AI-யின் கணித முன்னேற்றம் ஆராய்ச்சி பணியை மறுசிந்திக்க வைக்கிறது

AI இப்போது கணித உதவியாளரிலிருந்து கணித நடவடிக்கையாளர் ஆக மாறுகிறது

பல ஆண்டுகளாக செயற்கை நுண்ணறிவு ஆராய்ச்சிக்கான நம்பத்தகுந்த ஆதரவு கருவியாகவே விவரிக்கப்பட்டு வந்தது. கணிதத்தில், அந்த framing இப்போது மிகக் குறுகியது போலத் தோன்றத் தொடங்கியுள்ளது. சமீபத்திய AI-இணைந்த முடிவுகளின் தொடர்ச்சி, ஒரு நீண்டநாள் திறந்திருந்த புகழ்பெற்ற conjecture-க்கு எதிரான ஒரு முக்கிய சவாலால் நிறைவு பெற்றது, இது கணிதவியலாளர்களை ஒரு கடினமான கேள்வியை எதிர்கொள்ள வைக்கிறது: இந்த அமைப்பு ஆராய்ச்சியின் paperwork-க்கு மட்டும் உதவாமல், மனிதர்கள் தசாப்தங்களாக எட்ட முடியாத முன்னேற்றங்களுக்கே பங்களிக்கத் தொடங்கும் போது என்ன நடக்கிறது?

வழங்கப்பட்ட அறிக்கையின் படி, ஒரு முக்கிய திருப்புமுனை 2026 மே மாதத்தில் ஏற்பட்டது; அப்போது OpenAI, 1946 முதல் திறந்தவையாக இருந்ததும் Paul Erdos-க்கு தொடர்புடைய திறந்த கேள்விகளின் பரந்த வலையுடன் இணைந்ததுமான geometric graph theory பிரச்சினையான Unit Distance Conjecture-க்கு ஒரு counterexample-ஐ வெளியிட்டது. கணிதத்தில் counterexample-கள் முக்கியமானவை, ஏனெனில் அவை ஒரு பழைய எண்ணத்தை மெதுவாகக் குறைத்து விடுவதைக் காட்டிலும் அதிகம் செய்கின்றன. அவை திடீரென ஒரு ஆய்வுத் திசையை மூடி, பல புதிய திசைகளைத் திறக்க முடியும்; இதனால் ஆராய்ச்சியாளர்கள் ஆண்டுகளாக வழிகாட்டியாக வைத்திருந்த கருதுகோள்களை மறுபரிசீலனை செய்ய வேண்டியதாகிறது.

மூலப் பொருள் சொல்வதுபோல், அந்த நிகழ்வின் முக்கியத்துவம் முடிவில் மட்டும் இல்லை. அதற்குப் பின் என்ன நடந்தது என்பதே முக்கியம். ஒரு வாரத்துக்குள், மனித ஆராய்ச்சியாளர்கள் அந்த proof technique-ஐ ஏற்றுக்கொண்டு, அதையே பயன்படுத்தி இன்னொரு பெரிய conjecture-ஐ மறுத்ததாக கூறப்படுகிறது. இது ஒரு முறை நடந்த புதுமை அல்ல; ஒரு feedback loop போலத் தெரிகிறது: AI ஒரு பயனுள்ள முன்னேற்றத்தை உண்டாக்குகிறது, கணிதவியலாளர்கள் அந்த முறையை உள்வாங்குகிறார்கள், பின்னர் இணைந்த வேகம் மேலும் கண்டுபிடிப்பை துரிதப்படுத்துகிறது.

தனிப்பட்ட முடிவிலிருந்து தொடர்ச்சியான முறை வரை

சமீபத்திய செயல்பாட்டின் எழுச்சி ஒரே புகழ்பெற்ற உதாரணத்தைவிட விரிவானதாகத் தெரிகிறது. மூல உரை AI கணிதத்தில் ஈடுபடும் ஒரு நிலையான ஓட்டத்தை விவரிக்கிறது; இதில் counterexample-கள் கண்டறிதல், பரந்த patterns-ஐ அடையாளம் காணுதல், மற்றும் வாதங்களை machine-checkable proofs-ஆக மாற்றுவதற்கு உதவுதல் ஆகியவை அடங்கும். FrontierMath benchmark-க்கு பெயர்பெற்ற Epoch AI, தனது open-problems track-இல் இரண்டாவது solution-ஐ அறிவித்துள்ளது. OpenAI தனது Astra model-ஐ பத்து விதமான கடினத்தன்மை நிலைகளில் தீர்வுகளுடன் அறிமுகப்படுத்தியது; இது முன்னணி lab-கள் advanced mathematical reasoning-ஐ benchmark என்றும் நடைமுறை research domain என்றும் increasingly பார்க்கின்றன என்பதைக் காட்டுகிறது.

இது முக்கியமானது, ஏனெனில் கணிதம் நீண்ட காலமாக reasoning quality-க்கு ஒரு கடுமையான சோதனையாகக் கருதப்பட்டுள்ளது. சீராக எழுதப்பட்ட உரை உருவாக்குவது ஒன்று; ஒரு திறந்த conjecture-ஐச் சமாளிப்பது வேறு. AI அமைப்புகள் தொடர்ச்சியாக உண்மையான ஆராய்ச்சி பிரச்சினைகளில் உதவ முடிந்தால், உரையாடல் அவை கணித மொழியைப் போல நடிக்க முடியுமா என்பதிலிருந்து, அவை நம்பத்தகுந்த வகையில் கணிதக் கண்டுபிடிப்பில் பங்கேற்க முடியுமா என்பதற்குத் திசைமாறுகிறது.

மூலப் பொருள் துறையின் உள்ளே ஏன் எதிர்வினைகள் இவ்வளவு கலந்தவையாக உள்ளன என்பதையும் காட்டுகிறது. சில கணிதவியலாளர்கள் இந்த அமைப்புகளை சக்திவாய்ந்த கூட்டாளிகளாகக் கருதுகிறார்கள். Queen Mary University of London-இன் பேராசிரியர் Abhishek Saha, தன் துறையில் frontier AI models குறைந்தபட்சம் ஒரு திறமையான, சோர்வடையாத PhD மாணவருக்கு இணையானவை என எழுதினார். GPT-5.5 Pro உடன் ஒரு முழு நாளை செலவிட்டு, வழக்கமான வேலைகளைச் செய்ததாகவும், அது முன்னர் வாரங்கள் எடுத்திருக்கும் என்றும், அந்த அனுபவம் தன் பங்கினை அனைத்தையும் தனியாகச் செய்வதிலிருந்து ஒரு conductor போல பணியை நடத்துவதற்குத் தள்ளியதாகவும் அவர் கூறினார்.

அந்த ஒப்பீடு விளக்கமானது. AI expert judgment, taste, அல்லது strategic decision-making-ஐ மாற்றிவிட்டது என்று அது கூறவில்லை. மாறாக, அது புதிய வேலைப்பங்கீட்டை சுட்டுகிறது. மனித ஆராய்ச்சியாளர் இலக்குகளை நிர்ணயிக்கிறார், வாதங்களைச் சரிபார்க்கிறார், மற்றும் எது முக்கியம் என்பதை முடிவு செய்கிறார். மாதிரி ஆய்வை வேகப்படுத்துகிறது, தொழில்நுட்ப நிலப்பரப்பில் வழிகளை வரைந்து தருகிறது, மேலும் ஒரு நபர் தனியாக நியாயமாகச் செய்ய முடியாத அளவுக்கு trial work-ஐ கையாள்கிறது.

தொழில் இப்போது திறனை மட்டும் அல்ல, ஏற்புகொள்வதையும் விவாதிக்கிறது

ஆழமான பதற்றம் பண்பாட்டியல் சார்ந்ததும் கூட. கணிதம் originality, rigor, மற்றும் தனிப்பட்ட insight-க்கு விசேஷ மதிப்பளிக்கிறது. கடினமாகப் பெற்ற proofs-ஐ மையமாகக் கொண்ட துறை, வாரங்கள் எடுத்த தொழில்நுட்ப முயற்சியை ஒரு நாளில் சுருக்கும் கருவியை எளிதில் ஏற்காது. மூல அறிக்கை இந்தப் பிளவைக் தெளிவாகப் பதிவு செய்கிறது. Saha-வின் வாதம், பல கணிதவியலாளர்கள் தற்போதைய அமைப்புகள் ஏற்கனவே என்ன செய்ய முடியும் என்பதை இன்னும் உணரவில்லை என்பதும், துறை early adopters மற்றும் holdouts ஆகப் பிரியும் என்பதும் ஆகும்.

அந்த பிளவு careers, training, மற்றும் collaboration norms-ஐ வடிவமைக்கும். AI ஒரு standard research instrument ஆக மாறினால், graduate education higher-level problem selection, verification, மற்றும் synthesis-ஐ மையமாகக் கொண்டதாக மாறலாம். வழக்கமான derivations மற்றும் exploratory dead ends-ல் மனித நேரம் குறைவாகச் செலவாகலாம். அதே நேரத்தில், துறையின் prestige structure-க்கும் அழுத்தம் ஏற்படலாம். ஒரு மாதிரி தீர்க்கமான யோசனையை வெளிப்படுத்தவோ அல்லது மறைந்த counterexample-ஐக் கண்டுபிடிக்கவோ முடிந்தால், கணிதவியலாளர்கள் credit, authorship, மற்றும் தனிப்பட்ட பங்களிப்பின் அர்த்தம் குறித்து முடிவு செய்ய வேண்டியதாக இருக்கும்.

இந்த விவாதம் அவசரமாக உணரப்படுவதற்கான ஒரு நடைமுறை காரணமும் உள்ளது. ஒரு குழு research time-ஐ குறிப்பிடத்தக்க அளவில் குறைக்கும் கருவிகளை ஏற்றுக்கொண்டவுடன், போட்டியில் நிலைத்து நிற்க மற்ற குழுக்களும் அவற்றைப் பின்பற்ற வேண்டிய அழுத்தத்தில் இருக்கலாம். இது அறிவியல் மற்றும் பொறியியலில் பழக்கமான pattern; ஆனால் கணிதம் பாரம்பரியமாக வேறு வேகத்தில் நகர்ந்துள்ளது. இங்கு, அந்த வேக உயர்வே shock-இன் ஒரு பகுதியாக இருக்கலாம்.

அதுபோலவே, வழங்கப்பட்ட material ஒரு எளிய replacement narrative-ஐ ஆதரிக்கவில்லை. மிகவும் நம்பிக்கையூட்டும் குரல்கள்கூட AI-யை மனித workflow-இல் உட்பொதிந்த ஒரு கருவியாகவே விவரிக்கின்றன, தன்னாட்சி கொண்ட கணித சமூகமாக அல்ல. எந்தக் கேள்விகள் முக்கியம், ஒரு முடிவு சுவாரசியமானதா அல்லது வெறும் சரியானதா, மற்றும் தனித்த முடிவுகளை பரந்த கோட்பாட்டுடன் எப்படி இணைப்பது என்பதைத் தீர்மானிக்க ஆராய்ச்சியாளர்கள் இன்னும் தேவை. இயந்திரம் proofs அல்லது counterexample-களை உருவாக்கலாம், ஆனால் அந்த வெளியீடுகளின் முக்கியத்துவத்தை மனித கணிதவியலாளர்களே வரையறுக்கிறார்கள்.

இந்தத் தருணம் கணிதத்துக்கு அப்பாலும் ஏன் முக்கியம்

சமீபத்திய முன்னேற்றங்கள் pure math-க்கு வெளியேவும் முக்கியமானவை, ஏனெனில் அவை advanced AI பற்றிய ஒரு பரந்த கூற்றைச் சோதிக்கின்றன: இந்த அமைப்புகள் இப்போது ஏற்கனவே உள்ள தகவலை மட்டும் மறுசீரமைப்பதற்குப் பதிலாக, குறிப்பிட்ட துறைகளில் புதிய அறிவை உருவாக்கக்கூடும் என்பதே அது. கணிதம் மிகவும் கடுமையான வழக்கு; ஏனெனில் அங்கு தரநிலைகள் மன்னிக்காதவை. ஒரு செல்லுபடியாகும் proof, ஒரு செல்லுபடியாகும் counterexample, அல்லது ஒரு machine-checkable argument பல மென்மையான அறிவு பணிகளைவிட தெளிவான signal-ஐ வழங்குகிறது.

அந்த pattern தொடர்ந்தால், AI மற்ற நிபுணர் வேலைகளை எப்படித் மாற்றுகிறது என்பதற்கான ஒரு ஆரம்ப மாதிரியாக கணிதம் மாறலாம். நிபுணர்களை நீக்குவதால் அல்ல, ஆனால் நிபுணத்துவம் எதற்காக செலவிடப்படுகிறது என்பதை மாற்றுவதால். கேள்விகளை வடிவமைத்தல், ஆச்சரியமான outputs-ஐ ஆராய்தல், மற்றும் முடிவுகளை ஒருங்கிணைந்த அறிவுக் கட்டமைப்பில் இணைத்தல் ஆகியவற்றுக்கு அதிக நேரம் செல்லலாம். brute-force exploratory labor-க்கு குறைவான நேரம் செல்கலாம்.

இப்போது, வழங்கப்பட்ட அறிக்கையிலிருந்து ஆதரிக்கக்கூடிய வலுவான முடிவு இன்னும் குறுகியதுதான், ஆனால் முக்கியமானது: AI-உதவியுடன் கணிதம் ஒரு சுவாரசிய வாய்ப்பிலிருந்து செயலில் உள்ள ஆராய்ச்சி சக்தியாக மாறியுள்ளது. முடிவு ஒருமித்த கருத்து அல்ல. அது புதிய திறனின் அர்த்தத்தைப் பற்றிப் பேசிக்கொண்டிருக்கும் ஒரு தொழில், அதை இனி புறக்கணிக்க முடியாத அளவுக்கு அது பயனுள்ளதாகிவிட்டது.

இந்தக் கட்டுரை The Decoder செய்திப்பரப்புதலை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.