Πριν λίγο καιρό, ο Neil Thompson, ο οποίος μελετά την πρόοδο στην πληροφορική και την τεχνητή νοημοσύνη, μίλησε στο MIT. Μέσα σε μόλις μισή ώρα, κατάφερε να παρουσιάσει μια πειστική επιχειρηματολογία για το πώς αρκετοί επιστημονικοί τομείς βρίσκονται αντιμέτωποι με σαρωτικές αλλαγές λόγω του AI.
Καθώς οι μαθηματικοί ακόμα προσπαθούν να συνέλθουν από τον τρόπο με τον οποίο τo ΑΙ αυτοματοποιεί το πεδίο τους, η τελευταία μελέτη του Thompson υποδεικνύει ότι η θεωρία πιθανοτήτων, η στατιστική θεωρία, η οικονομική θεωρία, η φυσική υψηλών ενεργειών, η βαρύτητα και η κοσμολογία, καθώς και η κβαντική φυσική ενδέχεται να είναι οι επόμενες.
Σύμφωνα με τη μελέτη, μεταξύ των μέσων του 2024 και του 2026, τα καλύτερα μοντέλα τεχνητής νοημοσύνης πέρασαν από το να επιλύουν σωστά περίπου το 2% των θεωρητικών προβλημάτων σε περίπου 35%. Και δεν υπάρχουν ενδείξεις ότι αυτή η πρόοδος πρόκειται να επιβραδυνθεί.
«Μέσα σε μόλις λίγα χρόνια, αναμένουμε ότι πολλά θεωρητικά ερωτήματα θα μετασχηματιστούν πλήρως ως προς τη δυνατότητα της τεχνητής νοημοσύνης να τα επιλύει», αναφέρει ο Thompson.
Σε γενικές γραμμές, το εργαστήριο του Thompson εμβαθύνει στο πώς οι εξελίξεις στην επιστήμη των υπολογιστών επηρεάζουν την κοινωνία και την καινοτομία. Η συγκεκριμένη μελέτη – την οποία πραγματοποίησε ο μαζί με τον υποψήφιο διδάκτορα Gabriel Manso, και τον ερευνητή Claudio Mayrink Verdun – πήρε προβλήματα από ερευνητικές εργασίες που δημοσιεύτηκαν online μεταξύ Δεκεμβρίου του 2025 και Μαΐου του 2026. Στη συνέχεια, εξέτασε αν διαφορετικά μοντέλα της OpenAI – o1, o3, GPT-5, GPT-5.1, GPT-5.4 και GPT-5.5 – μπορούσαν να τα επιλύσουν.
Καθοριστικό ρόλο έπαιξε ότι οι λύσεις σε αυτά τα προβλήματα βρίσκονταν σε δημοσιεύσεις μεταγενέστερες της περιόδου εκπαίδευσης του GPT-5.5 και των προγενέστερων μοντέλων. Αυτό σημαίνει ότι τα μοντέλα που δοκιμάστηκαν έπρεπε να καταλήξουν στις λύσεις μόνα τους, αντί να βασίζονται σε απαντήσεις που τους είχαν δοθεί ως δεδομένα εκπαίδευσης. Επιπλέον, οι ερευνητές τους απέκλεισαν την πρόσβαση στο διαδίκτυο, εμποδίζοντας τα από το να αναζητήσουν τις λύσεις online.
Οι τομείς που κάλυψε η μελέτη ήταν περιορισμένοι. Ωστόσο, η εργασία υποδηλώνει ότι το σοκ που βιώνει αυτή τη στιγμή ο χώρος των μαθηματικών είναι πιθανό να εξαπλωθεί και σε άλλους επιστημονικούς τομείς με έντονο θεωρητικό και μαθηματικό υπόβαθρο.
Τον Σεπτέμβριο, η OpenAI συντάραξε τον κόσμο των μαθηματικών ανακοινώνοντας ότι ένα μοντέλο της, που δεν έχει κυκλοφορήσει ακόμα, έλυσε το πρόβλημα Navier-Stokes, το οποίο αφορά τις εξισώσεις που εξηγούν τη συμπεριφορά της κίνησης των ρευστών -πράγμα που αποδείχθηκε ιδιαίτερα αμφιλεγόμενο. Μάλιστα, ένας μαθηματικός του Πανεπιστημίου της Νέας Υόρκης, ο οποίος συνεργαζόταν με έναν άλλο ακαδημαϊκό συνδεδεμένο με την Anthropic, κατηγόρησε την OpenAI ότι τους «την έφερε».
Η OpenAI και άλλες εταιρείες έχουν έκτοτε ανακοινώσει εκατοντάδες ακόμα λύσεις σε μακροχρόνια μαθηματικά προβλήματα, προκαλώντας κρίση στον κλάδο. Ορισμένοι μαθηματικοί έχουν ζητήσει να τεθούν όρια στη χρήση της τεχνητής νοημοσύνης, προειδοποιώντας ότι η ίδια η διαδικασία επίλυσης ενός προβλήματος είναι συχνά εξίσου χρήσιμη με το να έχεις την τελική απάντηση.
Όπως και στα μαθηματικά, έτσι και σε άλλους τομείς, ο Thompson αναφέρει ότι θα πρέπει να περιμένουμε πως οι εξελίξεις θα έχουν τόσο θετικές όσο και αρνητικές επιπτώσεις. Επισημαίνει ότι οι θεωρητικές πρόοδοι συχνά πυροδοτούν πρακτικές εξελίξεις στην επιστήμη και υποστηρίζει ότι η εκτεταμένη χρήση της τεχνητής νοημοσύνης ενδέχεται να σημαίνει ότι περισσότερη πρόοδος θα επιτυγχάνεται πλέον με αυτόν τον τρόπο.
Ορισμένοι διακεκριμένοι ερευνητές στον χώρο της τεχνητής νοημοσύνης έχουν ήδη ιδρύσει νέα εργαστήρια εστιασμένα στο «AI για την επιστήμη», ενώ τα μεγάλα εργαστήρια τεχνητής νοημοσύνης ενισχύουν συνεχώς την επιστημονική τους έρευνα.
Αυτές οι προσπάθειες διερευνούν το πώς το AI θα μπορούσε να αποκτήσει τη δυνατότητα να διεξάγει πραγματικά πειράματα παράλληλα με τη θεωρητική ανάλυση. Η τεχνητή νοημοσύνη μπορεί να σημαίνει ότι οι θεωρητικοί επιστήμονες δεν θα είναι πλέον απαραίτητοι για την επίλυση βασικών προβλημάτων, αλλά οι ερευνητές τονίζουν πως αυτό δεν σημαίνει ότι δεν θα χρειάζονται ειδικοί για να ερμηνεύουν τις λύσεις και να βεβαιώνονται ότι είναι έγκυρες.
«Θα συνεχίσουμε να χρειαζόμαστε ανθρώπους για να παράγουν καλές ιδέες και να συνδέουν τα κομμάτια του παζλ», αναφέρει ο Manso. Προσθέτει επίσης ότι για πολύ περίπλοκα προβλήματα, είναι πιθανό η τεχνητή νοημοσύνη να κάνει λάθη.
«Χρειαζόμαστε επίσης τρόπους για να επαληθεύουμε όσα έγιναν, επειδή είναι πολύ εύκολο για ένα μοντέλο να σου πει “αυτή είναι η σωστή απάντηση”, αλλά όταν κοιτάξεις ολόκληρη τη λύση, αρχίζεις να βλέπεις ότι ίσως τελικά και να μην είναι».
To άρθρο δημοσιεύθηκε στο WIRED US και μεταφράστηκε από τα αγγλικά.
Με την εγγραφή σας, συμφωνείτε με τους Όρους Χρήσης μας (συμπεριλαμβανομένης της παραίτησης από ομαδικές αγωγές και των διατάξεων διαιτησίας) και αναγνωρίζετε την Πολιτική Απορρήτου μας.
