6 अक्टूबर को OpenAI ने AI-निर्मित गणितीय शोध का एक बड़ा संग्रह जारी किया। इसमें पांडुलिपियाँ, दावा किए गए परिणामों का एक अवलोकन और कुछ परिणामों के औपचारिक प्रमाणों की फ़ाइलें शामिल हैं। OpenAI की घोषणा कहती है कि परिणाम एक आंतरिक मॉडल ने तैयार किए और कंपनी गणितज्ञों को उन्हें समझने में मदद के लिए कार्यशालाएँ आयोजित करने की योजना बना रही है। यह रिलीज़ गणितज्ञों के सामने मूल्यांकन का एक बड़ा काम भी रखती है: तय करना कि किन परिणामों पर भरोसा किया जा सकता है और किनका उपयोग हो सकता है।

AI मौजूदा वैज्ञानिक समुदायों की ग्रहण क्षमता से तेज़ी से संभावित शोध-नतीजे बना सकता है। यह रिलीज़ उस जोखिम का उदाहरण है, पूरे शोध तंत्र का मापा हुआ निष्कर्ष नहीं। मेरी राय में, संस्थानों को सत्यापन, व्याख्या और स्वतंत्र अनुवर्ती कार्य को महत्वपूर्ण शोध-कार्य मानना चाहिए और इसके लिए लोगों तथा धन की व्यवस्था करनी चाहिए। संभावित नतीजों की लंबी सूची ये काम हमारी ओर से नहीं कर सकती।

बड़ा बदलाव

  • क्या बदला: एक कंपनी AI-निर्मित सैकड़ों गणितीय पांडुलिपियाँ एक साथ शोध समुदाय के सामने रख सकती है। दस्तावेज़ निरीक्षण के लिए उपलब्ध हैं, लेकिन हर परिणाम के दावे का अलग मूल्यांकन करना होगा।
  • यह क्यों मायने रखता है: किसी दावे के आधार पर आगे काम करने वाले शोधकर्ताओं को उसकी मान्यताओं, प्रमाण और पुराने काम में उसकी जगह जाँचने में समय लगाना पड़ता है। यदि संभावित परिणाम जाँच क्षमता से तेज़ बढ़ें, तो ज़रूरी सुधार या उपयोगी विचार उसी कतार में दब सकते हैं।
  • क्या देखना है: अब फैसले केवल प्रकाशन के नहीं, स्वतंत्र जाँच और व्याख्या के समर्थन के भी हैं। OpenAI ने कार्यशालाओं का वादा किया है; एक स्वतंत्र सलाहकार समूह समुदाय-नेतृत्व वाले वित्तपोषण और स्पष्ट स्रोत-जानकारी की सिफारिश करता है। ये विकल्प तय करेंगे कि काम का मूल्यांकन और विस्तार कौन कर सकता है।

पांडुलिपियों की संख्या समीक्षकों से क्या माँगती है

यह 6 अक्टूबर के रिपॉज़िटरी अवलोकन में चार-आयामी Kakeya समुच्चयों के बारे में दावा है: हर दिशा में एक इकाई लंबाई का रेखाखंड रखने वाले प्रत्येक समुच्चय का Hausdorff आयाम चार होता है। संग्रह की एक पांडुलिपि इसका तर्क प्रस्तुत करती है। यह कंपनी द्वारा जारी किया गया गणितीय दावा है, जिसकी अभी जाँच होनी है। केवल अवलोकन पढ़कर या लेख गिनकर इसकी शुद्धता स्थापित नहीं की जा सकती।

की गई एक 6 अक्टूबर के स्थिर रिपॉज़िटरी स्नैपशॉट की अलग जाँचमें BIG CHANGE ने 372 परिणाम-समूहों में 722 पांडुलिपियाँ गिनीं। एक समूह में कई संबंधित लेख हो सकते हैं। यह संख्या संग्रह के एक संस्करण की फ़ाइलों का वर्णन करती है; इसका अर्थ यह नहीं कि 722 खोजों की स्वतंत्र रूप से पुष्टि हुई है। पहले का लेख दिखाता है कि पाठक किसी पांडुलिपि को औपचारिक कथन और उसकी जाँच-विन्यास तक कैसे追 कर सकते हैं। यहाँ प्रश्न यह है कि बढ़ते दावों के प्रवाह में कोई क्षेत्र यह काम करने के लिए पर्याप्त योग्य पाठक कैसे जुटाए।

औपचारिक रूप देना मददगार हो सकता है। कंप्यूटर जाँच सकता है कि निर्दिष्ट परिभाषाओं, निर्भरताओं और स्वयंसिद्धों के अंतर्गत प्रस्तावित प्रमाण सटीक रूप से कूटबद्ध कथन स्थापित करता है या नहीं। फिर भी किसी व्यक्ति को देखना होगा कि वह कथन लोगों की समझ के अनुसार लेख के दावे से मेल खाता है या नहीं, मान्यताएँ उपयुक्त हैं या नहीं, और परिणाम का पूर्ववर्ती काम से क्या संबंध है। संग्रह के कुछ लेखों का औपचारिकीकरण नहीं है; एक कथन की Lean फ़ाइल पूरी पांडुलिपि की समीक्षा नहीं करती। रिपॉज़िटरी निरीक्षण इन सीमाओं को समझाता है और यह दावा नहीं करता कि जाँचकर्ता चलाया गया।

सितंबर की Navier–Stokes घोषणा दिखाती है कि यह अंतर रिपॉज़िटरी सूची से आगे क्यों मायने रखता है। OpenAI ने कहा कि उसके आंतरिक सिस्टम ने Clay के आधिकारिक निरूपणमें विकल्प C और D से जुड़ी एक बल-प्रेरित, सीमित-ऊर्जा विघटन रचना खोजी और एक लेख तथा Lean औपचारिकीकरण जारी किया। 11 सितंबर को Clay ने कहा कि समस्या “प्रतीत होता है” हल हो गई है और मूल्यांकन व श्रेय देने में जल्दबाज़ी नहीं होगी। उस जवाब में Clay ने पुरस्कार नहीं दिया था। BIG CHANGE का गणितीय घटनाक्रम पर पिछला विवरण तकनीकी संदर्भ देता है। यहाँ मुद्दा घोषित परिणाम और विचारपूर्वक निर्णय के बीच का समय है।

जाँच के लिए अलग संसाधन और श्रेय दें

स्वतंत्र गणित और कृत्रिम बुद्धिमत्ता सलाहकार समूह का तर्क है कि प्रकाशन से मानव समझ का काम शुरू होता है। उसकी 29 सितंबर की सिफ़ारिशें प्रयोगशालाओं से साहित्य और श्रेय की जाँच, पढ़ने योग्य प्रमाण, मॉडल के उपयोग और विफल प्रयासों की जानकारी तथा जहाँ संभव हो औपचारिकीकरण माँगती हैं। वे परिणामों को समझने और लागू करने के समुदाय-नेतृत्व वाले काम के लिए सहायता, जिसमें धन भी शामिल है, माँगती हैं। अपनी 6 अक्टूबर की प्रतिक्रियामें समूह ने कहा कि उसकी सलाहकार भूमिका को OpenAI की प्रक्रिया का समर्थन या परिणामों के प्रभाव का निर्णय नहीं समझना चाहिए।

मैं इस सहायता को अनुसंधान-वित्तपोषण और मूल्यांकन का सामान्य हिस्सा बनाऊँगा। हर दावे के साथ उसका संस्करण, AI का योगदान, मान्यताएँ, सहायक सामग्री और सुधार बताने का तरीका होना चाहिए। स्वतंत्र विशेषज्ञ फिर दावे के संभावित महत्व और गलती के परिणाम के आधार पर काम को प्राथमिकता दे सकते हैं। जिस परिणाम पर दूसरे प्रमाण निर्भर हों, उसकी समीक्षा एक सीमित गणना से अलग प्रयास माँगती है। व्याख्याएँ, पुनरुत्पादन, विफल जाँच और सावधानीपूर्वक सुधार भी योगदान माने जाने चाहिए, भले वे पहला परिणाम घोषित न करें।

यह शिक्षाविदों को एकसमान रूप से विरोधी या धीमा माने बिना संस्थानों से अधिक अपेक्षा करता है। गणितीय समीक्षा श्रेय की रक्षा करती है और त्रुटियाँ पकड़ती है; जब कोई परिणाम आगे के काम का आधार बनेगा, तब जिम्मेदार संयम उपयोगी है। क्षमता की समस्या इसलिए आती है कि संभावित परिणाम बनाना और उस पर उचित भरोसा अर्जित करना अलग-अलग तरह के श्रम हैं। बड़ी रिलीज़ सावधान संस्थानों पर बोझ डाल सकती है, भले वे अपना काम अच्छी तरह कर रहे हों।

व्यावहारिक उपयोग अपने दायरे में मूल्य जाँच सकता है

अनुसंधान पर आधारित उत्पाद बनाने वाली कंपनियाँ शुरुआती व्यावहारिक परीक्षण दे सकती हैं। कोई कार्यान्वयन दिखा सकता है कि विचार किसी निर्दिष्ट काम में मदद करता है, और विफल कार्यान्वयन गलत मान्यता उजागर कर सकता है। इन अवलोकनों को तरीकों और सीमाओं सहित प्रकाशित करना चाहिए ताकि दूसरे उन्हें जाँच सकें। केवल व्यावसायिक सफलता किसी गणितीय प्रमेय या सामान्य वैज्ञानिक दावे को सिद्ध नहीं कर सकती।

यह अंतर विषय के अनुसार बदलता है। गणित में काम करता उत्पाद प्रमाण का निर्णय नहीं करता; योग्य जाँच और, जहाँ उचित हो, औपचारिक जाँच सटीक प्रमेय को परखती है। संगणकीय विज्ञान में दूसरों को परिणाम दोहराने और संवेदनशीलता जाँचने के लिए पर्याप्त कोड, डेटा और सेटिंग चाहिए। जीवविज्ञान और चिकित्सा में अलग-अलग साक्ष्य चरण आवश्यक हैं—जहाँ लागू हो, प्रयोगशाला कार्य से पशु और मानव अध्ययन तक। भौतिकी में सिद्धांत या सिमुलेशन के लिए ऐसी टिप्पणियाँ या प्रयोग चाहिए जो उसकी भविष्यवाणियों की जाँच करें। कंपनी किसी भी चरण में योगदान दे सकती है, लेकिन एक चरण के साक्ष्य को चुपचाप अगले चरण का प्रमाण नहीं बनाया जा सकता।

निजी AI खोजों और सार्वजनिक विज्ञान पर BIG CHANGE के पहले के विचार-लेख ने निजी AI खोजों और सार्वजनिक विज्ञान परिणामों और औज़ारों तक पहुँच किसके नियंत्रण में है, इस पर विचार किया। सार्वजनिक रिलीज़ के बाद भी संस्थागत प्रश्न रहता है: क्या शोधकर्ताओं के पास संभावित परिणामों को भरोसेमंद ज्ञान में बदलने का समय, स्वतंत्रता और प्रोत्साहन है? जवाब वित्तपोषित पुनरुत्पादन, सार्वजनिक व्याख्याओं और श्रेययुक्त सुधारों में दिखना चाहिए, केवल अगली पांडुलिपि-गिनती में नहीं।

स्रोत और आगे पढ़ें