Navier-Stokes, AI แก้ปัญหาคณิตศาสตร์ และข้อสรุปที่เราควรระวัง
กรณี OpenAI ประกาศว่า AI ของตนแก้สมการ Navier-Stokes ได้สำเร็จ คือเหตุการณ์ที่บริษัทปัญญาประดิษฐ์เคลมว่าระบบ AI ภายในสามารถหาคำตอบเชิงคณิตศาสตร์ให้สมการการไหลของของเหลวและก๊าซที่ยากระดับโลก โดยใช้ตัวแทน AI จำนวนมากร่วมกันค้นหาวิธีพิสูจน์ ก่อนส่งต่อให้โมเดลรุ่นใหม่ช่วยจัดรูปและตรวจสอบผลลัพธ์ ซึ่งจุดที่ก่อให้เกิดข้อถกเถียง คือคำถามว่าแนวทางนี้นับเป็นการแก้ปัญหาจริงตามมาตรฐานพิสูจน์ทางคณิตศาสตร์ หรือเป็นเพียงการประมาณด้วยการคำนวณจำนวนมหาศาลของปัญญาประดิษฐ์คณิตศาสตร์ ในวันที่ 8 กันยายน OpenAI ออกมาประกาศว่าระบบ AI ภายในสามารถแก้ปัญหา Navier-Stokes ซึ่งเป็นหนึ่งใน Millennium Prize Problems ที่ขึ้นชื่อว่ายากและยังไม่มีคำตอบอย่างเป็นทางการ การเคลื่อนที่ของของเหลวและก๊าซที่สมการนี้อธิบายเป็นหัวใจสำคัญทั้งด้านวิศวกรรม การพยากรณ์อากาศ ไปจนถึงฟิสิกส์ขั้นสูง การที่ AI แก้ปัญหาคณิตศาสตร์ระดับนี้ได้จึงถูกนำเสนอราวกับเป็นก้าวกระโดดของ AI แต่อีกด้านก็เปิดคำถามใหญ่ว่าเรากำลังสับสนระหว่างความเก่งคำนวณของเครื่อง กับการพิสูจน์แบบเข้มงวดตามมาตรฐานนักคณิตศาสตร์หรือไม่
เบื้องหลังตัวเลข: 10,000 เอเจนต์ 88 ชั่วโมง กับ OpenAI การค้นหา
จุดที่น่าทึ่งในเชิงวิศวกรรมคือสเกลของการทดลอง OpenAI การค้นหาวิธีพิสูจน์ไม่ได้พึ่ง AI เพียงตัวเดียว แต่ใช้ตัวแทน AI ประมาณ 10,000 ตัวทำงานร่วมกันเป็นเวลาราว 88 ชั่วโมง แลกเปลี่ยนข้อความนับล้านข้อความ และสร้างโทเค็นเอาต์พุตประมาณ 130 พันล้านรายการ ก่อนจะได้คำตอบที่ถูกตรวจสอบโดยคอมพิวเตอร์ แหล่งข่าวอีกฝั่งระบุว่าเอเจนต์เหล่านี้แลกเปลี่ยนข้อมูลกันกว่า 2.7 ล้านข้อความ ก่อนส่งไม้ต่อให้ GPT-6 Astra ตรวจรูปแบบและความถูกต้องของผลลัพธ์ต่ออีก 17 ชั่วโมง ประโยคที่ถูกหยิบไปอ้างอิงได้คือ ระบบทดลองภายในที่ยังไม่เปิดตัวของ OpenAI ใช้ตัวแทน AI กว่า 10,000 ตัวทำงานร่วมกันเพียง 88 ชั่วโมงเพื่อไขปริศนา Navier-Stokes ตัวเลขเหล่านี้ย้ำว่าความสำเร็จนี้ตั้งอยู่บนพลังคำนวณระดับสูงและการประสานงานของเอเจนต์จำนวนมาก มากกว่าจะเป็นปัญญาปิ๊งแวบเดียวแบบที่เรามักจินตนาการเวลาได้ยินคำว่า แก้ปัญหาคณิตศาสตร์
เสียงค้านจากวงการ: พิสูจน์ได้จริง หรือแค่เดินต่อจากงานมนุษย์
ทันทีที่ข่าวแพร่ออกมา แวดวงคณิตศาสตร์ไม่ได้พร้อมใจกันปรบมือ แต่มาพร้อมคำถามและความไม่ไว้ใจอย่างชัดเจน นักคณิตศาสตร์อย่าง Tristan Buckmaster ตั้งข้อสังเกตว่า OpenAI ลงทุนเททรัพยากรกับโจทย์นี้หลังรู้ว่าตัวเขาและนักวิจัยจากบริษัทคู่แข่งกำลังพัฒนาวิธีที่คล้ายกันอยู่ ข้อกล่าวหาว่า AI ของ OpenAI อาจได้แรงหนุนจากงานวิจัยที่ยังไม่ตีพิมพ์ ยิ่งทำให้เส้นแบ่งระหว่างการค้นพบของ AI กับการต่อยอดจากความรู้มนุษย์ขุ่นมัวมากขึ้น ด้านนักคณิตศาสตร์ผู้อยู่เบื้องหลังแนวคิดเชิงเทคนิคที่ AI ใช้ในการพิสูจน์อย่าง Diego Cordoba ถึงกับเตือนว่าการสรุปว่าคำตอบนี้ถูกต้องสมบูรณ์จะเป็นเรื่องน่าประหลาดใจมาก ขณะเดียวกัน นักวิจารณ์เทคโนโลยีชื่อดังในแพลตฟอร์ม X กล่าวหาว่า OpenAI พยายามแปรรูปกลไกการสร้างความรู้ของมนุษย์ให้กลายเป็นทรัพย์สินของเอกชน และใช้ AI นับพันเพียงเพื่อตรวจเช็กงานที่มนุษย์สำรวจไว้แล้ว ภาพนี้ทำให้ความสำเร็จดูเหมือนเป็นการทำเหมืองสมการ มากกว่าการคิดค้นวิธีพิสูจน์ใหม่จากศูนย์
ช่องว่างระหว่างการประมาณด้วย AI กับมาตรฐานพิสูจน์ของนักคณิตศาสตร์
ประเด็นสำคัญที่สุดของดราม่านี้ไม่ใช่แค่ AI ทำได้หรือไม่ได้ แต่คือคำถามว่าอะไรควรถูกเรียกว่า แก้ปัญหา Navier-Stokes equations อย่างแท้จริง ปัญญาประดิษฐ์คณิตศาสตร์ในกรณีนี้ใช้เอเจนต์นับหมื่นตัวไล่สำรวจพื้นที่ของคำตอบ ตรวจสอบรูปแบบและเคสต่างๆ ด้วยกำลังคำนวณมหาศาล จนเจอโครงสร้างทางคณิตศาสตร์ที่ผ่านการตรวจสอบเชิงกล แต่สายวิจัยคณิตศาสตร์บริสุทธิ์มองว่าการพิสูจน์ต้องโปร่งใส ชัดเจน และตรวจทานได้โดยมนุษย์อย่างอิสระ ไม่ใช่เพียงเอกสารยาวเหยียดที่ไม่มีใครเข้าใจว่ามาอย่างไร ความต่างระหว่างการประมาณเชิงตัวเลขกับการพิสูจน์เชิงตรรกะจึงกลายเป็นรอยแยกใหญ่ AI แก้ปัญหาคณิตศาสตร์ในเชิงการผลิตคำตอบที่สอดคล้องกับสมการได้ชัดเจน แต่คำถามคือคำตอบนั้นมาพร้อมเหตุผลที่กระชับ ตรวจสอบได้ และยืนยันซ้ำโดยทีมอิสระหรือยัง ในเมื่อแม้แต่นักคณิตศาสตร์ที่ร่วมวางฐานวิธียังมองว่าการยืนยันตอนนี้เร็วเกินไป เราก็ควรระวังการสรุปว่าปัญหาถูกปิดเล่มแล้ว
เราจะวัดและเล่าเรื่องความสำเร็จของ AI ในคณิตศาสตร์อย่างไรต่อไป
กรณี OpenAI กับ Navier-Stokes เป็นสัญญาณเตือนว่าประโยคง่ายๆ อย่าง AI แก้ปัญหาคณิตศาสตร์ อาจซ่อนรายละเอียดและข้อจำกัดไว้มาก เรากำลังเข้าสู่ยุคที่ AI สามารถค้นรูปแบบ ทดลองแนวคิด และตรวจข้อผิดพลาดทางคณิตศาสตร์ด้วยความเร็วที่มนุษย์เทียบไม่ได้ แต่ถ้าไม่มีมาตรฐานร่วมกันว่าอะไรคือการพิสูจน์ อะไรคือการประมาณ และต้องเปิดเผยข้อมูลระดับไหน สังคมก็จะตกอยู่ในกับดักการตลาดมากกว่าความรู้ เสียงวิจารณ์ที่กล่าวหาว่าบริษัทพยายามแปรรูปกลไกสร้างความรู้ของมนุษย์ให้เป็นของเอกชน สะท้อนความกังวลเรื่องความโปร่งใสและการผูกขาดองค์ความรู้ในระยะยาว ข้อสรุปที่ควรถูกย้ำคือ ความก้าวหน้าของ AI ในคณิตศาสตร์น่าตื่นเต้นและควรสนับสนุน แต่การสื่อสารต้องซื่อตรง แยกแยะระหว่างการค้นพบเชิงประมาณกับการพิสูจน์อย่างเป็นทางการ และเปิดทางให้การตรวจสอบจากภาควิชาการอย่างแท้จริง หากเราตั้งมาตรฐานตรงนี้ได้ทัน AI จะกลายเป็นคู่หูของนักคณิตศาสตร์ ไม่ใช่เครื่องมือประชาสัมพันธ์ของบริษัทเท่านั้น
