新聞 
華爾街日報:數學界著名世紀難題被AI破解
華爾街日報:數學界著名世紀難題被AI破解華爾街日報:數學界著名世紀難題被AI破解
當我與OpenAI的員工交談時，他們告訴我，如果是在壹年前，這個結果聽起來簡直是天方夜譚。
“別說壹年前了，”研究員塞巴斯蒂安・布貝克（Sebastien Bubeck）說。 “就算壹個月前也是這樣。”
不妨想象壹下，這在80年前是多麼不可思議——當時，被譽為史上最高產數學家的保羅・埃爾德什（Paul Erdős）提出了單位距離問題。 他同時也是出了名的古怪“游牧天才”，常年拖著行李箱到處跑，沒日沒夜地工作，環游世界，踐行他的座右銘：“換個屋頂，就能完成壹個新的證明。”
除了研究成果以外，他還留下了大量被稱為埃爾德什問題的數學難題，這些難題已成為衡量數學領域研究進展的標杆。
你可以從他為解決某個問題開出的賞金數額中看出他對問題的重視程度。 單位距離問題是他最重視的問題之壹：最初懸賞300美元，後來，埃爾德什又將賞金提高到500美元。
埃爾德什將他沒有設定賞金數額的數學問題分為兩類：壹類是棉花糖（“能帶來片刻愉悅的美味小點心”），另壹類是橡子（“需要深刻精妙的新洞見，才能長成高大的橡樹”）。
單位距離問題就是壹顆巨大的橡子——而OpenAI想要攻克它。
單位距離問題的最簡單版本大致可以這樣表述：如果在壹張紙上放置n個點，有多少對點之間的距離恰好為1個單位？
埃爾德什在1946年證明，如果將這些點排列成網格，會產生壹定數量的點對，他猜測這是最好的排列方式。 OpenAI的模型卻找到了壹種比這更好的排列方式。 換言之，這個證明實際上是壹個反證。
OpenAI的研究人員非常震驚。 他們原本只是將這個埃爾德什問題作為能力測試交給內部模型——目的是驗證它是否優於之前的模型。 當他們看到解法時，才發現該模型的表現比之前的模型好得多。 “起初我不相信，”為OpenAI工作的哥倫比亞大學數學家梅塔布・索尼（Mehtaab Sawhney）說。 於是，他們開始排查錯誤，與外部專家壹同驗證結果，並利用公司的AI編程智能體覆核了AI的運算過程。 “我們進行了充分的查證，並多次使用Codex驗證，”索尼說，“這個結果似乎是可信的——而且相當驚艷。”
多年來，解決埃爾德什問題的數學家通常更看重榮譽而非獎金，在AI出現之前便是如此。 對他們而言，榮譽遠比獎金珍貴。 當我問OpenAI的研究人員打算如何花這筆獎金時，他們表示並沒有多想。
但對於我的下壹個問題，他們卻有許多想法：AI為何能在人類失敗的領域取得成功？
第壹種解釋是，這個特定的解法恰好非常反直覺。
大多數嘗試解決這個問題的人都試圖證明埃爾德什的猜想，而不是試圖推翻它。 而AI模型打破了常規思維，嘗試了看似不太可能的策略，唯有如此才找到了意想不到的突破口。
第贰種解釋是，人類擅長專攻某壹領域，而AI擅長綜合分析。
數學家往往專注於自己的專業領域，AI模型則利用其海量知識來發現我們根本無法察覺的聯系。 在這個案例中，AI同時運用了代數數論和離散幾何——這兩者之間的共同點大概跟馬拉松和撐杆跳壹樣少。
第叁種解釋是，AI擁有時間、注意力、耐心、專注力，能夠堅持不懈地使用人類可能放棄的方法——這正是解決埃爾德什問題的必要條件。
“人往往是稍微嘗試壹下，發現行不通，便覺得自己可能太樂觀了，”為OpenAI工作的哈佛大學（Harvard）統計學家馬克・塞爾克（Mark Sellke）說。 “於是你就放棄了，另尋出路。”
[加西網正招聘多名全職sales 待遇優]
無評論不新聞，發表壹下您的意見吧
“別說壹年前了，”研究員塞巴斯蒂安・布貝克（Sebastien Bubeck）說。 “就算壹個月前也是這樣。”
不妨想象壹下，這在80年前是多麼不可思議——當時，被譽為史上最高產數學家的保羅・埃爾德什（Paul Erdős）提出了單位距離問題。 他同時也是出了名的古怪“游牧天才”，常年拖著行李箱到處跑，沒日沒夜地工作，環游世界，踐行他的座右銘：“換個屋頂，就能完成壹個新的證明。”
除了研究成果以外，他還留下了大量被稱為埃爾德什問題的數學難題，這些難題已成為衡量數學領域研究進展的標杆。
你可以從他為解決某個問題開出的賞金數額中看出他對問題的重視程度。 單位距離問題是他最重視的問題之壹：最初懸賞300美元，後來，埃爾德什又將賞金提高到500美元。
埃爾德什將他沒有設定賞金數額的數學問題分為兩類：壹類是棉花糖（“能帶來片刻愉悅的美味小點心”），另壹類是橡子（“需要深刻精妙的新洞見，才能長成高大的橡樹”）。
單位距離問題就是壹顆巨大的橡子——而OpenAI想要攻克它。
單位距離問題的最簡單版本大致可以這樣表述：如果在壹張紙上放置n個點，有多少對點之間的距離恰好為1個單位？
埃爾德什在1946年證明，如果將這些點排列成網格，會產生壹定數量的點對，他猜測這是最好的排列方式。 OpenAI的模型卻找到了壹種比這更好的排列方式。 換言之，這個證明實際上是壹個反證。
OpenAI的研究人員非常震驚。 他們原本只是將這個埃爾德什問題作為能力測試交給內部模型——目的是驗證它是否優於之前的模型。 當他們看到解法時，才發現該模型的表現比之前的模型好得多。 “起初我不相信，”為OpenAI工作的哥倫比亞大學數學家梅塔布・索尼（Mehtaab Sawhney）說。 於是，他們開始排查錯誤，與外部專家壹同驗證結果，並利用公司的AI編程智能體覆核了AI的運算過程。 “我們進行了充分的查證，並多次使用Codex驗證，”索尼說，“這個結果似乎是可信的——而且相當驚艷。”
多年來，解決埃爾德什問題的數學家通常更看重榮譽而非獎金，在AI出現之前便是如此。 對他們而言，榮譽遠比獎金珍貴。 當我問OpenAI的研究人員打算如何花這筆獎金時，他們表示並沒有多想。
但對於我的下壹個問題，他們卻有許多想法：AI為何能在人類失敗的領域取得成功？
第壹種解釋是，這個特定的解法恰好非常反直覺。
大多數嘗試解決這個問題的人都試圖證明埃爾德什的猜想，而不是試圖推翻它。 而AI模型打破了常規思維，嘗試了看似不太可能的策略，唯有如此才找到了意想不到的突破口。
第贰種解釋是，人類擅長專攻某壹領域，而AI擅長綜合分析。
數學家往往專注於自己的專業領域，AI模型則利用其海量知識來發現我們根本無法察覺的聯系。 在這個案例中，AI同時運用了代數數論和離散幾何——這兩者之間的共同點大概跟馬拉松和撐杆跳壹樣少。
第叁種解釋是，AI擁有時間、注意力、耐心、專注力，能夠堅持不懈地使用人類可能放棄的方法——這正是解決埃爾德什問題的必要條件。
“人往往是稍微嘗試壹下，發現行不通，便覺得自己可能太樂觀了，”為OpenAI工作的哈佛大學（Harvard）統計學家馬克・塞爾克（Mark Sellke）說。 “於是你就放棄了，另尋出路。”
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 |
推薦: