கணிதத்தைத் தாண்டி AI-யின் அறிவியல் வரம்பு விரிவடைகிறது

கணிதச் சான்றிலிருந்து விரிவான அறிவியல் கோட்பாட்டை நோக்கி AI நகர்கிறது

கணிதத்திற்கு அப்பாற்பட்ட துறைகளில் உள்ள கோட்பாட்டுக் கேள்விகளில் செயற்கை நுண்ணறிவு அமைப்புகள் அளவிடக்கூடிய முன்னேற்றத்தை காட்டத் தொடங்கியுள்ளன என்று MIT ஆய்வாளர் நீல் தாம்சன் விவாதித்த ஆய்வு தெரிவிக்கிறது. கணிதத்தின் சில பகுதிகளில் தற்போது காணப்படும் திறன் வளர்ச்சி நிகழ்தகவு, புள்ளியியல், பொருளாதாரம், உயர் ஆற்றல் கோட்பாடு, ஈர்ப்பு, அண்டவியல் மற்றும் குவாண்டம் இயற்பியல் ஆகிய துறைகளுக்கும் விரிவடையக்கூடும் என்று இந்தப் பகுப்பாய்வு சுட்டிக்காட்டுகிறது.

AI விஞ்ஞானிகளை மாற்றிவிட்டது என்றோ, அது தனியாக நவீன ஆய்வுத் திட்டத்தை நடத்த முடியும் என்றோ இந்தக் கண்டுபிடிப்பு கூறவில்லை. பின்னர் ஆய்வுக் கட்டுரைகளில் பதில்கள் நிறுவப்பட்ட கோட்பாட்டுச் சிக்கல்களைத் தீர்ப்பது என்ற குறுகியதானாலும் முக்கியமான பணியில் இந்த ஆய்வு கவனம் செலுத்தியது. அந்தத் துறைகளில், 2024 ஆம் ஆண்டின் நடுப்பகுதியிலிருந்து 2026 ஆம் ஆண்டின் நடுப்பகுதி வரை வலுவான மாடல்களின் வெற்றி விகிதத்தில் கூர்மையான முன்னேற்றத்தை ஆய்வாளர்கள் கண்டனர்.

இந்தப் போக்கு முக்கியமானது; ஏனெனில் பரிசோதனை அறிவியல் சார்ந்திருக்கும் மொழி, மாடல்கள் மற்றும் முன்கணிப்புகளை கோட்பாட்டுப் பணி பெரும்பாலும் வழங்குகிறது. அந்தப் பணியின் சில பகுதிகளை ஆய்வு செய்ய ஆய்வாளர்கள் AI-யை நம்பகமாகப் பயன்படுத்த முடிந்தால், அதன் தாக்கம் தனிப்பட்ட கணக்கீடுகளில் மட்டுமல்லாமல் அறிவியல் விசாரணையின் வேகம் மற்றும் அமைப்பிலும் வெளிப்படலாம்.

சிறிய அளவிலான சிக்கல்களிலிருந்து மூன்றில் ஒரு பங்கைக் கடந்த நிலைக்கு

கேப்ரியல் மான்சோ மற்றும் கிளாடியோ மயிரிங்க் வெர்டுனுடன் இணைந்து தாம்சன் நடத்திய ஆய்வு, 2025 டிசம்பர் முதல் 2026 மே வரை வெளியிடப்பட்ட ஆய்வுக் கட்டுரைகளிலிருந்து எடுக்கப்பட்ட சிக்கல்களில் பல OpenAI மாடல்களைச் சோதித்தது. o1, o3, GPT-5, GPT-5.1, GPT-5.4 மற்றும் GPT-5.5 உள்ளிட்ட மாடல்களை குழு ஆய்வு செய்தது.

மதிப்பீட்டில் இடம்பெற்ற கோட்பாட்டுத் துறைகள் முழுவதும், சிறந்த அமைப்புகள் 2024 நடுப்பகுதியில் சுமார் 2% சிக்கல்களைச் சரியாகத் தீர்த்த நிலையில் இருந்து 2026 நடுப்பகுதியில் சுமார் 35% ஆக உயர்ந்தன. இது இன்னும் பொதுவான திறனிலிருந்து வெகு தொலைவில் உள்ளது; சரியாகத் தோன்றும் ஒவ்வொரு பதிலும் நம்பகமானது என்றும் அர்த்தமில்லை. இருப்பினும், இந்த உயர்வின் அளவு குறிப்பிடத்தக்கது: அரிதாக வெற்றி பெறும் கருவி ஒரு ஆர்வக்குறியாக இருக்கலாம்; ஆனால் ஒரு பெஞ்ச்மார்க்கில் குறிப்பிடத்தக்க பங்களிப்புகளைச் செய்யக்கூடிய கருவி வழக்கமான ஆய்வுப் பணியின் ஒரு பகுதியாக மாறலாம்.

மொழி மாடல்களைச் சோதிப்பதில் உள்ள ஒரு முக்கியக் கவலையை குறைக்க ஆய்வாளர்கள் மதிப்பீட்டை வடிவமைத்தனர்: ஒரு அமைப்பு பயிற்சியின் போது சந்தித்த தகவலை வெறுமனே மீண்டும் உருவாக்குகிறதா என்பதே அந்தக் கவலை. தொடர்புடைய தீர்வுகள் பின்னர் வெளியான பதிப்புகளில் தோன்றுவதற்கு முன்பே பதிவேற்றப்பட்ட ஆய்வுக் கட்டுரைகளிலிருந்து சிக்கல்கள் எடுக்கப்பட்டன; வெளியிடப்பட்ட தீர்வுகள் சரியான அடிப்படையாகப் பயன்படுத்தப்பட்டன. சோதனையின் போது இணைய அணுகல் தடுக்கப்பட்டதால், அமைப்புகள் இணையத்தில் இருந்து பதிலைப் பெற முடியவில்லை.

இந்த அமைப்பு பெஞ்ச்மார்க் அடிப்படையிலான மதிப்பீட்டின் ஒவ்வொரு வரம்பையும் அகற்றாது. இருப்பினும், இது சிக்கல் தீர்ப்பை நேரடி தேடல் அல்லது மனப்பாடத்திலிருந்து வேறுபடுத்த முயல்கிறது. எனவே, அணுகக்கூடிய பயிற்சித் தரவுகளில் பதில் இல்லாத குறைந்தது சில கேள்விகளுக்குத் தீர்வுகளைச் சோதிக்கப்பட்ட மாடல்கள் உருவாக்க முடிந்தன என்பதற்கான ஆதாரமாக இந்த ஆய்வு முடிவு விளங்குகிறது.

வரையறுக்கப்பட்ட முடிவு; பொதுவான அறிவியல் மாற்று அல்ல

இந்தப் பணியின் வரம்பு முக்கியமானது. சிமுலேஷன்களை இயக்கவோ உடல் பரிசோதனைகளை நடத்தவோ தேவையில்லாமல் மாடல்கள் சிக்கல்களை அணுகக்கூடிய துறைகளில் குழு கவனம் செலுத்தியது. அறிவியலின் பெரும்பகுதியை குறியீட்டு தர்க்கத்தால் மட்டும் விளக்க முடியாது. ஆய்வகப் பணி, கருவி வடிவமைப்பு, களக் கண்காணிப்பு, தரவு சேகரிப்பு, சிமுலேஷன் மற்றும் மறுபரிசோதனை ஆகியவை உலகம் எவ்வாறு இயங்குகிறது என்பதை கண்டறிவதில் இன்றும் அத்தியாவசியமானவை.

கோட்பாடு சார்ந்த துறைகளுக்குள்ளும் சரியான தீர்வு என்பது பயனுள்ள ஆய்வுப் பங்களிப்புக்கு இணையானதல்ல. விஞ்ஞானிகள் கருதுகோள்களை மதிப்பிட வேண்டும், பயனுள்ள கேள்விகளைத் தேர்ந்தெடுக்க வேண்டும், முடிவுகளை விளக்க வேண்டும், முன்வைக்கப்பட்ட வாதம் தீவிர ஆய்வில் நிலைத்திருக்கிறதா என்பதைத் தீர்மானிக்க வேண்டும். இவை தொழில்நுட்ப செயல்முறைகள் மட்டுமல்ல; சக மதிப்பாய்வு, விவாதம் மற்றும் சேர்க்கப்பட்ட ஆதாரங்களை உள்ளடக்கிய சமூக செயல்முறைகளும் ஆகும்.

இருப்பினும், ஆய்வுக்குத் தேர்ந்தெடுக்கப்பட்ட துறைகள் புறக்கணிக்கத்தக்கவை அல்ல. நிகழ்தகவு மற்றும் புள்ளியியல் அறிவியல் மற்றும் தொழில்துறை முழுவதும் முடிவெடுப்பை வடிவமைக்கின்றன. பொருளாதாரக் கோட்பாடு கொள்கை மற்றும் சந்தைப் பகுப்பாய்வை பாதிக்கிறது. உயர் ஆற்றல் இயற்பியல், அண்டவியல் மற்றும் குவாண்டம் இயற்பியல் ஆகியவை, ஒரு கேள்வி கண்டறிபான், தொலைநோக்கி அல்லது ஆய்வகக் கருவியை அடைவதற்கு முன், சுருக்கமான தர்க்கம் முன்னேற்றத்தில் மையப் பங்கு வகிக்கக்கூடிய துறைகள்.

இந்தத் துறைகளில் வழக்கமான அல்லது இடைநிலைப் பணிகளில் அதிகப் பகுதியை AI கையாளத் தொடங்கினால், உடனடி தாக்கம் சமமாக இருக்காது. சாத்தியமான அணுகுமுறைகளை உருவாக்க, கணிதப் பெறுபேறுகளைச் சரிபார்க்க, மாற்று வடிவங்களை ஆராய அல்லது தொடக்கநிலைப் பகுப்பாய்வை விரைவுபடுத்த ஆய்வாளர்கள் இதைப் பயன்படுத்தலாம். இந்தப் பயன்பாடுகளின் மதிப்பு சரிபார்ப்பைப் பொறுத்தே இருக்கும். தவறான முடிவை நோக்கி வேகமாகச் செல்லும் பாதை, மெதுவான கணக்கீட்டைப் போலவே திறம்பட நேரத்தை வீணாக்கலாம்.

கணிதத்தின் முன்னுதாரணம் எதிர்பார்ப்புகளை வடிவமைக்கிறது

கணிதம் ஏற்கனவே AI திறனின் மிகவும் வெளிப்படையான விளக்கங்களை எதிர்கொண்டு வரும் நேரத்தில் இந்தப் புதிய மதிப்பீடு வெளியாகியுள்ளது. திரவ இயக்கத்தை விவரிக்கும் Navier-Stokes சமன்பாடுகள் தொடர்பான நீண்டகாலப் பெரும் சவாலை வெளியிடப்படாத ஒரு மாடல் தீர்த்ததாக OpenAI சமீபத்தில் அறிவித்தது. அந்த நிகழ்வு சர்ச்சையை ஏற்படுத்தியது; கணிதம் மற்றும் AI தொடர்பான அசாதாரணக் கூற்றுகளுக்கு கவனமான சுயாதீன ஆய்வு தேவை என்பதை அது வலியுறுத்தியது.

தாம்சனின் பார்வையில், கோட்பாட்டுத் துறைகளில் AI-யின் பங்கு விரைவாக மாறக்கூடிய ஒரு காலகட்டத்தை அவை அணுகக்கூடும் என்பதே பரந்த விளைவு. சில ஆண்டுகளுக்குள் இந்த அமைப்புகள் செய்யக்கூடியவற்றால் பல கோட்பாட்டுக் கேள்விகள் மாற்றமடையும் என அவர் எதிர்பார்க்கிறார். அந்த எதிர்பார்ப்பு ஆய்வின் போக்குக் கோட்டையே அடிப்படையாகக் கொண்டது; எந்த ஒரு குறிப்பிட்ட துறையும் முழுமையாக தானியக்கமாகிவிடும் என்பதற்கான நிரூபணம் அல்ல.

அருகிலுள்ள எதிர்காலத்தின் மிகவும் சாத்தியமான வடிவம் தனிமையானதல்ல, கூட்டுறவானது: விஞ்ஞானிகள் ஆய்வுத் திட்டங்களையும் தரநிலைகளையும் நிர்ணயிப்பார்கள்; AI அமைப்புகள் சிக்கல் ஆராய்ச்சியின் அதிகரித்து வரும் பகுதியை ஏற்றுக்கொள்ளும். இது மேம்பட்ட பகுப்பாய்வுக் கருவிகளுக்கான அணுகலை விரிவுபடுத்தலாம்; அதேவேளை இயந்திரம் உருவாக்கிய பணியைச் சரிபார்க்கும் திறனையும் அதிக மதிப்புடையதாக மாற்றலாம். பங்களிப்புகளுக்கு எவ்வாறு கௌரவம் வழங்குவது, மாணவர்களுக்கு எவ்வாறு பயிற்சி அளிப்பது, நுணுக்கமான தவறுகளை கண்டறியத் தேவையான சுயாதீன நிபுணத்துவத்தை எவ்வாறு பாதுகாப்பது என்பதை ஆய்வு நிறுவனங்கள் தீர்மானிக்க வேண்டியிருக்கும்.

அடுத்து கவனிக்க வேண்டியவை

• பின்னோக்கி நடத்தப்படும் மதிப்பீடுகளில் மட்டும் அல்லாமல், புதிதாக உருவாக்கப்பட்ட சிக்கல்களிலும் செயல்திறன் மேம்பாடுகள் நீடிக்கிறதா.
• நிபுணர் மதிப்பாய்வு மற்றும் முறையான சரிபார்ப்புக்குப் பிறகு மாடல்கள் உருவாக்கிய தீர்வுகள் எவ்வளவு அடிக்கடி சரியாக இருக்கின்றன.
• சிமுலேஷன்கள், பரிசோதனைகள் அல்லது சிறப்புத் தரவு தேவைப்படும் சூழல்களிலும் அமைப்புகள் பயனுள்ள பங்களிப்பைச் செய்யுமா.
• AI வழக்கமான ஆய்வுக் கருவியாக மாறும்போது, அறிவியல் குழுக்கள் ஆசிரியர் உரிமை, பயிற்சி மற்றும் தரக் கட்டுப்பாட்டு நடைமுறைகளை எவ்வாறு மாற்றியமைக்கின்றன.

அறிவியல் கோட்பாட்டுச் சிக்கல்களைத் தீர்ப்பதற்கான இயல்புநிலை முறையாக AI மாறும் என்பதை இந்த ஆய்வு நிரூபிக்கவில்லை. ஆனால் அந்த வாய்ப்பு இப்போது ஏன் தீவிரமாக எடுத்துக்கொள்ளப்படுகிறது என்பதை இது காட்டுகிறது. இரண்டு ஆண்டுகளுக்கும் குறைவான காலத்தில், சோதிக்கப்பட்ட வலுவான அமைப்புகள் தேர்ந்தெடுக்கப்பட்ட கேள்விகளில் ஒரு சிறிய பகுதியைத் தீர்ப்பதிலிருந்து மூன்றில் ஒரு பங்குக்கும் அதிகமானவற்றைத் தீர்க்கும் நிலைக்கு உயர்ந்துள்ளன. கடினமான தர்க்கத்தை அடிப்படையாகக் கொண்ட துறைகளுக்கு இது நெருக்கமாகக் கவனிக்க வேண்டிய மாற்றமாகும்.

இந்தக் கட்டுரை Wired-ன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.