La matematica sta affrontando una crisi di indigestione
La matematica sta entrando nel XXI secolo. Per centinaia di anni, il ritmo della ricerca matematica è rimasto lento. Un ricercatore trova un risultato, i colleghi lo revisionano e, alla fine, questo entra in un libro di testo. Questo processo è costante e prevedibile.
L'IA ha cambiato tutto. Genera dimostrazioni e risolve problemi a velocità elevatissime. Ciò crea un enorme accumulo di nuovi contenuti. I revisori umani non riescono a stare al passo. Questo crea ciò che Terence Tao chiama "indigestione da dimostrazioni". Il sistema accademico si sta scontrando con un ingorgo stradale.
L'IA è come un'auto veloce. Le attuali riviste accademiche sono come stretti sentieri di pietra costruiti per le carrozze. Non si può guidare un'auto veloce su un sentiero stretto senza causare un incidente. Potenziare l'auto non serve se la strada è interrotta. Dobbiamo costruire nuove strade per l'IA.
Terence Tao sta costruendo queste nuove strade attraverso le competizioni SAIR. Crea percorsi separati per gli esseri umani e per l'IA.
Una competizione è la Distillation Challenge. I ricercatori utilizzano un enorme dataset di 22 milioni di problemi di algebra. I grandi modelli di IA li risolvono facilmente, ma costano troppo. La sfida chiede ai partecipanti di scrivere una guida rapida di una pagina per modelli piccoli ed economici. L'obiettivo è trasferire la conoscenza dai modelli grandi a quelli piccoli. Le migliori guide hanno già aumentato l'accuratezza dal 50% all'80%.
Un'altra competizione è il Problema di Galois inverso. Pensatela come una caccia alle uova digitale. Ci sono 160.000 diverse proprietà matematiche, o colori. I partecipanti cercano polinomi specifici che corrispondano a questi colori. Se trovi un colore raro che nessun altro ha, ottieni punti. Questo trasforma la matematica in una scienza sperimentale.
Queste competizioni non sostituiscono i matematici. Creano nuovi modi di lavorare. Separano il sentiero pedonale umano dall'autostrada dell'IA.
Questo modello può funzionare per tutta la scienza. Se un campo dispone di grandi dataset e compiti verificabili, può utilizzare questo metodo. La matematica è solo il punto di partenza.
Community di apprendimento opzionale: https://t.me/GyaanSetuAi