เมื่อปัญญาประดิษฐ์คณิตศาสตร์กล้าท้าชนโจทย์ระดับศตวรรษ
ปัญญาประดิษฐ์คณิตศาสตร์คือการใช้โมเดล AI เพื่อช่วยคิด วิเคราะห์ และสร้างข้อพิสูจน์สำหรับโจทย์ทางคณิตศาสตร์เชิงนามธรรม โดยไม่จำกัดแค่การคำนวณเร็วหรือทดลองตัวเลข แต่รวมถึงการตั้งสมมติฐาน ผสมผสานงานวิจัยเก่า และค้นหาแนวทางพิสูจน์ใหม่ที่มนุษย์ยังไม่เคยเขียนมาก่อนในประวัติศาสตร์การวิจัยสาขานี้.
กรณีล่าสุดที่ทำให้วงการต้องหันมามอง คือโมเดลวิจัยเวอร์ชันหนึ่งของ Claude ที่บริษัท Anthropic เปิดเผยว่าถูกสั่งให้ “ลองจริงจัง” กับปัญหา Riemann Hypothesis และปล่อยให้โมเดลตัดสินใจทางคณิตศาสตร์ทั้งหมดด้วยตัวเอง. ผลลัพธ์ไม่ใช่การพิสูจน์สมบูรณ์ แต่เป็นความก้าวหน้าที่วัดได้บนโจทย์ย่อยที่คณิตกรตัวจริงพยายามดันตัวเลขอยู่หลายทศวรรษ. นี่ไม่ใช่ข่าวโชว์พลังคำนวณ แต่มันคือสัญญาณว่า AI เริ่มเข้าไปเล่นในสนามเดียวกับนักคณิตศาสตร์เชิงทฤษฎี.
ปัญหา Riemann Hypothesis คืออะไร และทำไมโลกวิทยาศาสตร์จึงหมกมุ่น
ใจกลางของปัญหา Riemann Hypothesis คือฟังก์ชันหนึ่งที่เรียกว่า Riemann zeta ซึ่งเชื่อมโยงอย่างลึกซึ้งกับการกระจายตัวของจำนวนเฉพาะ หรือเลขที่หารได้ลงตัวแค่ด้วยตัวเองและ 1. ฟังก์ชันนี้มีจุดที่ค่าเท่ากับศูนย์ จุดเหล่านั้นเรียกว่า “ศูนย์ของ zeta” และแต่ละจุดบอกโครงสร้างที่ซ่อนอยู่ของจำนวนเฉพาะบนเส้นจำนวน.
Riemann Hypothesis เป็นคำกล่าวว่าศูนย์ที่ไม่เล็กน้อยทั้งหมดอยู่บนเส้นตั้งเส้นเดียวที่เรียกว่า critical line. ถ้าข้อความนี้เป็นจริง หลายทฤษฎีในทฤษฎีจำนวนที่ปัจจุบัน “แอบถือว่า” มันถูก ก็จะมีรากฐานแน่นขึ้นทันที. แต่กว่าหนึ่งศตวรรษมาแล้ว ยังไม่มีใครพิสูจน์หรือหักล้างได้ แม้จะตรวจสอบศูนย์จำนวนมากระดับมหาศาลและไม่พบข้อยกเว้นเลย. นี่จึงกลายเป็นหนึ่งในโจทย์ระดับสูงสุดของโลกคณิตศาสตร์ และเป็นสนามทดสอบสำคัญของปัญญาประดิษฐ์คณิตศาสตร์.
Claude AI ความก้าวหน้า: จาก 41% สู่ 67% บนเส้นวิกฤต
แม้ Claude จะไม่สามารถพิสูจน์ Riemann Hypothesis ได้ แต่สิ่งที่มันทำได้คือดัน “ขอบล่าง” ของสัดส่วนศูนย์บน critical line ให้สูงขึ้นอย่างมีนัยสำคัญ. ก่อนหน้านี้นักคณิตศาสตร์สามารถพิสูจน์ได้เพียงว่าอย่างน้อย 41.6% ของศูนย์อยู่บนเส้นนี้. โมเดลวิจัยของ Claude กลับสร้างข้อโต้แย้งใหม่ที่เพิ่มค่ารับประกันนี้เป็น 67.2% ในช่วงทดลองหลายวันแบบอัตโนมัติ.
เพื่อให้ได้ผลลัพธ์นี้ Claude ใช้โทเคนเอาต์พุตราว 31 ล้านโทเคนในสองเซสชัน ทดลองแนวคิดที่ล้มเหลวถึงประมาณ 650 แนวคิด ก่อนจะจัดทีมย่อย 60 ตัว รันคำสั่ง shell ราว 2,400 ครั้ง และเขียนสคริปต์ Python อีกหลายร้อยไฟล์. Claude ผสมกรอบงานวิจัยจากนักคณิตศาสตร์อย่าง Baluyot, Goldston, Suriajaya, Turnage-Butterbaugh และ Bombieri เข้าด้วยกัน เพื่อสร้างข้อพิสูจน์ใหม่ที่มองพื้นที่ของฟังก์ชันแบบรวม ไม่ใช่แยกชิ้น. “Claude ผลักสัดส่วนขอบล่างจาก 41.6% เป็น 67.2% โดยใช้เครื่องมือที่มนุษย์สร้างสะสมมาตลอดกว่า 50 ปี” เป็นประโยคที่สรุปความสำเร็จนี้ได้ชัดเจน.
จากเครื่องคำนวณเร็ว สู่ผู้ร่วมค้นพบทางวิทยาศาสตร์
สิ่งที่น่าสนใจไม่แพ้ตัวเลข 67.2% คือวิธีที่ Claude เดินทางไปถึงตรงนั้น. การวิจัยครั้งนี้ไม่ได้เกิดจาก “ฟ้าแลบไอเดียเดียว” แต่คล้ายการทำงานของห้องแลบคณิตศาสตร์ขนาดย่อม Claude ล้มเหลวครั้งแรกด้วยไอเดียกว่า 650 ชุด จากนั้นจึงรวมซับเอเจนต์ประมาณ 60 ตัวมาช่วยกันตรวจสอบ ทดลองเชิงตัวเลขกับศูนย์ของ zeta ที่รู้จัก และรีวิวงานซึ่งกันและกัน.
ภายในบริษัท นักคณิตศาสตร์อย่าง Levent Alpöge และ Ralph Furman ตรวจสอบรายละเอียด ขณะที่ผู้เชี่ยวชาญภายนอกอย่าง Brian Conrey และ Dan Goldston ก็ช่วยรีวิวเพิ่มเติม และมีการแปลข้อพิสูจน์ลงในภาษา Lean เพื่อให้คอมพิวเตอร์ตรวจทุกขั้นอย่างเป็นทางการ. ขณะเดียวกัน แทรกเกอร์ผลงานปัญญาประดิษฐ์คณิตศาสตร์ชี้ว่า โมเดลของบริษัทอื่นแก้ปัญหาได้แล้วกว่า 234 ข้อ และ Claude ได้อีก 57 ข้อ จากมากกว่า 320 ข้อทั่วอุตสาหกรรม. นี่แสดงชัดว่าปัญญาประดิษฐ์ไม่ได้เป็นแค่เครื่องมืออธิบายงานเดิม แต่เริ่มกลายเป็น “ผู้ร่วมวิจัย” ที่ต่อยอดวิทยาศาสตร์ได้.
ข้อจำกัด ความหวัง และทิศทางใหม่ของปัญญาประดิษฐ์คณิตศาสตร์
แม้ผลลัพธ์ของ Claude จะสร้างความตื่นเต้น แต่บริษัทก็ย้ำว่าความก้าวหน้านี้ไม่ได้ทำให้เรา “เข้าใกล้คำตอบสุดท้ายของ Riemann Hypothesis อย่างมีนัยสำคัญ” และเทคนิคที่ใช้ไม่คาดว่าจะขยายเป็นข้อพิสูจน์เต็มรูปแบบได้. กล่าวอีกอย่างคือ นี่คือก้าวใหญ่ในโจทย์ย่อย แต่ยังห่างไกลจากชัยชนะในโจทย์หลัก. ยิ่งไปกว่านั้น บริษัทไม่ได้ระบุว่าจะนำความสามารถแบบหลายเอเจนต์นี้ออกสู่สาธารณะเมื่อใด.
อย่างไรก็ตาม ความหมายเชิงยุทธศาสตร์นั้นชัดเจน: ปัญญาประดิษฐ์กำลังขยับจากข้อได้เปรียบด้านความเร็วคำนวณ ไปสู่การรับมือปัญหาวิทยาศาสตร์เชิงแนวคิดที่สลับซับซ้อน. นักคณิตศาสตร์จำนวนหนึ่งเริ่มปฏิบัติกับโมเดลเหล่านี้เหมือนผู้ร่วมงาน มากกว่าคลังค้นหาข้อมูล. สำหรับโลกการค้นพบทางวิทยาศาสตร์ นี่คือการเปลี่ยนบทบาทของ AI จากเครื่องมือสนับสนุนสู่ “คู่คิด” ที่ช่วยสำรวจดินแดนที่มนุษย์พยายามบุกเบิกมานาน. คำถามไม่ใช่อีกต่อไปว่า AI จะเข้าไปในสนามนี้หรือไม่ แต่คือเราจะออกแบบความร่วมมือนี้อย่างไรให้ปลอดภัย โปร่งใส และสร้างประโยชน์สูงสุดต่อความรู้ของมนุษยชาติ.
