AI blir allt bättre på matematik – och vi börjar förstå varför
AI-modeller löser fler och fler matematikproblem, och forskare har börjat se ett mönster i vilka typer av problem som faller på plats – ett mönster som potentiellt kan användas för att förutsäga vad AI klarar härnäst. Det intressanta här är inte bara att AI räknar bättre, utan att vi kanske äntligen får ett verktyg för att förstå och kartlägga AI:s förmågor mer systematiskt.
Djupdykning
Under det senaste året har AI-modeller börjat klara av matematiska problem som tidigare krävde doktorandnivå – inte för att de "förstår" matematik på det sätt vi gör, utan för att de blivit skickliga på att generera och verifiera bevissteg i sekvens. Det som driver framstegen är en kombination av förstärkningsinlärning (där modellen belönas för korrekta svar) och syntetisk träningsdata, alltså matematik som AI:n själv genererar för att träna på. Mönstret som forskare nu ser är att modellerna klarar problem som kan brytas ner i diskreta, verifierbara steg – men kämpar fortfarande med problem som kräver ett genuint kreativt språng, det vill säga när det inte finns en väldefinierad väg från A till B. Det de flesta missar är att detta egentligen säger mer om matematikens struktur än om AI:ns intelligens. Vi håller på att kartlägga vilka matematiska problem som faktiskt är "algoritmiska" i grunden, och vilka som fortfarande kräver något vi inte ens har ett bra ord för. När AI börjar lösa IMO-uppgifter (International Mathematical Olympiad, tävlingsmatematik på elitnivå) men misslyckas med till synes enklare problem som saknar tydlig struktur, tvingas matematiker omvärdera vad svårighet egentligen betyder. Om trenden håller i sig kommer nästa stora strid inte stå om huruvida AI kan lösa matematik – utan om vem som får äran när ett hundraårigt obevisat problem faller.