Η αλήθεια πίσω από τη λύση του μαθηματικού γρίφου από την OpenAI που τελικά… δεν είναι λύση
Πώς η επίλυση των εξισώσεων Navier-Stokes από την τεχνητή νοημοσύνη άνοιξε τον ασκό του Αιόλου στην επιστημονική κοινότητα, εγείροντας σοβαρά ερωτήματα περί υποκλοπής και φέρνοντας στο φως τα όρια της μηχανικής μάθησης.
Κατάφερε πράγματι η OpenAI να επιλύσει ένα μαθηματικό πρόβλημα αξίας ενός εκατομμυρίου δολαρίων; Ή μήπως γινόμαστε μάρτυρες ακόμη ενός επικοινωνιακού πυροτεχνήματος στη συνεχιζόμενη φρενίτιδα της τεχνητής νοημοσύνης; Τις τελευταίες εβδομάδες, η είδηση ότι τα μοντέλα της εταιρείας έλυσαν ένα από τα πιο περίπλοκα μαθηματικά προβλήματα στον κόσμο έκανε τον γύρο του διαδικτύου. Ωστόσο, πίσω από τους πηχυαίους τίτλους κρύβεται μια πολύ πιο σύνθετη πραγματικότητα, η οποία περιλαμβάνει καταγγελίες για υποκλοπή πνευματικής ιδιοκτησίας, επιστημονική ίντριγκα και μια θεμελιώδη διαφωνία για το τι σημαίνει πραγματική πρόοδος.
σχετικά άρθρα
Μέσα από μια πρόσφατη, αποκαλυπτική συνέντευξη στο κανάλι Numberphile, ο Tristan Buckmaster, μαθηματικός του πανεπιστημίου NYU και κεντρικό πρόσωπο της υπόθεσης, έριξε φως στο τι ακριβώς συνέβη. Είναι παράδοξο, αλλά δύο συγκρουόμενες αλήθειες συνυπάρχουν: από τη μία, η OpenAI χρησιμοποίησε περίπου 10.000 πράκτορες τεχνητής νοημοσύνης για να απαντήσει σωστά σε έναν απίστευτα δύσκολο γρίφο. Από την άλλη, η παγκόσμια μαθηματική κοινότητα, η οποία αφιέρωσε δεκαετίες στην ίδια αναζήτηση, δηλώνει ανοιχτά πως η ανθρωπότητα δεν κέρδισε απολύτως τίποτα από αυτή την απόδειξη.
Για να κατανοήσουμε την πλήρη εικόνα, οφείλουμε να αποδομήσουμε το αφήγημα και να εξετάσουμε τα πραγματικά γεγονότα με καθαρά δημοσιογραφική ματιά, μακριά από τις υπερβολές του τεχνολογικού μάρκετινγκ.
Το εντυπωσιακό γράφημα και η επικοινωνιακή στρατηγική
Όλα ξεκινούν από τις εξισώσεις Navier-Stokes, ένα από τα επτά Προβλήματα της Χιλιετίας (Millennium Prize problems) που έθεσε το Ινστιτούτο Clay το έτος 2000, προσφέροντας αμοιβή ενός εκατομμυρίου δολαρίων για τη λύση του καθενός. Πρόκειται για εξισώσεις που περιγράφουν την κίνηση των ρευστών, ένα εξαιρετικά κρίσιμο πεδίο για τη φυσική και τη μηχανική.
Όταν η OpenAI ανακοίνωσε την επιτυχία της, κυκλοφόρησε ένα εντυπωσιακό γράφημα με μια πολύχρωμη, περιστρεφόμενη δίνη, το οποίο έγινε αμέσως viral. Το ευρύ κοινό υπέθεσε πως επρόκειτο για μια λεπτομερή επιστημονική σχηματοποίηση της περίπλοκης εξίσωσης. Η αλήθεια όμως, όπως επισημαίνουν κορυφαίοι αναλυτές και μαθηματικοί, είναι πως το συγκεκριμένο γράφημα αποτελούσε ένα καθαρό επικοινωνιακό περιτύλιγμα. Στις 165 σελίδες της μαθηματικής απόδειξης, το πραγματικό διάγραμμα είναι υποτυπώδες. Η OpenAI το μεταμόρφωσε σε μια φουτουριστική εικόνα, αποκλειστικά για να κυριαρχήσει στα μέσα ενημέρωσης. Ο ίδιος ο Buckmaster ξεκαθάρισε πως αυτή η δίνη δεν έχει καμία σχέση με την ουσία της λύσης.
Το χρονικό της ανακάλυψης και οι σκιές της υποκλοπής
Για να φτάσουμε στην αλήθεια, πρέπει να γυρίσουμε τον χρόνο στις 15 Αυγούστου 2026. Ο Buckmaster και ο Levan Alpaj, ερευνητής θεωρίας αριθμών στην εταιρεία Anthropic, σημειώνουν μια κρίσιμη πρώτη επιτυχία. Είχαν περάσει έναν ολόκληρο χρόνο επίπονης εργασίας, συνεργαζόμενοι με ένα μοντέλο τεχνητής νοημοσύνης, για να λύσουν τον στενότερο “συγγενή” του προβλήματος του εκατομμυρίου: τις εξισώσεις του Euler. Αυτή η αρχική επιτυχία έθεσε τα θεμέλια για όσα θα ακολουθούσαν.
Δύο εβδομάδες αργότερα, μια φήμη αρχίζει να διαδίδεται ανεξέλεγκτα στη Σίλικον Βάλεϊ: η Anthropic φερόταν να έχει λύσει το Πρόβλημα της Χιλιετίας. Η φήμη ήταν ανακριβής, καθώς αφορούσε το παράλληλο project (εξισώσεις Euler) και όχι το ίδιο το Navier-Stokes, αλλά ήταν αρκετή για να σημάνει συναγερμό. Η OpenAI, υπό τον φόβο ότι η ανταγωνίστριά της θα αποκτούσε τεράστιο πλεονέκτημα —ειδικά ενόψει της αναμενόμενης εισαγωγής της στο χρηματιστήριο (IPO)— ξεκίνησε μια αγριώδη, κατεπείγουσα προσπάθεια με τα δικά της συστήματα.
Η επίμαχη τηλεφωνική επικοινωνία και οι απειλές
Πέντε ημέρες μετά, την Κυριακή, ο Sebastian Bubeck, επικεφαλής ερευνητής της OpenAI για το συγκεκριμένο έργο, τηλεφωνεί στον Buckmaster. Του ανακοινώνει ότι η OpenAI μόλις «έσπασε» τον κώδικα του Navier-Stokes. Αρχικά, ο Bubeck ισχυρίστηκε ότι η μηχανή το πέτυχε με ελάχιστη ανθρώπινη παρέμβαση, φτάνοντας στο σημείο να υποστηρίξει ότι η εντολή (prompt) ήταν απλώς η αντιγραφή και επικόλληση της εκφώνησης του προβλήματος.
Το ψέμα αυτό όμως κατέρρευσε μέσα σε λίγα λεπτά, όταν ο Bubeck ζήτησε επιτακτικά να αφαιρεθεί το όνομα του Alpaj από την τελική ερευνητική εργασία. Παρόλο που η εργασία ήταν ένα ανεξάρτητο επιστημονικό εγχείρημα και η Anthropic δεν είχε καμία θεσμική ανάμειξη, η αντιπαλότητα των εταιρειών βγήκε στο προσκήνιο. Ο Buckmaster αρνήθηκε κατηγορηματικά. Τότε, σύμφωνα με τον ίδιο, ο Bubeck προχώρησε σε κρυπτικές προειδοποιήσεις του τύπου: «Γιατί να καταστρέψεις την καριέρα σου;» και «Αν δεν θέλεις να είμαι ευγενικός, δεν χρειάζεται να είμαι».
Μόλις 48 ώρες αργότερα, η OpenAI ανακοίνωσε τη μεγάλη της «νίκη» σε παγκόσμιο επίπεδο. Τα στοιχεία δείχνουν ότι η εταιρεία χρησιμοποίησε κώδικα και αρχιτεκτονική που ο Buckmaster είχε ήδη δοκιμάσει στους διακομιστές (servers) της OpenAI, εγείροντας σοβαρά ερωτήματα περί υφαρπαγής πνευματικού έργου, παρότι η εταιρεία επισήμως το διαψεύδει, υποστηρίζοντας πως μια εσωτερική της έρευνα δεν βρήκε ίχνη τέτοιας επιρροής.
Γιατί λύνουμε ανώτερα μαθηματικά; Η αξία της διαδρομής
Πέρα όμως από την εταιρική διαμάχη, το βαθύτερο ερώτημα αφορά την ίδια την επιστήμη. Αμέσως μετά την ανακοίνωση, 28 κάτοχοι του μεταλλίου Fields (το αντίστοιχο του βραβείου Νόμπελ για τα μαθηματικά) συνυπέγραψαν μια δήλωση, καταδικάζοντας την πρακτική των εταιρειών AI να χρησιμοποιούν μαθηματικά προβλήματα ως απλά εργαλεία μέτρησης επιδόσεων (benchmarks), χαρακτηρίζοντάς την «επιζήμια για την επιστήμη».
Αυτό μπορεί να ακούγεται στους αμύητους ως πικρία, αλλά υπάρχει ένας κρίσιμος λόγος πίσω από αυτή τη στάση. Τα προηγμένα μαθηματικά δεν υπάρχουν απλώς για να μας δίνουν απαντήσεις. Υπάρχουν για το ταξίδι. Είναι η διαδικασία της κατανόησης του «γιατί» κάτι ισχύει, η οποία γεννά νέες ιδέες που στο μέλλον θα οδηγήσουν σε νέες τεχνολογίες.
Στην περίπτωση του Navier-Stokes, η λύση δεν αλλάζει απολύτως τίποτα στην καθημερινότητά μας. Οι μηχανικοί σχεδιάζουν τα φτερά των αεροπλάνων και υπολογίζουν την κίνηση των ρευστών εδώ και δεκαετίες χρησιμοποιώντας προσεγγιστικές μεθόδους. Τα αεροπλάνα πετούν μια χαρά χωρίς αυτή την απόδειξη. Όπως επισημαίνει ο κορυφαίος μαθηματικός Terence Tao, το να παίρνεις έτοιμη τη λύση από μια μηχανή είναι σαν να διαβάζεις κατευθείαν την τελευταία σελίδα ενός μυθιστορήματος: μαθαίνεις το τέλος, αλλά χάνεις όλη την αξία της εμπειρίας και της πνευματικής εξέλιξης.
Χαρακτηριστικό είναι το παράδειγμα του Alan Turing το 1936. Στην προσπάθειά του να απαντήσει σε ένα θεωρητικό μαθηματικό ερώτημα του David Hilbert, χρειάστηκε να επινοήσει νοητά μια μηχανή. Εκείνο το νοητικό «ταξίδι» οδήγησε τελικά στη δημιουργία του σύγχρονου ηλεκτρονικού υπολογιστή. Αν είχε απλώς λάβει ένα ξερό “όχι” ως απάντηση από ένα υπερ-εργαλείο, ο σύγχρονος κόσμος της πληροφορικής δεν θα υπήρχε.
Ο ρόλος του λογισμικού Lean και η ωμή υπολογιστική δύναμη
Είναι λοιπόν η τεχνητή νοημοσύνη πιο έξυπνη από τους ανθρώπους, εφόσον έλυσε τον γρίφο; Η απάντηση κρύβεται στο πώς τα κατάφερε. Η διαδικασία βασίστηκε στο Lean, ένα εξειδικευμένο λογισμικό που ελέγχει μαθηματικές αποδείξεις. Το Lean μετατρέπει αφηρημένες έννοιες σε έναν αυστηρό κώδικα, τον οποίο ο υπολογιστής μπορεί να ελέγξει βήμα προς βήμα.
Η επιτυχία της OpenAI δεν οφείλεται στο ότι τα μοντέλα της “σκέφτηκαν” ριζοσπαστικά. Βασίστηκε στο γεγονός ότι πήραν τις κατευθύνσεις που είχαν ήδη χαράξει Ισπανοί μαθηματικοί (όπως οι Cordoba και Martinez-Aroura) και, εν συνεχεία, οι Buckmaster και Alpaj, και εξάντλησαν το πρόβλημα μέσω ωμής υπολογιστικής δύναμης. Με 10.000 αυτόνομους πράκτορες, το σύστημα δοκίμαζε συνδυασμούς στον κώδικα του Lean μέχρι να βρει αυτούς που επαληθεύονται.
Το αποτέλεσμα είναι ένα κείμενο που, όπως δηλώνει ο καθηγητής της Οξφόρδης James Maynard, είναι αδύνατον να διαβαστεί και να γίνει κατανοητό από τον άνθρωπο. Σύμφωνα με τον νόμο του Brandolini, απαιτείται πολλαπλάσια ενέργεια για να ελέγξεις μια πληροφορία από το να την παραγάγεις. Οι επιστήμονες διαπιστώνουν ότι δεν μπορούν να εξάγουν καμία γνώση από την παραχθείσα απόδειξη. Το μοντέλο έβγαλε το αποτέλεσμα, αλλά δεν αντιλαμβάνεται το γιατί.
Η εμπορευματοποίηση της γνώσης και το επαγγελματικό μέλλον
Το περιστατικό αυτό αποτελεί μια ισχυρή μεταφορά για το πώς η σύγχρονη τεχνολογία, και ειδικότερα τα Μεγάλα Γλωσσικά Μοντέλα (LLMs), τείνουν να αντιμετωπίζουν τη γνώση. Ζούμε σε μια εποχή βαθιάς εμπορευματοποίησης της εργασίας. Όπως παρατηρούν σύγχρονοι αναλυτές της αγοράς, η τεχνητή νοημοσύνη, στα χέρια των εταιρικών κολοσσών, λειτουργεί ως μοχλός πίεσης. Μετατρέπει σύνθετες ανθρώπινες δεξιότητες σε ρουτινιάρικα παραδοτέα.
Η βιασύνη για την επίτευξη ενός στόχου —είτε αυτός είναι η λύση μιας εξίσωσης είτε η κατάθεση ενός επιχειρηματικού project— καταργεί τη σημασία της διαδικασίας. Οι εργαζόμενοι σήμερα δουλεύουν σκληρότερα, πιέζονται περισσότερο και νιώθουν πιο εξουθενωμένοι από ποτέ, ακριβώς επειδή το σύστημα επιβραβεύει το τελικό αποτέλεσμα αγνοώντας την ποιότητα της παραγωγικής πορείας. Η πλάνη της άφιξης (arrival fallacy), η ψευδαίσθηση δηλαδή ότι η επίτευξη ενός τελικού στόχου θα φέρει ικανοποίηση, έχει κυριεύσει την κοινωνία και την οικονομία, αντικαθιστώντας τη χαρά της δημιουργίας με μια συνεχή, ψυχοφθόρα πορεία προς την επόμενη προθεσμία.
Συμπέρασμα: Εργαλεία ρουτίνας ή πραγματική υπερνοημοσύνη;
Είναι τελικά αυτές οι μηχανές πιο έξυπνες από τους πιο λαμπρούς ανθρώπινους νόες; Η απάντηση είναι αρνητική. Η ικανότητα να εκτελείς ακατάπαυστα δοκιμές σε ένα αυστηρά οριοθετημένο περιβάλλον (όπως το λογισμικό Lean) αποτελεί απόδειξη τεράστιας επεξεργαστικής ισχύος, όχι νοημοσύνης. Όπως είχε πει ο σπουδαίος φυσικός Richard Feynman, το να γνωρίζεις το όνομα ενός πουλιού σε όλες τις γλώσσες του κόσμου δεν σημαίνει ότι γνωρίζεις το παραμικρό για το ίδιο το πουλί.
Η OpenAI δαπάνησε περίπου 20 εκατομμύρια δολάρια για να παρακάμψει την ουσία 90 ετών μαθηματικής έρευνας, αποκλείοντας θεμελιώδεις συντελεστές και στερούμενη την πραγματική κατανόηση της ανακάλυψης. Τα μοντέλα τεχνητής νοημοσύνης είναι πράγματι εξαιρετικοί βοηθοί για εργασίες ρουτίνας και οφείλουμε να τα εντάξουμε στην καθημερινότητά μας για να είμαστε ανταγωνιστικοί. Όμως, το να αποδεχόμαστε τυφλά το επικοινωνιακό αφήγημα των τεχνολογικών κολοσσών ισοδυναμεί με παραίτηση από την κριτική μας σκέψη. Οι εταιρείες αυτές διατείνονται ότι θέλουν να προωθήσουν την επιστήμη, αλλά στην πράξη φαίνεται πως προσπαθούν, απλώς, να την οικειοποιηθούν.
