GPT-5.6 Sol Ultra ของ OpenAI แก้โจทย์ปัญหาทางคณิตศาสตร์ที่ค้างคามานานกว่า 50 ปีได้สำเร็จ

มีรายงานว่า GPT-5.6 Sol Ultra ซึ่งเป็นโมเดลการใช้เหตุผล (reasoning model) ล่าสุดของ OpenAI ได้สร้างความก้าวหน้าครั้งสำคัญในทฤษฎีกราฟ (graph theory) ด้วยการแก้โจทย์ปัญหาทางคณิตศาสตร์ (conjecture) ที่ยังไม่มีคำตอบมาตั้งแต่ทศวรรษ 1970 โมเดลนี้สามารถสร้างบทพิสูจน์ที่สมบูรณ์ได้ภายในเวลาไม่ถึงหนึ่งชั่วโมง โดยอาศัยความพยายามในการคำนวณอย่างต่อเนื่อง (computational persistence) ระดับสูง และสถาปัตยกรรมแบบหลายตัวแทน (multi-agent architecture)

ไขปริศนาทฤษฎีกราฟ

โจทย์ปัญหาดังกล่าวเกี่ยวข้องกับคำถามพื้นฐานในทฤษฎีกราฟ นั่นคือ จะสามารถหาชุดของวงจร (cycles) ในเครือข่ายของจุดยอด (vertices) และเส้นเชื่อม (edges) ใดๆ ที่ลากผ่านแต่ละเส้นเชื่อมเพียงสองครั้งพอดีได้หรือไม่ แม้ว่านักคณิตศาสตร์จะสามารถหาคำตอบบางส่วนสำหรับกรณีเฉพาะเจาะจงได้ในช่วงห้าทศวรรษที่ผ่านมา แต่การพิสูจน์แบบทั่วไป (general proof) ยังคงเป็นเรื่องที่ยากจะบรรลุ

Thomas Bloom นักคณิตศาสตร์จาก University of Manchester อธิบายว่าบทพิสูจน์นี้ "สั้น เรียบง่าย และน่าจะถูกค้นพบได้ตั้งแต่ช่วงทศวรรษ 1980" ที่น่าสนใจคือ คำตอบนี้ไม่จำเป็นต้องมีการคิดค้นทฤษฎีทางคณิตศาสตร์ใหม่ทั้งหมด แต่เป็นการสังเคราะห์เครื่องมือที่มีอยู่และกรอบแนวคิดทางคณิตศาสตร์ที่รู้จักกันดีเข้าด้วยกันอย่างชาญฉลาด

พลังแห่งความพยายามของเครื่องจักร

คำถามสำคัญที่ตามมาคือ หากคณิตศาสตร์เรื่องนี้ "เรียบง่าย" แล้วทำไมมนุษย์ถึงไม่สามารถแก้โจทย์นี้ได้นานถึง 50 ปี? Bloom เสนอว่าคำตอบต้องการการพลิกมุมมองในการใช้เหตุผลเพียงเล็กน้อยที่ขัดกับสัญชาตญาณ นักคณิตศาสตร์ที่เป็นมนุษย์มักจะเดินตามเส้นทางตรรกะที่เมื่อพบทางตัน ก็จะนำไปสู่ข้อสรุปว่าปัญหานั้นไม่สามารถแก้ไขได้

ในทางตรงกันข้าม GPT-5.6 Sol Ultra แสดงให้เห็นถึงระดับของ "ความพยายามของเครื่องจักร" (machine persistence) โดยมันไม่มีอคติทางพุทธิปัญญา (cognitive bias) อย่างความรู้สึกท้อแท้ แต่โมเดลจะสำรวจความแปรผันเพียงเล็กน้อยในตรรกะและการกำหนดชื่อเรียกอย่างต่อเนื่องจนกว่าจะพบเส้นทางที่สำเร็จ ความสามารถในการลองผิดลองถูกกับรูปแบบตรรกะ (logical permutations) จำนวนมหาศาลโดยปราศจาก "การยอมแพ้" ช่วยให้ AI สามารถก้าวข้ามอุปสรรคทางความคิดที่เคยทำให้เหล่านักวิจัยที่เป็นมนุษย์ต้องหยุดชะงัก

วิศวกรรมคำสั่งขั้นสูงและสถาปัตยกรรมแบบหลายตัวแทน

ความสำเร็จของ Sol Ultra ไม่ได้เป็นเพียงผลลัพธ์ของความฉลาดเพียงอย่างเดียว แต่เกิดจากวิศวกรรมคำสั่ง (prompt engineering) ที่ซับซ้อนสูง เพื่อให้แน่ใจว่าโมเดลจะไม่ตอบเพียงว่า "ฉันไม่รู้" นักวิจัยจึงได้ใช้ชุดคำสั่งที่เข้มงวดดังนี้:

  • การบังคับให้ตั้งสมมติฐาน (Forced Assumption): คำสั่งบังคับให้โมเดลตั้งสมมติฐานว่ามีบทพิสูจน์ที่สมบูรณ์อยู่ เพื่อป้องกันไม่ให้โมเดลตอบว่าโจทย์นี้ยังไม่มีคำตอบ
  • การแยกข้อมูล (Information Isolation): โมเดลถูกสั่งห้ามไม่ให้ค้นหาข้อมูลทางอินเทอร์เน็ตเพื่อตรวจสอบว่าปัญหานี้ได้รับการแก้ไขไปแล้วหรือไม่
  • การทดสอบแบบเผชิญหน้าด้วยหลายตัวแทน (Multi-Agent Adversarial Testing): มีการใช้ระบบตัวแทน (agents) ถึง 64 ตัว โดยหลายตัวถูกปิดบังข้อมูล (kept "in the dark") ว่าแนวทางตรรกะใดที่กำลังใช้งานได้อยู่ เพื่อให้มั่นใจว่ามีการใช้เหตุผลที่เป็นอิสระต่อกัน ในขณะที่ตัวแทนฝ่ายตรงข้าม (adversarial agents) จะทำหน้าที่ตรวจสอบบทพิสูจน์ที่เสนอมาอย่างละเอียดเพื่อหาข้อผิดพลาดเฉพาะจุด เช่น การระบุเส้นทางปิดที่ผิดพลาด

ข้อถกเถียงเรื่องความคิดสร้างสรรค์ของ AI และการอ้างอิง

ความก้าวหน้าครั้งนี้ได้จุดชนวนการถกเถียงอีกครั้งว่า LLM นั้น "มีความคิดสร้างสรรค์" จริงๆ หรือเป็นเพียงเครื่องมือผสมผสานความรู้ที่มีอยู่เดิมอย่างซับซ้อนเท่านั้น Bloom ตั้งข้อสังเกตว่าแนวคิดหลักในบทพิสูจน์นี้สืบย้อนกลับไปได้ถึงงานวิจัยในปี 1983 โดย Bermond, Jackson, และ Jaeger เขาได้วิพากษ์วิจารณ์ OpenAI ที่ไม่ได้อ้างอิงงานวิจัยก่อนหน้านี้ โดยระบุว่าบทความที่สร้างโดย AI มักจะใช้กลยุทธ์ที่มีอยู่แล้วโดยไม่มีการให้เครดิตอย่างเหมาะสม

แม้ว่าชุมชนวิทยาศาสตร์จะยังคงรอการตรวจสอบทางคณิตศาสตร์อย่างเต็มรูปแบบ แต่เหตุการณ์นี้ส่งสัญญาณถึงการเปลี่ยนแปลงในวงการ AI โมเดล AI ขนาดใหญ่กำลังถูกนำมาใช้เพื่อจัดการกับปัญหาทางวิทยาศาสตร์ที่ยังไม่มีคำตอบมากขึ้นเรื่อยๆ ซึ่งอาจนำไปสู่การค้นพบคำตอบที่มนุษย์เข้าถึงได้มาโดยตลอดแต่ยังหาไม่พบ

สรุปประเด็นสำคัญ

  • ความพยายามสำคัญกว่าความซับซ้อน: AI แก้ปัญหาที่ค้างคามานานได้ไม่ใช่ด้วยการคิดค้นคณิตศาสตร์ใหม่ แต่ด้วยการประยุกต์ใช้ทฤษฎีที่มีอยู่ด้วยความพยายามในการปรับเปลี่ยนตรรกะอย่างไม่รู้จักเหน็ดเหนื่อย ซึ่งเป็นสิ่งที่มนุษย์ขาดไป
  • ข้อจำกัดที่เข้มงวดช่วยขับเคลื่อนผลลัพธ์: การใช้การสั่งการแบบ "เผชิญหน้า" (adversarial prompting) และการสั่งห้ามค้นหาทางอินเทอร์เน็ต บังคับให้โมเดลต้องหาคำตอบแทนที่จะตอบตามมาตรฐานว่า "ยังไม่มีคำตอบ"
  • ความท้าทายเรื่องการให้เครดิต: เหตุการณ์นี้ตอกย้ำถึงความกังวลที่เพิ่มขึ้นในการวิจัย AI เกี่ยวกับการขาดการอ้างอิงที่เหมาะสม เมื่อโมเดลนำวรรณกรรมทางวิทยาศาสตร์ที่มีอยู่มาผสมผสานกันใหม่