जेव्हा OpenAI सोडले या आठवड्यात जगातील काही कठीण गणिताच्या समस्यांवर शेकडो उपायांचा दावा केला आहे, फ्रंटियर लॅबने म्हटले आहे की गेल्या वेळी तिच्या मॉडेलपैकी एकाने या क्षेत्रातील दीर्घकालीन समस्येचे निराकरण केल्यामुळे उद्भवलेला वाद टाळण्यासाठी त्यांनी उच्चभ्रू गणितज्ञांच्या सल्लागार गटाचा सल्ला घेतला आहे.
परंतु ओपनएआय त्या मानकांमध्ये कमी पडले, विशेषत: जिथे गणितज्ञांनी गणिताच्या निकालाच्या मानवी आकलनाच्या गरजेवर जोर दिला. हे विशेषत: एका नवीन पेपरने नैसर्गिक भाषेतील अंतर हायलाइट केल्यानंतर आणि OpenAI च्या मॉडेल्सद्वारे उघडपणे सोडवलेल्या दशलक्ष डॉलर्सच्या समस्येचे औपचारिकपणे समाधान व्यक्त केल्यानंतर हे विशेष आहे.
प्रिन्स्टन युनिव्हर्सिटीच्या इन्स्टिट्यूट फॉर ॲडव्हान्स्ड स्टडीजने होस्ट केलेला गणित आणि कृत्रिम बुद्धिमत्ता वरील सल्लागार गट जगभरातील संस्थांमधील नऊ प्रमुख संशोधकांचा बनलेला आहे.
संस्थेने जाहीर केले मार्गदर्शक तत्त्वे सप्टेंबरच्या शेवटी गणिताच्या समस्या सोडवणाऱ्या फ्रंटियर लॅबसाठी. पुराव्यांच्या नवीनतम संचाच्या एका निवेदनात, AGMAI ने म्हटले आहे की “आमच्या शिफारशींचे यशस्वीपणे पालन किती प्रमाणात झाले याचे मूल्यांकन करणे हे शेवटी गणितीय समुदायावर अवलंबून आहे.”
तथापि, संस्थेची पहिली विनंती होती “मालकीच्या मॉडेल्सवर प्रगत गणितीय समस्यांची चाचणी थांबवावी.” OpenAI चे प्रकाशन स्पष्टपणे सांगते की ते गणितातील खुल्या संशोधन समस्यांचा वापर करून त्याच्या मालकीच्या मॉडेलचे मूल्यांकन करत आहे.
ओपनएआयच्या नवीनतम पुराव्याच्या प्रकाशनाचे अधिक सखोल मूल्यांकन करण्यासाठी रीडने विचारले असता सल्लागार गटाने प्रतिसाद दिला नाही. प्रयोगशाळेने त्याच्या काही तत्त्वांचे स्पष्टपणे पालन केले, ज्यामध्ये शक्य तितक्या लवकर निकाल जाहीर करणे आणि मॉडेल त्यांच्या निष्कर्षापर्यंत कसे पोहोचले याबद्दल माहिती समाविष्ट आहे. परंतु त्या सर्वांसाठी नाही: 719 हस्तलिखितांपैकी फक्त दहा हस्तलिखितांमध्ये मॉडेलच्या विचारांच्या साखळीच्या प्रकाशनांचा समावेश आहे.
लोकांना समजत नसलेल्या कागदपत्रांसाठी, गणितज्ञांनी पुरावे औपचारिक केले पाहिजेत असे सुचवले – परंतु OpenAI द्वारे जारी केलेल्या पुराव्यांपैकी फक्त 42% या प्रक्रियेतून गेले नाहीत.
शेवटी, हे अजूनही स्पष्ट नाही की ओपनएआय AGMAI तत्त्वांनुसार पुरावे जारी करताना “मानवी समज पाळेल याची खात्री करण्याची जबाबदारी” घेत आहे. AGMAI ने सुचवले की ओपनएआयने मानवी गणितज्ञांच्या कार्यासाठी निधीसाठी मदत करावी ज्यांना प्रयोगशाळेचे निराकरण कोणत्याही वास्तविक मार्गाने अर्थपूर्ण करण्यासाठी आवश्यक असेल.
“एआय प्रॉम्प्टर्सद्वारे समस्या स्वायत्तपणे सोडवल्या जात आहेत ज्यांना त्यांचे प्रारंभिक लक्ष्य 'निराकरण' झाल्यानंतर व्यापक क्षेत्रात स्वारस्य नाही, आणि निकालावरील प्रश्नांची उत्तरे देण्यासाठी, चर्चा करण्यासाठी किंवा इतर क्षेत्राशी संवाद साधण्यासाठी एआय आउटपुट पुरेसे समजत नाही,” टेरेन्स ताओ, एक प्रमुख गणितज्ञ ज्याने OpenAI च्या दृष्टिकोनावर टीका केली आहे. लिहिले रिलीजनंतर सोशल मीडियावर.
त्या समस्येचे उदाहरण दिले आहे एक कागद या आठवड्यात केंब्रिज युनिव्हर्सिटी आणि लंडनमधील किंग्ज कॉलेजमधील गणितज्ञांनी या आव्हानांना सामोरे जाणाऱ्या फ्रंटियर लॅब्सवर प्रश्नचिन्ह उपस्थित केले आहे.
जेव्हा AI मॉडेल्स गणितीय समस्या सोडवतात, तेव्हा ते प्रथम “नैसर्गिक भाषा” स्पष्टीकरण तयार करतात, नंतर ते परिणाम लीनमध्ये व्यक्त करण्याचा प्रयत्न करतात, एक प्रोग्रामिंग भाषा जी सिद्धांततः कोड म्हणून संकलित करून पुराव्याच्या अचूकतेची पुष्टी करते.
तथापि, मॉडेल्स त्यांच्या नैसर्गिक भाषेतील पुराव्याचे कोडमध्ये भाषांतर करण्याच्या पद्धतीमध्ये समस्या असू शकतात; हा पेपर नैसर्गिक भाषेचा पुरावा आणि ओपनएआयने द्रव्यांच्या जटिल वर्तनाचे वर्णन करणाऱ्या नेव्हीअर-स्टोक्स समीकरणातून उद्भवलेल्या समस्येसाठी ऑफर केलेल्या सोल्यूशनमागील लीन कोडमधील किमान दोन विसंगती दस्तऐवज करतो.
या विसंगतींपैकी कोणत्याही उपायाचे अपरिहार्यपणे खंडन होत नाही, परंतु मानवी सहभागाशिवाय त्यांचे स्वतःचे निराकरण औपचारिक करण्यासाठी आम्ही मॉडेल्सवर अवलंबून राहू शकतो का यावर ते प्रश्न निर्माण करतात. हे एक कारण आहे की AGMAI ने OpenAI ला “नैसर्गिक भाषा आणि औपचारिक कलाकृतींशी संबंधित मशीन-वाचनीय मेटाडेटा समाविष्ट करण्यास सांगितले,” असे काहीतरी आहे जे फ्रंटियर लॅबने या प्रकाशनांसह केले नाही.
“चुकीच्या भाषांतराच्या घटनेमुळे — या पेपरमध्ये हायलाइट केल्याप्रमाणे — OpenAI द्वारे NL पुरावा आणि
समान पीअर रिव्ह्यू प्रक्रियेशिवाय इतर ऑटोफॉर्मलाइज्ड लीन पुरावे प्रथमतः विश्वासार्ह असू नयेत आणि
इतर पुराव्यांच्या अधीन असलेल्या छाननी,” “अनुवादात हरवलेले” पेपरचे लेखक निष्कर्ष काढतात.
गणितज्ञ यावर भर देतात की जेव्हा मानवाकडून नवीन परिणाम शोधले जातात, तेव्हा ते त्यांची जबाबदारी घेतात आणि पेपर, चर्चा आणि सेमिनारद्वारे व्यापक समुदायाशी संलग्न होतात. ती प्रक्रिया उपायांची समज वाढवते, इतर समस्या सोडवण्यासाठी वापरल्या जाऊ शकणाऱ्या रणनीती शोधतात आणि नवीन ज्ञान व्यावहारिक क्षेत्रात लागू करण्यास अनुमती देते.
जेव्हा एखाद्या मॉडेलला कठीण समस्या सोडवण्यास सांगितले जाते आणि त्यावर उपाय शोधला जातो, तेव्हा “रिलीझच्या टप्प्यावर त्यांच्याबद्दल मानवी समज नसते आणि आता काम सुरू होते,” हार्वर्ड विद्यापीठाच्या गणिताच्या प्राध्यापक मेलानी वुड यांनी रीडला सांगितले.
तुम्ही आमच्या लेखांमधील लिंक्सद्वारे खरेदी करता तेव्हा, आम्ही एक लहान कमिशन मिळवू शकतो. याचा आमच्या संपादकीय स्वातंत्र्यावर परिणाम होत नाही.
Comments are closed.