นักคณิตศาสตร์ชี้ OpenAI ไม่เข้าใจการพิสูจน์ Navier-Stokes ของตนเอง

เมื่อต้นเดือนกันยายนที่ผ่านมา OpenAI ได้นำเสนอผลเฉลยความเป็นไปได้ความยาว 166 หน้าสำหรับปัญหา Navier-Stokes โดยอ้างว่าการพิสูจน์ดังกล่าวใช้แนวทางของนักคณิตศาสตร์ชาวสเปน Diego Córdoba และ Luis Martínez-Zoroa อย่างไรก็ตาม ขณะนี้ผู้เชี่ยวชาญหลายกลุ่มเริ่มแสดงความไม่เห็นด้วยกับคำกล่าวอ้างดังกล่าว

Scientific American รายงาน คำให้สัมภาษณ์ของ Gonzalo Cao-Labora นักคณิตศาสตร์จาก EPFL ที่ระบุว่า เมื่อพิจารณาในรายละเอียดเชิงลึกจะพบว่าเป็นแนวทางที่แตกต่างออกไปอย่างสิ้นเชิง โดยความคล้ายคลึงกับงานของนักคณิตศาสตร์ชาวสเปนนั้นมีเพียงแค่ในระดับพื้นผิวเท่านั้น

การพิสูจน์ครั้งนี้ถูกเขียนขึ้นใน Lean ซึ่งเป็นภาษาสำหรับการพิสูจน์เชิงตรรกะ (formal verification language) ที่ตรวจสอบความถูกต้องทางตรรกะในทุกขั้นตอนได้ แต่มีข้อจำกัดคือมนุษย์ไม่สามารถอ่านเข้าใจได้ด้วยตนเอง ซึ่งทาง Clay Mathematics Institute (CMI) ได้ดำเนินการ ตรวจสอบ เรื่องนี้อย่างใกล้ชิดตั้งแต่มีการเผยแพร่

ก่อนหน้านี้ Tristan Buckmaster นักคณิตศาสตร์จาก NYU ได้กล่าวหา OpenAI ว่าต่อยอดจากผลงานของเขาและ Levent Alpöge จาก Anthropic แต่ทาง OpenAI ปฏิเสธข้อกล่าวหาโดยระบุว่าไม่เคยใช้ข้อมูลดังกล่าว ซึ่ง Camillo De Lellis จาก Institute for Advanced Study ให้ความเห็นว่าการหาคำตอบที่ชัดเจนนั้นทำได้ยาก เพราะโมเดลภาษาเปรียบเสมือนกล่องดำ (black boxes) ที่ยากจะตรวจสอบที่มา

เมื่อต้นเดือนตุลาคม OpenAI ยังได้ปล่อย ผลลัพธ์เพิ่มเติมอีกประมาณ 400 รายการ บน GitHub ในรูปแบบของคอลเลกชันที่กระจัดกระจาย ซึ่ง สร้างความไม่พอใจให้กับนักคณิตศาสตร์จำนวนมาก ที่มองว่าการกระทำเช่นนี้เป็นการลดคุณค่าของสาขาวิชาคณิตศาสตร์ลง

ไม่มีใครรู้ว่า AI agent 10,000 ตัวช่วยได้จริงหรือไม่

ประเด็นสำคัญอีกประการคือ OpenAI ดูเหมือนจะไม่เข้าใจบทบาทของทรัพยากรที่ใช้ในงานนี้อย่างถ่องแท้ บริษัทใช้ทรัพยากรคำนวณมหาศาลผ่าน model instance ประมาณ 10,000 ตัว เป็นเวลา 88 ชั่วโมง และใช้สูงถึง 130 พันล้าน token เพื่อหาผลเฉลย แต่ตามข้อมูลจาก Noam Brown นักวิจัยของ OpenAI กลับไม่มีใครทราบแน่ชัดว่าฝูง agent (agent swarm) จำนวนมหาศาลนั้นส่งผลต่อผลลัพธ์ที่ได้มากน้อยเพียงใด เนื่องจากการทดสอบเปรียบเทียบระบบที่มี agent หลายพันตัวมีค่าใช้จ่ายสูงเกินไป จึงไม่มีการศึกษาพฤติกรรมในระดับสเกลนี้อย่างเป็นระบบ ส่งผลให้ แทบจะเป็นไปไม่ได้เลยที่จะระบุว่า agent 10,000 ตัว ให้ข้อได้เปรียบมากกว่า 1,000 ตัวอย่างไร หรือแม้กระทั่งว่าหากใช้ agent เพียงตัวเดียวจะใช้เวลาแก้ปัญหานานกว่ากันเท่าใด

Brown ให้เครดิตความสำเร็จกับระบบ multi-agent เพียงไม่ถึง 10 เปอร์เซ็นต์เท่านั้น โดยเขามองว่าระบบเหล่านี้ดูหวือหวาจึงได้รับความสนใจเกินความจริง แต่หัวใจสำคัญที่แท้จริงคือความสามารถของ base model ที่สามารถประมวลผลภารกิจต่างๆ ได้ต่อเนื่องยาวนานและรันแบบขนานได้มากกว่า