นักคณิตศาสตร์เตือน ต้องใช้เวลาหลายปีทำความเข้าใจผลงานคณิตศาสตร์ชุดใหญ่ที่ OpenAI ปล่อย

สัปดาห์นี้ OpenAI ปล่อยชุดผลงานคณิตศาสตร์ขนาดใหญ่ที่สร้างความตื่นตะลึงในชุมชนนักคณิตศาสตร์และนักวิจัย AI ทั่วโลก ภายในคอลเล็กชันมีผลลัพธ์ที่สร้างขึ้นโดย AI เกือบ 400 รายการ กระจายอยู่ในเอกสารมากกว่า 700 ฉบับ ซึ่งครอบคลุมสาขาตั้งแต่คอมบิเนตอริกส์ เรขาคณิต ทฤษฎีจำนวน ทฤษฎีคอมพิวเตอร์ พีชคณิต ทอพอโลยี ไปจนถึงฟิสิกส์ทางคณิตศาสตร์ งานนี้จึงไม่ใช่แค่ข่าวธรรมดา แต่เป็นการเปลี่ยนแปลงที่อาจเขย่าระบบวิชาการได้

ขนาดและเนื้อหาที่ต้องใช้เวลาไล่ดู

ปริมาณเอกสารที่มากจนล้นทำให้การประเมินเบื้องต้นเป็นเรื่องยาก นักวิชาการหลายคนบอกว่าการไล่ดูสารบัญและบทคัดย่อของเอกสารเพียงอย่างเดียวก็ใช้เวลานาน บางคนระบุว่าสิ่งที่เห็นมีความหลากหลายทั้งระดับความซับซ้อนและสาขา ทำให้การแยกของจริงออกจากงานคุณภาพต่ำเป็นงานที่กินเวลานาน

การยืนยันความถูกต้อง - Lean และ formalization

หนึ่งในเครื่องมือสำคัญที่ช่วยตรวจสอบความถูกต้องคือการ formalize งานในภาษาพิสูจน์เชิงคอมพิวเตอร์อย่าง Lean ซึ่งช่วยให้พิสูจน์สามารถตรวจสอบด้วยคอมพิวเตอร์ได้ อย่างไรก็ดี OpenAI ระบุว่าเอกสารต่างๆ อยู่ใน "ระดับการตรวจสอบที่ต่างกัน" และมีเพียงประมาณ 300 ผลลัพธ์จาก 719 ฉบับที่ถูก formalize หรือราว 42 เปอร์เซ็นต์เท่านั้น งานที่ formalize แล้วก็ยังต้องใช้เวลาตรวจสอบว่าโค้ดพิสูจน์นั้นสอดคล้องกับข้อสรุปในบทความจริงหรือไม่ ซึ่งไม่ใช่เรื่องอัตโนมัติ

คุณภาพและคำว่า 'slop' ที่นักคณิตศาสตร์กังวล

ชุมชนวิจารณ์ถึงงานบางชิ้นว่าเป็น "slop" คือผลงานที่สร้างด้วย AI แต่มีคุณภาพต่ำ ขาดความชัดเจน อ้างอิงไม่ครบ หรือสรุปสั้นเกินไปในขณะที่ควรขยายความเป็นหน้าร้อย งานบางชิ้นถูกมองว่าขาดการอ้างอิงที่เหมาะสม ซึ่งยิ่งทำให้การตรวจสอบย้อนกลับทั้งในเชิงวิชาการและจริยธรรมยากขึ้น ถึงกระนั้นนักวิจัยหลายคนก็บอกว่ามีผลงานที่น่าประทับใจจริงและบางชิ้นอาจมีคุณภาพถึงระดับส่งตีพิมพ์ในวารสารชั้นนำ

ผลกระทบต่อวงการและสิ่งที่ต้องติดตาม

ความเห็นส่วนใหญ่จากนักคณิตศาสตร์คือการทำความเข้าใจสิ่งที่ OpenAI ปล่อยออกมาจะใช้เวลานาน - บางคนคาดว่าอาจต้องใช้เป็นปีถึงสิบปี และกังวลว่า OpenAI อาจไม่รอช้าและปล่อยชุดใหม่ต่อไป การปล่อยงานในระดับนี้ยังชี้ให้เห็นช่องว่างระหว่างความเร็วของโมเดล AI กับความสามารถของชุมชนวิชาการที่จะตรวจสอบให้ทัน

สำหรับคนในวงการไอทีและนักพัฒนา สิ่งที่เกิดขึ้นสะท้อนความสำคัญของทักษะด้านการประเมินผล AI, prompt engineering, การทดสอบและประกันคุณภาพโมเดล รวมถึงการทำงานร่วมกับเครื่องมือ formal verification อย่าง Lean หากต้องสร้างหรือใช้งานผลลัพธ์เชิงคณิตศาสตร์จาก LLMs งานด้านการประเมินและการทำ reproducibility จะมีความจำเป็นมากขึ้น

ท้ายที่สุด เรื่องนี้ยังไม่จบ - ผู้เชี่ยวชาญรอการ formalize เพิ่มเติม การรีวิวจากชุมชน และความชัดเจนด้านการอ้างอิง หากจะติดตามต่อ ควรมองทั้งความเป็นไปได้ของผลงานที่มีคุณภาพจริง และความเสี่ยงจากเนื้อหาที่ยังไม่ได้รับการพิสูจน์

ที่มา: The Verge - เรียบเรียงและสรุปเป็นภาษาไทยโดยทีมงาน IT Genius