గణితశాస్త్రం జీర్ణక్రియ సంక్షోభాన్ని ఎదుర్కొంటోంది

గణితశాస్త్రం 21వ శతాబ్దంలోకి అడుగుపెడుతోంది. వందల సంవత్సరాలుగా, గణిత పరిశోధనల వేగం నెమ్మదిగా ఉండేది. ఒక పరిశోధకుడు ఒక ఫలితాన్ని కనుగొంటారు, తోటి నిపుణులు దానిని సమీక్షిస్తారు, మరియు అది చివరకు ఒక పాఠ్యపుస్తకంలో చేరుతుంది. ఈ ప్రక్రియ స్థిరంగా మరియు ఊహించదగినదిగా ఉంటుంది.

AI అంతా మార్చేసింది. ఇది అత్యంత వేగంగా నిరూపణలను (proofs) రూపొందిస్తుంది మరియు సమస్యలను పరిష్కరిస్తుంది. ఇది భారీ మొత్తంలో కొత్త కంటెంట్‌ను సృష్టిస్తుంది. మానవ సమీక్షకులు దీనిని అందుకోలేకపోతున్నారు. దీనినే టెరెన్స్ టావ్ (Terence Tao) "ప్రూఫ్ ఇండైజెషన్" (proof indigestion - నిరూపణల జీర్ణక్రియ సమస్య) అని పిలుస్తారు. విద్యా వ్యవస్థ ఒక ట్రాఫిక్ జామ్‌లో చిక్కుకుంది.

AI ఒక వేగవంతమైన కారు వంటిది. ప్రస్తుత విద్యా జర్నల్స్ గుర్రపు బగ్గీల కోసం నిర్మించిన ఇరుకైన రాతి మార్గాల వంటివి. ఇరుకైన మార్గంలో ప్రమాదం జరగకుండా మీరు వేగవంతమైన కారును నడపలేరు. రోడ్డు పాడైపోయి ఉంటే కారును అప్‌గ్రేడ్ చేయడం వల్ల ఉపయోగం ఉండదు. మనం AI కోసం కొత్త రోడ్లను నిర్మించాలి.

టెరెన్స్ టావ్ SAIR పోటీల ద్వారా ఈ కొత్త రోడ్లను నిర్మిస్తున్నారు. ఆయన మానవులకు మరియు AIకి వేర్వేరు మార్గాలను సృష్టిస్తున్నారు.

ఒక పోటీ 'డిస్టిలేషన్ ఛాలెంజ్' (Distillation Challenge). పరిశోధకులు 22 మిలియన్ల బీజగణిత (algebra) సమస్యల భారీ డేటాసెట్‌ను ఉపయోగిస్తారు. పెద్ద AI మోడల్స్ వీటిని సులభంగా పరిష్కరిస్తాయి కానీ వాటికి చాలా ఖర్చు అవుతుంది. చిన్న, తక్కువ ఖర్చుతో కూడిన మోడల్స్ కోసం ఒక పేజీ 'చీట్ షీట్' (cheat sheet) రాయాలని ఈ సవాలు పాల్గొనేవారిని కోరుతుంది. పెద్ద మోడల్స్ నుండి చిన్న మోడల్స్‌కు జ్ఞానాన్ని బదిలీ చేయడమే దీని లక్ష్యం. ఉత్తమమైన చీట్ షీట్లు ఇప్పటికే ఖచ్చితత్వాన్ని (accuracy) 50% నుండి 80%కి పెంచాయి.

మరొక పోటీ 'ఇన్వర్స్ గెలోయిస్ ప్రాబ్లమ్' (Inverse Galois Problem). దీనిని ఒక డిజిటల్ ఎగ్ హంట్ (egg hunt) లాగా భావించండి. ఇక్కడ 160,000 వేర్వేరు గణిత లక్షణాలు లేదా రంగులు ఉన్నాయి. పాల్గొనేవారు ఈ రంగులకు సరిపోయే నిర్దిష్ట బహుపదుల (polynomials) కోసం వెతుకుతారు. వేరెవరికీ లేని అరుదైన రంగును మీరు కనుగొంటే, మీకు పాయింట్లు లభిస్తాయి. ఇది గణితాన్ని ఒక ప్రయోగాత్మక శాస్త్రంగా మారుస్తుంది.

ఈ పోటీలు గణిత శాస్త్రవేత్తలను భర్తీ చేయవు. అవి పని చేయడానికి కొత్త మార్గాలను సృష్టిస్తాయి. అవి మానవ నడక మార్గాన్ని AI హైవే నుండి వేరు చేస్తాయి.

ఈ నమూనా అన్ని శాస్త్రాలకు వర్తిస్తుంది. ఒక రంగంలో పెద్ద డేటాసెట్‌లు మరియు ధృవీకరించదగిన పనులు ఉంటే, అది ఈ పద్ధతిని ఉపయోగించవచ్చు. గణితం కేవలం ప్రారంభ బిందువు మాత్రమే.

Source: https://dev.to/cognitalk/sairbo-ke-tao-zhe-xuan-ai-shi-dai-de-zheng-ming-xiao-hua-bu-liang-yu-jing-sai-xin-fan-shi-1dka

Optional learning community: https://t.me/GyaanSetuAi