AI 30 ఏళ్ల గ్రాఫ్ సిద్ధాంత ఊహకు ప్రతివాదాన్ని కనుగొంది

దీర్ఘకాలంగా నిలిచిన గ్రాఫ్ సిద్ధాంత అభిప్రాయానికి AI సవాలు విసిరింది

గ్రాఫ్ సిద్ధాంతంలో 30 ఏళ్ల పాత ఒక ఊహ, ఒక AI వ్యవస్థ కొద్దిగంటల్లోనే ఒక ప్రతివాదాన్ని సృష్టించడంతో కూలిపోయినట్లు చెబుతున్నారు. New Scientist ప్రకారం, AI స్టార్టప్ Autokernel సహ-స్థాపకుడు Dmitry Rybin, Dinitz-Garg-Goemans ఊహకు ఒక నిర్మిత ప్రతివాదాన్ని వెతకడానికి ChatGPT 5.6 Pro ని ఉపయోగించారు; ఈ ఫలితం దశాబ్దాలుగా combinatorics మరియు optimization లో ఓపెన్ ప్రశ్నగా నిలిచింది.

ఆ నివేదికలో Rybin మొత్తం నాలుగు prompts మాత్రమే ఉపయోగించారని, అవి 60 పదాల కంటే తక్కువగా ఉన్నాయని, మరియు మోడల్ సుమారు 5.5 గంటలు శోధించిన తరువాత ఆ ఊహ తప్పు అని చూపే ఒక నిర్మాణాన్ని తిరిగి ఇచ్చిందని చెబుతోంది. ఆ ప్రతివాదం నిపుణుల కఠిన పరిశీలనలో నిలబడి ఉంటే, ఈ ఘటన వేగంగా మారుతున్న ఒక నమూనాలో మరో ముఖ్యమైన క్షణంగా నిలుస్తుంది: AI వ్యవస్థలు ఇక సాధారణ proof పనికి లేదా symbolic manipulation కి మాత్రమే సహాయపడటం కాదు, ఇప్పటికే స్థిరపడిన గణిత ప్రశ్నల స్థితిని మార్చగల కొత్త వస్తువులను కూడా ఎక్కువగా వెలికి తెస్తున్నాయి.

ప్రతివాదాలకు గణితంలో ప్రత్యేక స్థానం ఉంది కాబట్టి ఈ మార్పు ముఖ్యమైనది. ఒక theorem అనేక ప్రత్యేక సందర్భాల్లో సంవత్సరాల పాటు తనిఖీని తట్టుకుని నిలబడగలదు, కానీ ఒకే ఒక చెల్లుబాటు అయ్యే మినహాయింపు సాధారణ దావాను కూల్చడానికి సరిపోతుంది. చిన్న ఉదాహరణల pattern ల నుంచి అంతర్దృష్టి నిర్మితమయ్యే రంగాల్లో, ఒక నియమాన్ని భంగం చేసే మొదటి వస్తువును కనుగొనడం అనూహ్యంగా కష్టంగా ఉండొచ్చు. ఇదే పెద్ద స్థాయి స్వయంచాలక అన్వేషణకు ప్రయోజనం ఉండే శోధన సమస్య రకం.

ఆ ఊహ ఏమి చెప్పాలని ప్రయత్నించింది

Dinitz-Garg-Goemans ఊహ గ్రాఫ్ సిద్ధాంతానికి చెందినది, ఇది vertices మరియు edges తో నిర్మితమైన networks అధ్యయనం. New Scientist ఈ దావాను ఒక logistics ఉపమానంతో వివరిస్తుంది. ఒక warehouse నుంచి అనేక destinations కు shipments బయల్దేరుతున్నాయని ఊహించండి. సమస్య యొక్క ఒక రూపంలో, shipments ను చిన్న భాగాలుగా విభజించి విడిగా మార్గనిర్దేశం చేయవచ్చు. ఈ అనువైన ఏర్పాటును, shipments విడగొట్టకుండా ఉండే మరో అమరికగా మార్చవచ్చని, మొత్తం ఖర్చు పెంచకుండా, ఆ ఊహ సూచించింది.

ఇలాంటి ప్రకటన ఆకర్షణీయంగా ఉంటుంది, ఎందుకంటే అస్పష్టమైన వాస్తవ ప్రపంచ optimization కొన్నిసార్లు మరింత శుభ్రమైన, విశ్లేషించడానికి సులభమైన రూపాలకు తగ్గించవచ్చని అది సూచిస్తుంది. అది నిజమైతే, split మరియు unsplit flow సందర్భాల మధ్య నమ్మదగిన వంతెన ఉందని ఆ ఊహ సూచించేది. కానీ నివేదించిన ప్రతివాదం, ఆ వంతెన ఎల్లప్పుడూ ఉండదని చూపుతోంది. ఈ networks నిర్మాణంలో ఎక్కడో, shipments ను విభజించకపోవడం economics ను ఆ ఊహ చెప్పిన విధంగా కాకుండా మార్చే సందర్భాలు ఉన్నాయి.

నిపుణులకు, దీని అర్థం మొత్తం రంగం కూలిపోవడం కాదు. దీని అర్థం సరిహద్దులు మరింత పదునెక్కడం. ఇప్పుడు పరిశోధకులు ఆ ఊహ ఎక్కడ విఫలమవుతుందో, పరిమిత రూపాలు ఇంకా నిలబడుతున్నాయో లేదో, మరియు ఏ గ్రాఫ్ తరగతులు కావలసిన ప్రవర్తనను నిలుపుతాయో అడగవచ్చు. ఒక తప్పు ఊహ, ఒక నిజమైన ఊహంతటి ఉత్పాదక పనిని సృష్టించగలదు; ఎందుకంటే అది విస్తృతమైన కానీ అసమగ్రమైన సిద్ధాంతాన్ని మరింత ఖచ్చితమైన పటంతో భర్తీ చేయమని రంగాన్ని బలవంతం చేస్తుంది.

ఈ కేసు ఎందుకు దృష్టి ఆకర్షిస్తోంది

ప్రతిస్పందనలో ఒక భాగం prompting లో కనిపించే సులభత నుంచి వస్తోంది. New Scientist ఉటంకించినట్లుగా, Rybin X లో తాను ఈ సమస్యపై అనేక వారాలు ఆలోచించానని చెప్పాడు. అయినప్పటికీ, వ్యాసంలో వివరించిన prompts చాలా తక్కువ: breakthrough ప్రతివాదం కనుగొనమని ఒక ప్రారంభ ఆదేశం, ఆపై శోధన కొనసాగించమనే పునరావృత అభ్యర్థనలు. ఈ వ్యత్యాసమే కథనానికి కేంద్రంగా మారింది. ఆసక్తి AI భాగస్వామ్యం వల్ల మాత్రమే కాదు, మానవ-facing interface ఎంత సాధారణంగా కనిపించినా, అంతర్గత గణనాత్మక శోధన ఏదో తక్కువ కాని పనిని చేస్తున్నట్టు ఉండవచ్చన్న విషయమూ కారణం.

ఆ తేడా ముఖ్యమైనది. చిన్న prompt అంటే తర్క ప్రక్రియ సులభమని కాదు. ఉపయోగకరమైన శోధనకు వ్యవస్థను దారి మళ్లించడానికి వినియోగదారుడు ఘనమైన formal workflow ను చేతితో తయారుచేయాల్సిన అవసరం లేదన్న అర్థం. AI tools మెరుగుపడుతున్నకొద్దీ, అడ్డంకి ప్రతి దశను వివరించడంనుంచి సరైన గణిత లక్ష్యాన్ని రూపొందించడం, output ను కఠినంగా తనిఖీ చేయడం, మరియు machine-generated వస్తువులను research community ధృవీకరించి వాటిపై నిర్మించగల రూపాల్లోకి మార్చడం వైపు మారవచ్చు.

New Scientist ఇది కూడా గమనిస్తుంది: ఒక వారంలో ఇది రెండోసారి, దీర్ఘకాల ఊహను AI కూల్చిందని క్రెడిట్ ఇవ్వబడటం. కొత్త గ్రాఫ్ సిద్ధాంత ఫలితాన్ని, Jacobian ఊహకు ముందు AI-సృష్టించిన ప్రతివాదంతో వ్యాసం పక్కపక్కన ఉంచుతుంది మరియు మే నెలలో Paul Erdos కు సంబంధించిన దశాబ్దాల పాత ఊహను ఛేదించినట్లు నివేదించబడిన OpenAI మోడల్‌ను కూడా గుర్తుచేస్తుంది. ఇవన్నీ కలిపి చూస్తే, ప్రస్తుత క్షణం ఒక-off ఆసక్తి కాదు; machine-assisted mathematics లోని విస్తృత వేగవృద్ధిలో భాగం అనే సంకేతం ఇస్తుంది.

గ్రాఫ్ సిద్ధాంతం ఆశ్చర్యాలకు ఎందుకు ప్రత్యేకంగా లోనవుతుందో

యార్క్ విశ్వవిద్యాలయానికి చెందిన Chris Bowman-Scargill, గణితంలో ఒక నడిచే జోక్ ఉందని New Scientist కు చెప్పారు: గ్రాఫ్ సిద్ధాంతంలోని ప్రతి ఊహ కూడా తప్పేనని. ఆ హాస్యం ఒక నిజమైన నిర్మాణాత్మక సవాలును ప్రతిబింబిస్తుంది. గ్రాఫ్ సిద్ధాంతంలో, చిన్న ఉదాహరణల్లో స్థిరంగా కనిపించే ప్రవర్తన, ఒకటి లేదా రెండు vertices చేర్చగానే ఒక్కసారిగా మారిపోవచ్చు. దీనివల్ల, తక్కువ rank ఉదాహరణలు పెద్ద నిర్మాణాలను నిజంగా ప్రతిబింబించే రంగాలతో పోలిస్తే, అనౌపచారిక pattern recognition తక్కువ నమ్మకంగా మారుతుంది.

అలాంటి వాతావరణంలో, స్వయంచాలక వ్యవస్థలు సహజంగానే ఉపయోగకరంగా ఉంటాయి. అవి మనుషులు సాధారణంగా పరిశీలించే పరిధిని దాటి వెళ్లగలవు, కేసులను పెద్ద స్థాయిలో enumerate చేయగలవు, మరియు మొదటిసారి చూస్తే సహజంగా అనిపించని విచిత్ర నిర్మాణాలను వెతకగలవు. ఒక గణితవేత్తకు ఒక వాక్యం నిజంగా ఉండాల్సిందే అన్న మంచి conceptual భావన ఉండొచ్చు, కానీ ఒక machine ఆ అంతర్దృష్టి space లో మరింత విచిత్ర మూలలలో కూడా ఆ భావన నిలబడుతుందో లేదో నిరంతరం పరీక్షించగలదు.

ఇక్కడి పాఠం గణితవేత్తలు అవసరం లేనివారిగా మారిపోతారని కాదు. బదులుగా, వారి పాత్ర మారుతుంది. ఏ ప్రశ్నలు ముఖ్యమో ఇంకా మనుషులే నిర్ణయిస్తారు, ఒక నిర్మాణం ప్రాధాన్యాన్ని అంచనా వేస్తారు, అది ఎందుకు పనిచేస్తుందో నిర్మాణాత్మక కారణాన్ని గుర్తిస్తారు, మరియు raw computational output ను ఒక బలమైన గణిత కథనంగా మారుస్తారు. కానీ శోధన దృశ్యం మారుతోంది. machines నిర్ణాయక ఉదాహరణలను వేగంగా మరియు తరచుగా బయటకు తీసుకువచ్చినప్పుడు, ఊహ నిర్మాణం itself మరింత క్రమశిక్షణతో, మరింత వ్యతిరేక పరీక్షలతో నిండినదిగా మారవచ్చు; ఒక ఆలోచన జీవితం ప్రారంభంలోనే పరిశోధకులు కఠినమైన machine checking ని ఆశించవచ్చు.

తరువాత ఏమి

తక్షణ ప్రశ్న ధృవీకరణ. ఒక claimed counterexample, నిపుణులు ఆ వస్తువు exact formal conditions కింద నిజంగానే ఊహను ఉల్లంఘిస్తుందని నిర్ధారించిన తర్వాతే గణిత రికార్డును మారుస్తుంది. New Scientist ఈ ఫలితాన్ని ఒక ప్రధాన అభివృద్ధిగా చూపుతోంది, కానీ దీర్ఘకాల ప్రాముఖ్యత సమాజం దానిని ఎలా validate, interpret, and extend చేస్తుందో దానిపై ఆధారపడి ఉంటుంది.

ఫలితం నిలుస్తే, అనేక పరిశోధకులు ఇప్పటికే అర్థం చేసుకోవడానికి కష్టపడుతున్న ఒక ధోరణిని అది బలపరుస్తుంది. AI discovery-oriented పనిలో assistant నుంచి collaborator వైపు కదులుతోంది, ముఖ్యంగా శోధన స్థలం పెద్దదిగా ఉండి, విజయ నిబంధన స్పష్టంగా ఉన్న రంగాల్లో. గణితం ఒక ప్రత్యేకంగా కనిపించే test case, ఎందుకంటే output లను, సిద్ధాంతపరంగా, ఖచ్చితత్వంతో తనిఖీ చేయవచ్చు. ఇది అనేక ఇతర మేధోరంగాల కంటే hype మరియు substance ను వేరు చేయడం సులభం చేస్తుంది.

అయినప్పటికీ, సామాజిక ప్రభావం ఒక్క ఊహకంటే పెద్దదిగా ఉండవచ్చు. ఒక తరం గణితవేత్తలు ఇప్పుడు సాధారణ భాషలో prompt చేసిన, గంటల తరబడి నడిచే, మరియు మనుషులు సృష్టించాలని కూడా అనుకోని వస్తువులను తిరిగి ఇచ్చే వ్యవస్థల నుండి విలువైన insight రావచ్చన్న అవకాశాన్ని ఎదుర్కొంటున్నారు. ఇది అసౌకర్యమా, ఉత్సాహమా, లేదా రెండూ అయినా, discovery ఎలా జరుగుతుందో అందులో ఇది ఒక ముఖ్యమైన మార్పును సూచిస్తుంది.

ఈ వ్యాసం New Scientist నివేదికపై ఆధారపడి ఉంది. మూల వ్యాసాన్ని చదవండి.