AI แก้ Navier-Stokes ได้แล้วหรือ และทำไมมันสำคัญกว่าการได้เงินรางวัล
การบุกโจทย์ปัญหาแห่งสหัสวรรษโดยปัญญาประดิษฐ์คณิตศาสตร์ คือสถานการณ์ที่ระบบ AI ไม่เพียงช่วยคำนวณหรือจัดรูปสมการ แต่เข้าไปสำรวจโจทย์คณิตศาสตร์เปิดยากระดับโลกอย่างเป็นระบบ สร้างข้อสันนิษฐานใหม่ ทดลองเส้นทางพิสูจน์จำนวนมาก และผลิตพิสูจน์คณิตศาสตร์ที่เครื่องตรวจสอบได้อย่างเป็นทางการ โดยกระบวนการทั้งหมดแทบไม่พึ่งการตัดสินใจรายละเอียดย่อยจากมนุษย์ เมื่อวันที่ 9 กันยายน แบบจำลอง AI ภายในของบริษัทหนึ่งถูกนำไปทดสอบกับปัญหาเปิดระดับโลกทั้ง 7 ข้อ และประกาศว่าพบแนวทางแก้ Navier-Stokes existence and smoothness problem ซึ่งเป็นหนึ่งในปัญหาแห่งสหัสวรรษที่ยากที่สุดในวงการคณิตศาสตร์ Navier–Stokes equations อธิบายการเคลื่อนที่ของของไหลอย่างน้ำและอากาศ ใช้ตั้งแต่จำลองสภาพอากาศไปจนถึงการออกแบบเครื่องบิน แต่โจทย์ที่เป็นรางวัลคือการพิสูจน์ว่าคำตอบสามมิติมีความราบรื่นต่อเนื่องเสมอหรือสามารถเกิดจุดที่ปริมาณทางกายภาพพุ่งไม่จำกัดภายในเวลาจำกัดได้ การที่ AI ค้นพบโครงสร้างและสถานการณ์ที่แสดงให้เห็นการเกิด singularity จึงโยนคำถามกลับมาหาเราอย่างตรงไปตรงมาว่า หากเครื่องจักรเริ่มเข้าใจพฤติกรรมของของไหลลึกกว่าที่มนุษย์เคยคิด เราจะวัดคุณค่าของนักคณิตศาสตร์มนุษย์ด้วยอะไร
จาก 90 ปีสู่ 88 ชั่วโมง: ความเร็วที่มนุษย์ตามไม่ทันและการเกิดระบบวิจัยอัตโนมัติ
ความเปลี่ยนแปลงที่น่าตกใจที่สุดไม่ใช่เพียงที่ว่า AI ค้นพบคำตอบ แต่คือสเกลและความเร็วที่มันทำได้ ปัญหา Navier–Stokes ในรูปแบบรางวัลนี้ถูกเปิดมานานเกือบ 90 ปี แต่งานจากทีม AI รายงานว่าระบบสามารถค้นหาแนวทางที่เสนอเป็นคำตอบได้ภายในประมาณ 88 ชั่วโมงหลังเริ่มปล่อยตัวแทน AI ทำงาน ระหว่างการค้นหา มี AI agents ทำงานพร้อมกันมากถึงประมาณ 10,000 ตัว แลกเปลี่ยนข้อมูลกันหลายล้านข้อความ ทำให้สามารถทดลองสมมติฐานหลายพันหรือหลายหมื่นแนวทางได้ในเวลาไม่กี่วัน แทนที่จะต้องใช้เวลาหลายเดือนหรือหลายปีอย่างที่มนุษย์ทำ ที่สำคัญคือ กระบวนการไม่ได้หยุดแค่การเดาคำตอบ แต่พัฒนาไปสู่รูปแบบวงจรวิจัยอัตโนมัติ เมื่อรวมโมเดลภาษาขนาดใหญ่ ระบบหลายตัวแทน เครื่องมือค้นหาเชิงคำนวณ และซอฟต์แวร์ตรวจสอบพิสูจน์เข้าด้วยกัน AI สามารถแตกปัญหาหลักออกเป็น lemma ย่อย จากนั้นมอบให้ระบบอื่นพิสูจน์หรือหาจุดผิดพลาด แล้ววนกลับมาปรับข้อสันนิษฐานใหม่ซ้ำไปเรื่อย ๆ จนได้แนวทางที่ผ่านการตรวจสอบอย่างเป็นทางการ นักวิเคราะห์บางรายจึงมองว่านี่ไม่ใช่แค่เครื่องมือคำนวณ แต่เป็นระบบที่เริ่มทำวงจรการวิจัยด้วยตัวเองอย่างแท้จริง
จากผู้ช่วยพิสูจน์สู่ผู้ค้นพบ: บทเรียนจาก Fermat และการพิสูจน์ด้วยเครื่อง
การบุกปัญหาแห่งสหัสวรรษของ AI ไม่ได้เกิดขึ้นลอย ๆ ก่อนหน้านี้โมเดล AI อีกค่ายหนึ่งได้ทำงานต่อเนื่อง 11 วันเพื่อสร้างเวอร์ชันพิสูจน์อย่างเป็นทางการของทฤษฎีบทสุดท้ายของแฟร์มาต โดยแปลงพิสูจน์ของมนุษย์ 129 หน้าให้เป็นโค้ด Lean ที่เครื่องตรวจสอบได้แบบบรรทัดต่อบรรทัด ในกระบวนการนั้น AI เขียนโค้ด Lean ถึง 13 ล้านบรรทัดและพิสูจน์ทฤษฎีย่อยประมาณ 30,300 ข้อ ซึ่งมีขนาดมากกว่าคลัง Mathlib ที่เป็นฐานข้อมูลคณิตศาสตร์ที่ใช้รองรับพิสูจน์นี้ถึงหลายเท่า นี่เป็นตัวอย่างชัดเจนว่า AI ไม่ได้แค่ใช้เครื่องคิดเลข แต่สามารถจัดโครงสร้างความรู้คณิตศาสตร์ขนาดใหญ่อย่างเป็นระบบได้ วงการคณิตศาสตร์จึงหันมาใช้ซอฟต์แวร์ประเภท proof assistant มากขึ้น เพื่อช่วยตรวจสอบตรรกะของพิสูจน์โดยอัตโนมัติ คล้ายเครื่องคิดเลขที่ตรวจสอบการบวกเลข นักวิจัยบางรายเสนออย่างเป็นประโยคอ้างว่า การจับคู่ทุกพิสูจน์ที่สร้างด้วย AI เข้ากับเวอร์ชัน Lean ที่ตรวจสอบได้อาจกลายเป็นมาตรฐานใหม่ เพื่อให้ผู้ตรวจมีวิธีเชิงกลตรวจดูว่าไม่มีข้อผิดพลาดเชิงตรรกะ แม้จะยังต้องมีบทความฉบับอ่านรู้เรื่องสำหรับมนุษย์อยู่ก็ตาม ในอีกด้านหนึ่ง มีนักวิจัยสามคนที่ใช้เพียงบัญชีผู้ใช้ AI แบบผู้บริโภคทั่วไป ก็สามารถจัดทำเวอร์ชันพิสูจน์อย่างเป็นทางการของ Vinogradov’s Three Primes Theorem ได้ในเวลาแค่สามวัน แสดงให้เห็นว่าการตรวจสอบคณิตศาสตร์ขนาดใหญ่ด้วย AI ไม่จำเป็นต้องใช้ทรัพยากรระดับห้องทดลองเสมอไป
คำเตือนจาก Terence Tao: เมื่อเรานับโจทย์ที่ถูกแก้ แต่ไม่ได้นับความเข้าใจ
แม้การที่ AI ค้นพบและพิสูจน์คณิตศาสตร์ได้อย่างเป็นทางการจะดูน่าตื่นเต้น แต่นักคณิตศาสตร์ชั้นนำอย่าง Terence Tao กลับตั้งคำถามสำคัญ เขาไม่ได้บอกให้หยุดใช้เครื่องมือ แต่เตือนว่าเรากำลังวัดผลแบบผิดแกน เรานับจำนวนโจทย์ที่ถูกแก้ จำนวนบทความที่ตีพิมพ์ และจำนวนการทดลองที่รัน แต่เราแทบไม่ได้นับว่ามีความเข้าใจถูกส่งต่อไปเท่าไร มีการเชื่อมโยงใหม่เกิดขึ้นมากแค่ไหน และมีคนรุ่นต่อไปที่ยังรู้วิธีเดินสำรวจภูมิประเทศความรู้ด้วยตัวเองหรือไม่ คำเปรียบเทียบของเขาชัดเจน วิทยาศาสตร์เคยเป็นการเดินป่า เราค่อย ๆ เดินตามทางผิด ทางถูก ทำสัญลักษณ์และทิ้งแผนที่ไว้ให้คนอื่นเดินต่อ แต่ AI กลายเป็นเฮลิคอปเตอร์ที่บินพาเราไปถึงวิวสวย ถ่ายรูปแล้วบินกลับโดยไม่เคยเรียนรู้ภูมิประเทศหรือทิ้งเส้นทางไว้ให้คนอื่นเดินตาม เขาเตือนว่าตอนนี้พิสูจน์กำลังหลั่งไหลมามากกว่าที่ใครจะอ่านทัน และโจทย์ระดับนักศึกษาซึ่งเคยเป็นสนามฝึกฝีมือกลับถูกโมเดล AI แก้ในเวลาไม่กี่วินาที หากเราแทนที่การเดินป่าทุกครั้งด้วยการขึ้นเฮลิคอปเตอร์ เราอาจได้รายการปลายทางที่ถูกเช็กเพิ่มขึ้น แต่ได้คนที่ยังสามารถหาปลายทางใหม่ด้วยตัวเองลดลงอย่างน่ากังวล
อนาคตของวิทยาศาสตร์เมื่อ AI ค้นพบ และมนุษย์ต้องเปลี่ยนบทบาท
การที่ AI บุกโจทย์ปัญหาแห่งสหัสวรรษไม่ได้หยุดอยู่ที่ Navier–Stokes เท่านั้น หลังเสร็จงานพิสูจน์ชุดนี้ ทีมวิจัยเดียวกันรายงานว่าทำความคืบหน้าอย่างมีนัยสำคัญบนปัญหาแห่งสหัสวรรษอีกข้อหนึ่ง และกำลังคิดว่าจะเผยแพร่ผลลัพธ์อย่างรอบคอบอย่างไร ในขณะเดียวกัน มีตัวอย่างขัดแย้งและข้อโต้แย้งเกี่ยวกับเครดิตงานระหว่างนักคณิตศาสตร์มนุษย์กับทีม AI รวมถึงคำถามว่าระบบ AI ไปอาศัยแนวคิดหรือประวัติการสนทนาจากนักวิจัยมนุษย์ในการสร้างพิสูจน์หรือไม่ สิ่งเหล่านี้ตอกย้ำว่าการผสมกันระหว่าง AI และงานพิสูจน์ไม่ได้เป็นเพียงเรื่องเทคนิค แต่เป็นเรื่องจริยธรรมและโครงสร้างชุมชนวิชาชีพด้วย ในทางผลกระทบระยะยาว หากผลงานลักษณะนี้ได้รับการยืนยันมากขึ้น นักวิเคราะห์บางรายมองว่าสิ่งที่เกิดขึ้นอาจสำคัญกว่าการแก้ Navier–Stokes หรือ Fermat แต่ละข้อ เพราะมันชี้ให้เห็นรูปแบบใหม่ของการทำวิจัยที่วงจรสำคัญหลายส่วนถูกทำโดยระบบอัตโนมัติ สำหรับคนทั่วไป ผลกระทบเชิงบวกคือ เราอาจได้แบบจำลองฟิสิกส์ของของไหลที่แม่นยำกว่า เทคโนโลยีอากาศยานและการพยากรณ์อากาศที่ดีขึ้น รวมถึงเครื่องมือวิเคราะห์ข้อมูลที่อาศัยโครงสร้างทางคณิตศาสตร์ที่ AI ค้นพบใหม่ ส่วนนักเรียนและนักวิจัย อาจต้องเปลี่ยนวิธีฝึกฝีมือจากการแข่งกับ AI ในโจทย์ระดับพื้นฐาน ไปสู่การเรียนรู้วิธีอ่าน แปล และแปลงผลลัพธ์ของ AI ให้กลายเป็นแผนที่ความรู้ที่มนุษย์ใช้ต่อได้ ในภาพรวม การที่ AI ขยับจากผู้ช่วยตรวจคำตอบไปสู่ผู้ค้นพบ ทำให้บทบาทหลักของมนุษย์ในวิทยาศาสตร์อาจเปลี่ยนจากการลงมือพิสูจน์ทุกขั้นไปสู่การตั้งคำถามที่มีความหมาย การออกแบบวิธีวัด และการสร้างวัฒนธรรมการเดินป่าทางความรู้ที่ยังมีมนุษย์ร่วมอยู่ ถ้าไม่ปรับมุมมองตอนนี้ เราอาจตื่นมาในโลกที่มีคำตอบมากมาย แต่มีคนที่เข้าใจคำตอบเหล่านั้นน้อยลงอย่างน่าเป็นห่วง
