OpenAI dijo el martes 8 de septiembre que su tecnología de inteligencia artificial (IA) más reciente resolvió uno de los “problemas del milenio”, una serie de preguntas matemáticas importantes sin respuesta concebidas para impulsar a los mejores matemáticos del mundo a alcanzar nuevos límites.
El anuncio es otra señal clara de que la IA está cambiando de manera fundamental los niveles más avanzados de las matemáticas, considerados desde hace mucho tiempo como una de las cumbres del logro humano. El cambio ha entusiasmado a algunos matemáticos, pero también ha generado preocupación en otros.
Durante el último año, los sistemas de IA han resuelto con éxito una amplia variedad de problemas, los cuales atormentaron a los matemáticos durante décadas. Sin embargo, estos no eran tan complejos ni habían recibido tanta atención como el que la tecnología de OpenAI resolvió en los últimos días. Los problemas del milenio se encuentran entre los más estudiados en el campo.
“Esta es una culminación espectacular del arco que hemos visto en los últimos 12 meses”, dijo el investigador de OpenAI Sébastien Bubeck sobre la nueva solución de la empresa.
Resolución de uno de los problemas más complejos del campo
La compañía anunció que uno de sus modelos más recientes, el cual aún no ha sido lanzado al público, sólo necesitó 88 horas para resolver el “problema de existencia y suavidad de Navier-Stokes”, así nombrado por los matemáticos. Este problema involucra una serie de ecuaciones utilizadas a menudo para pronosticar el clima.
Dichas ecuaciones describen el movimiento del agua y otros fluidos. El problema de Navier-Stokes, que no tiene un valor práctico claro, pregunta si estas ecuaciones fallan en ciertas situaciones. La demostración de OpenAI asegura haber definido justo ese tipo de situación.
Esto implicaría, al menos teóricamente, que las propias leyes de la física fallarían bajo ciertas condiciones: por ejemplo, la posibilidad de provocar la explosión espontánea del agua. Sin embargo, matemáticos y físicos descartan este fallo como causa de un resultado de tal naturaleza en el mundo físico.
El conflicto de Navier-Stokes fue uno de los siete “problemas del milenio” seleccionados por el Instituto Clay de Matemáticas en el año 2000 como una forma de observar el progreso de las matemáticas en el nuevo milenio. El instituto, fundado por un empresario estadunidense llamado Landon T. Clay, ofreció un millón de dólares por la primera solución correcta a cada problema. Antes del anuncio de OpenAI, sólo se había resuelto uno de los problemas.
Seleccionado en el año 2000 por el Instituto Clay de Matemáticas como parte de los siete “problemas del milenio”, el de Navier-Stokes buscaba medir el progreso de la disciplina en el nuevo siglo. El instituto, fundado por un empresario estadunidense llamado Landon T Clay, ofreció un millón de dólares por la primera solución correcta a cada problema. Antes del anuncio de OpenAI, sólo se había resuelto uno de los problemas.
El esfuerzo como parte del proceso humano
“Estas preguntas son faros —aseguró Terence Tao, profesor de la Universidad de California en Los Ángeles, a quien muchos consideran el mejor matemático de su generación—. Son grandes puntos de referencia que atraen los esfuerzos de los científicos humanos”.
Tao es uno de los muchos especialistas que han advertido públicamente sobre el riesgo de las tecnologías de IA más recientes para el campo de las matemáticas.
Afirma que si la inteligencia artificial puede resolver los problemas más difíciles con poca intervención de los matemáticos humanos, entonces podría debilitar la comprensión humana del campo.
“El esfuerzo necesario para resolver problemas suele ser muy instructivo; te enseña algo. Es como ir al gimnasio y tener la meta de levantar una pesa cien veces" explicó.
"Ahora la IA puede resolver preguntas sin realmente obtener ningún valor de ellas. Es como tener máquinas que pueden levantar pesas por ti en el gimnasio", añadió.
Sin embargo, como él y otros señalan, los matemáticos aún aportan algo de ayuda, mientras los sistemas de IA solo resuelven estos problemas.
OpenAI dijo que desplegó enormes equipos de "agentes de IA" para resolver el problema de Navier-Stokes, con sus investigadores intercambiando ideas clave entre dichos grupos.
“Nuestro papel fue como el de un abejorro que realiza una polinización cruzada entre distintos grupos y lleva diferentes fragmentos de información”, dijo el investigador de OpenAI, Dan Roberts.
Los sistemas de IA también pueden basarse en avances clave logrados previamente por matemáticos destacados, o reproducir su trabajo de manera independiente.
La noche anterior al anuncio de OpenAI, Tristan Buckmaster, profesor de matemáticas en la Universidad de Nueva York, dijo en una publicación de redes sociales que había estado explorando una investigación similar con otro matemático, trabajador de Anthropic, el principal rival de OpenAI.
Habilidades neuronales
OpenAI reconoció en una publicación de blog que concentró sus recursos en el problema de Navier-Stokes tras enterarse sobre investigaciones similares por parte de otros matemáticos, aunque la empresa aseguró "no haber tenido acceso a ninguno de sus trabajos por ningún medio".
Empresas como OpenAI desarrollan sus tecnologías de IA mediante lo que los científicos llaman redes neuronales, sistemas que aprenden habilidades al analizar enormes cantidades de datos digitales.
Hace unos dos años, esas compañías comenzaron a perfeccionar estos sistemas mediante otra técnica llamada aprendizaje por refuerzo. A través de este proceso, los sistemas de IA pueden aprender comportamientos adicionales mediante un extenso proceso de prueba y error.
Por ejemplo, al resolver miles de problemas matemáticos, pueden aprender cuáles métodos conducen a la respuesta correcta y cuáles no. Los investigadores en laboratorios como OpenAI desarrollan mecanismos complejos de retroalimentación que le muestran al sistema cuándo ha hecho algo bien y cuándo lo ha hecho mal.
El aprendizaje por refuerzo es difícil de perfeccionar en áreas como la escritura creativa, la filosofía y la ética, en las que resulta complejo definir objetivamente la validez de las respuestas. Sin embargo, la técnica resulta ideal para las matemáticas.
Mediante este proceso, los sistemas de IA pueden aprender a demostrar teoremas matemáticos usando un lenguaje de programación informática llamado Lean, diseñado originalmente como una herramienta para los matemáticos humanos, pero ahora que los sistemas de IA son lo suficientemente hábiles como para generar su propio código informático, ellos también pueden usarlo para generar sus propias demostraciones matemáticas.
Una solución superficial para los matemáticos
En enero, OpenAI y otra empresa emergente llamada Harmonic dijeron que, en conjunto, dos de sus tecnologías habían resuelto uno de los “problemas de Erdos”, una colección de problemas complejos sin resolver planteados por un académico del siglo XX llamado Paul Erdos.
Algunos matemáticos señalaron que la solución generada por los sistemas de IA no había sido muy diferente del trabajo previo realizado sin la ayuda de la IA.
“Para mí, es como un estudiante muy listo que ha memorizado todo para el examen pero no tiene una comprensión profunda del concepto”, comentó Tao al Times.
Sin embargo, con el paso de los meses, las tecnologías de OpenAI y otras empresas continuaron resolviendo problemas adicionales, a veces de formas más impresionantes.
OpenAI dijo que resolvió el problema de Navier-Stokes utilizando hasta 10 mil “agentes de IA” laborando de manera coordinada.
Es probable que la operación de una masa tan grande de sistemas de IA haya costado millones de dólares, debido al enorme consumo de energía eléctrica necesario para alimentar los chips especializados detrás de estas tecnologías.
Noam Brown, investigador de OpenAI, calificó el procedimiento como un "proceso muy costoso", agregando que los costos de operación en tecnologías de IA tienden a reducirse a medida del progreso en la eficiencia de empresas como OpenAI.
La empresa publicó un artículo donde describe su solución, incluyendo una demostración en Lean, permitiendo a los matemáticos externos ver cómo sus agentes resolvieron el problema. Sin embargo, Tao cree que eso sigue siendo un mal sustituto de los humanos quienes resuelven el problema por sí mismos.
Comparó a OpenAI con un guía de la naturaleza que encuentra un camino hacia una cascada escondida.
“Esto tiene cierto valor. Pero una vez que alguien muestra un camino específico hacia la cascada, la gente simplemente toma ese camino. No pasan tanto tiempo buscando otros caminos”, concluyó Tao.
LGG