहे. लहान prompt म्हणजे तर्कप्रक्रिया सोपी होती असे नाही. याचा अर्थ एवढाच की उपयुक्त शोधासाठी प्रणालीला दिशा देण्यासाठी वापरकर्त्याला घन formal workflow स्वतः तयार करावा लागला नाही. AI साधने सुधारत गेली, तर अडथळा प्रत्येक पायरी निर्दिष्ट करण्यापासून दूर जाऊन योग्य गणिती लक्ष्य मांडणे, output काटेकोरपणे तपासणे, आणि machine-generated वस्तूंना संशोधन समुदाय पडताळून पुढे बांधू शकेल अशा रूपात अनुवादित करण्याकडे सरकू शकतो.

New Scientist हेही नोंदवतो की एका आठवड्यात दुसऱ्यांदा AI ला दीर्घकाळ टिकलेल्या गृहितकाला उलथवून टाकल्याचे श्रेय दिले गेले. लेख नवीन ग्राफ सिद्धांत परिणामाला Jacobian गृहितकावरील आधीच्या AI-निर्मित प्रतिदर्शासोबत ठेवतो आणि मे महिन्यात Paul Erdos यांच्या दशकांपूर्वीच्या गृहितकाला कथितपणे मोडणाऱ्या OpenAI मॉडेलकडेही इशारा करतो. या घटना एकत्र पाहिल्यास, सध्याचा क्षण हा एकदाच येणारा कुतूहलाचा विषय नसून machine-assisted mathematics मधील व्यापक वेगवाढीचा भाग असल्याचे दिसते.

ग्राफ सिद्धांत आश्चर्यांसाठी विशेषतः संवेदनशील का असू शकतो

York University चे Chris Bowman-Scargill यांनी New Scientist ला सांगितले की गणितात एक चालता विनोद आहे की ग्राफ सिद्धांतातील प्रत्येक गृहितक खोटेच असते. हा विनोद एका वास्तविक संरचनात्मक आव्हानाचे प्रतिबिंब आहे. ग्राफ सिद्धांतात, लहान उदाहरणांमध्ये स्थिर वाटणारे वर्तन फक्त एक-दोन vertices वाढवल्यावर अचानक बदलू शकते. त्यामुळे अनौपचारिक pattern recognition अशा क्षेत्रांच्या तुलनेत कमी विश्वासार्ह ठरते जिथे कमी-क्रमाच्या उदाहरणांमध्ये मोठ्या संरचनांचे अधिक विश्वासार्ह प्रतिबिंब दिसते.

अशा वातावरणात स्वयंचलित प्रणाली नैसर्गिकरित्या उपयुक्त ठरतात. त्या मानव सहज तपासतात त्या मर्यादेपलीकडे जाऊ शकतात, मोठ्या प्रमाणावर cases मोजू शकतात, आणि सुरुवातीला सहज न वाटणाऱ्या विचित्र बांधण्या शोधू शकतात. एखाद्या गणितज्ञाकडे एखादे विधान खरे असावे अशी चांगली संकल्पनात्मक जाणीव असू शकते, तर मशीन त्या अंतर्ज्ञानाला अवकाशातील अधिक विचित्र कोपऱ्यांतही तग धरतो का हे सातत्याने तपासू शकते.

यातून मिळणारा धडा असा नाही की गणितज्ञ कालबाह्य होतात. उलट, त्यांची भूमिका बदलते. कोणते प्रश्न महत्त्वाचे आहेत हे अजूनही माणसेच ठरवतात, एखाद्या बांधणीचे महत्त्व मोजतात, ती का कार्य करते यामागचे संरचनात्मक कारण ओळखतात, आणि raw computational output ला भक्कम गणिती कथनात रूपांतरित करतात. पण शोधाचे मैदान बदलत आहे. जेव्हा मशीन निर्णायक उदाहरणे अधिक वेगाने आणि अधिक वेळा पुढे आणू शकतात, तेव्हा conjecture तयार करणेही अधिक शिस्तबद्ध आणि अधिक प्रतिद्वंद्वी स्वरूपाचे होऊ शकते, आणि संशोधक एखाद्या कल्पनेच्या सुरुवातीच्या टप्प्यापासूनच आक्रमक मशीन तपासणीची अपेक्षा करू शकतात.

पुढे काय

तात्काळ प्रश्न पडताळणीचा आहे. कथित प्रतिदर्श केवळ तेव्हाच गणिती नोंदी बदलतो, जेव्हा तज्ज्ञ खात्री करतात की तो नेमक्या औपचारिक अटींनुसार खरोखरच त्या गृहितकाचे उल्लंघन करतो. New Scientist हे निष्कर्ष मोठी घडामोड म्हणून सादर करतो, पण त्याचे दीर्घकालीन महत्त्व समाज ते कसे validate, interpret, आणि extend करतो यावर अवलंबून असेल.

जर हा निकाल टिकून राहिला, तर तो अनेक संशोधकांना आधीच आत्मसात करायला जड जात असलेल्या प्रवृत्तीला बळ देईल. AI discovery-oriented कामात assistant वरून collaborator कडे सरकत आहे, विशेषतः जिथे search space मोठा आहे पण यशाची अट स्पष्ट आहे अशा क्षेत्रांमध्ये. गणित हे विशेष दिसणारे test case आहे, कारण output सिद्धांततः अचूकतेने तपासता येतात. त्यामुळे अनेक इतर बौद्धिक क्षेत्रांच्या तुलनेत hype आणि substance वेगळे करणे सोपे होते.

तरीही सामाजिक परिणाम एका गृहितकापेक्षा मोठा असू शकतो. गणितज्ञांची एक पिढी आता अशा शक्यतेला सामोरी जात आहे की साध्या भाषेत prompt केलेल्या, तासन्‌तास चालणाऱ्या, आणि माणसांनी कल्पनाही न केलेल्या वस्तू परत देणाऱ्या प्रणालींमधून मौल्यवान insight निर्माण होऊ शकतो. यामुळे अस्वस्थता, उत्साह किंवा दोन्ही काहीही निर्माण झाले, तरी discovery कशी घडू शकते यात हा एक अर्थपूर्ण बदल दर्शवतो.

हा लेख New Scientist च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.