OpenAI के GPT-5.6 Sol Ultra ने 50 साल पुराने गणितीय अनुमान (conjecture) को हल किया

OpenAI के नवीनतम रीजनिंग मॉडल, GPT-5.6 Sol Ultra ने कथित तौर पर ग्राफ थ्योरी (graph theory) में एक बड़ी सफलता हासिल की है, जिसने एक ऐसे गणितीय अनुमान को हल कर दिया है जो 1970 के दशक से अनसुलझा था। अत्यधिक कम्प्यूटेशनल दृढ़ता (computational persistence) और मल्टी-एजेंट आर्किटेक्चर का लाभ उठाते हुए, मॉडल ने एक घंटे से भी कम समय में एक पूर्ण प्रमाण (proof) तैयार कर दिया।

ग्राफ थ्योरी के रहस्य को सुलझाना

विचाराधीन अनुमान ग्राफ थ्योरी के एक मौलिक प्रश्न का समाधान करता है: क्या वर्टिसेस (vertices) और एडजेस (edges) के किसी भी नेटवर्क में चक्रों (cycles) का एक ऐसा सेट पाया जा सकता है जो प्रत्येक व्यक्तिगत एज से ठीक दो बार गुजरता हो। हालांकि गणितज्ञों ने पिछले पांच दशकों में विशिष्ट मामलों के लिए आंशिक समाधान खोजे हैं, लेकिन एक सामान्य प्रमाण मिलना अभी भी कठिन रहा है।

मैनचेस्टर विश्वविद्यालय के गणितज्ञ थॉमस ब्लूम ने इस प्रमाण को "छोटा, सरल, और ऐसा जिसे 1980 के दशक में ही खोजा जा सकता था" बताया। दिलचस्प बात यह है कि इस समाधान के लिए पूरी तरह से नए गणितीय सिद्धांतों के आविष्कार की आवश्यकता नहीं पड़ी; इसके बजाय, इसने चतुराई से मौजूदा उपकरणों और ज्ञात गणितीय ढांचों का संश्लेषण (synthesize) किया।

मशीन की दृढ़ता की शक्ति

एक महत्वपूर्ण प्रश्न उठता है: यदि गणित "सरल" था, तो इंसान इसे 50 वर्षों तक हल करने में क्यों विफल रहे? ब्लूम का सुझाव है कि समाधान के लिए तर्क में एक छोटे और प्रति-सहज (counterintuitive) मोड़ की आवश्यकता थी। मानव गणितज्ञ अक्सर ऐसे तार्किक रास्तों का अनुसरण करते हैं जो, विफल होने पर, इस निष्कर्ष की ओर ले जाते हैं कि समस्या का समाधान असंभव है।

इसके विपरीत, GPT-5.6 Sol Ultra "मशीनी दृढ़ता" का स्तर प्रदर्शित करता है। यह हताशा के संज्ञानात्मक पूर्वाग्रह (cognitive bias) का अनुभव नहीं करता है। इसके बजाय, मॉडल तब तक तर्क और लेबलिंग में सूक्ष्म विविधताओं की निरंतर खोज करता रहता है जब तक कि एक सफल रास्ता नहीं मिल जाता। "हार मान लेने" के बिना तार्किक क्रमपरिवर्तन (logical permutations) को बलपूर्वक (brute-force) करने की इस क्षमता ने AI को उन मानसिक बाधाओं को पार करने की अनुमति दी जिन्होंने मानव शोधकर्ताओं को रोक दिया था।

उन्नत प्रॉम्प्ट इंजीनियरिंग और मल्टी-एजेंट आर्किटेक्चर

Sol Ultra की सफलता केवल कच्ची बुद्धिमत्ता का परिणाम नहीं थी, बल्कि अत्यधिक परिष्कृत प्रॉम्प्ट इंजीनियरिंग का परिणाम थी। यह सुनिश्चित करने के लिए कि मॉडल डिफ़ॉल्ट रूप से "मुझे नहीं पता" न कहे, शोधकर्ताओं ने सख्त निर्देशों की एक श्रृंखला का उपयोग किया:

• अनिवार्य धारणा (Forced Assumption): प्रॉम्प्ट ने मॉडल को यह मानने के लिए मजबूर किया कि एक पूर्ण प्रमाण मौजूद है, जिससे उसे यह कहने से रोका जा सका कि अनुमान अनसुलझा है।
• सूचना अलगाव (Information Isolation): मॉडल को यह सत्यापित करने के लिए इंटरनेट खोजने से प्रतिबंधित कर दिया गया था कि क्या समस्या पहले ही हल की जा चुकी है।
• मल्टी-एजेंट एडवर्सरियल टेस्टिंग (Multi-Agent Adversarial Testing): 64 एजेंटों की एक प्रणाली का उपयोग किया गया था। स्वतंत्र तर्क सुनिश्चित करने के लिए कई एजेंटों को इस बारे में "अंधेरे में" रखा गया था कि कौन सा तार्किक दृष्टिकोण काम कर रहा है, जबकि एडवर्सरियल एजेंटों ने संभावित प्रमाणों की विशिष्ट त्रुटियों, जैसे कि गलत तरीके से पहचाने गए बंद रास्तों (closed paths) के लिए बारीकी से जांच की।

AI रचनात्मकता और साइटेशन (Citation) पर बहस

इस सफलता ने इस बहस को फिर से छेड़ दिया है कि क्या LLMs वास्तव में "रचनात्मक" हैं या केवल मौजूदा ज्ञान के परिष्कृत पुनर्संयोजक (recombinators) हैं। ब्लूम ने उल्लेख किया कि प्रमाण के मूल विचार 1983 के बर्मंड, जैक्सन और जेगर के एक पेपर से जुड़े हैं। उन्होंने इस पूर्व कार्य का उल्लेख (cite) करने में विफल रहने के लिए OpenAI की आलोचना की, और कहा कि AI-जनित पेपर अक्सर उचित श्रेय (attribution) के बिना मौजूदा रणनीतियों का उपयोग करते हैं।

हालांकि वैज्ञानिक समुदाय अभी भी पूर्ण गणितीय सत्यापन की प्रतीक्षा कर रहा है, यह घटना AI परिदृश्य में एक बदलाव का संकेत देती है। बड़े पैमाने पर AI मॉडल का उपयोग खुले वैज्ञानिक समस्याओं को हल करने के लिए तेजी से किया जा रहा है, जो संभावित रूप से उन समाधानों को उजागर कर सकते हैं जो हमेशा से मानव पहुंच के भीतर रहे हैं।

मुख्य बातें (Key Takeaways)

• जटिलता के बजाय दृढ़ता: AI ने नई गणित की खोज करके नहीं, बल्कि मौजूदा सिद्धांतों को उस स्तर के अथक तार्किक बदलाव के साथ लागू करके एक लंबे समय से चली आ रही समस्या को हल किया, जिसकी कमी मनुष्यों में होती है।
• सख्त बाधाएं परिणाम लाती हैं: "एडवर्सरियल" प्रॉम्प्टिंग के उपयोग और इंटरनेट खोज पर प्रतिबंध लगाने ने मॉडल को मानक "अनसुलझा" उत्तर देने के बजाय समाधान खोजने के लिए मजबूर किया।
• श्रेय (Attribution) की चुनौती: यह घटना AI अनुसंधान में एक बढ़ती चिंता को उजागर करती है कि जब मॉडल मौजूदा वैज्ञानिक साहित्य को पुनर्संयोजित करते हैं, तो उचित साइटेशन (citation) का अभाव होता है।