Las matemáticas se enfrentan a una crisis de indigestión
Las matemáticas avanzan hacia el siglo XXI. Durante cientos de años, el ritmo de la investigación matemática se mantuvo lento. Un investigador encuentra un resultado, sus pares lo revisan y, finalmente, este llega a un libro de texto. Este proceso es constante y predecible.
La IA lo cambió todo. Genera demostraciones y resuelve problemas a gran velocidad. Esto crea una montaña masiva de contenido nuevo. Los revisores humanos no pueden seguir el ritmo. Esto crea lo que Terence Tao llama "indigestión de demostraciones". El sistema académico se está encontrando con un atasco de tráfico.
La IA es como un coche rápido. Las revistas académicas actuales son como senderos estrechos de piedra construidos para carruajes de caballos. No se puede conducir un coche rápido por un sendero estrecho sin causar un accidente. Mejorar el coche no ayuda si la carretera está rota. Debemos construir nuevas carreteras para la IA.
Terence Tao está construyendo estas nuevas carreteras a través de las competiciones SAIR. Crea pistas separadas para humanos e IA.
Una de las competiciones es el Distillation Challenge. Los investigadores utilizan un conjunto masivo de datos de 22 millones de problemas de álgebra. Los modelos grandes de IA los resuelven fácilmente, pero cuestan demasiado dinero. El desafío pide a los participantes que redacten una hoja de trucos de una página para modelos pequeños y económicos. El objetivo es transferir el conocimiento de los modelos grandes a los pequeños. Las mejores hojas de trucos ya han aumentado la precisión del 50 % al 80 %.
Otra competición es el Inverse Galois Problem. Piense en esto como una búsqueda de huevos digital. Hay 160.000 propiedades matemáticas diferentes, o colores. Los participantes buscan polinomios específicos que coincidan con estos colores. Si encuentras un color raro que nadie más tiene, sumas puntos. Esto convierte a las matemáticas en una ciencia experimental.
Estas competiciones no reemplazan a los matemáticos. Crean nuevas formas de trabajar. Separan el sendero de caminata humana de la autopista de la IA.
Este modelo puede funcionar para toda la ciencia. Si un campo tiene grandes conjuntos de datos y tareas verificables, puede utilizar este método. Las matemáticas son solo el punto de partida.
Comunidad de aprendizaje opcional: https://t.me/GyaanSetuAi