Är dagens artificiella intelligens faktiskt intelligent, eller är den bara extremt bra på att memorera? Det är frågan som en av världens främsta matematiker nu ställer på sin spets. I ett nytt samarbete mellan Fieldsmedaljören Martin Hairer och forskare från elituniversiteten Stanford och Harvard, lanseras initiativet “First Proof”. Resultaten ger oss en fascinerande, och kanske nyktrande, inblick i vad maskinerna faktiskt klarar av.
Vi lever i en tid där AI-modeller ständigt imponerar på oss med sin förmåga att svara på frågor, skriva kod och lösa problem. Men det finns en hake som ofta glöms bort i teknikbruset: modellerna har tränats på nästan allt som någonsin skrivits. Det innebär att när en AI löser ett problem från en lärobok, är det svårt att veta om den faktiskt förstår matematiken, eller om den bara minns lösningen från sin enorma databas.
Det är här Martin Hairer och hans kollegor kommer in i bilden med ett genialt lackmustest.
First Proof – Ett test utan facit
För att verkligen syna AI-modellernas tekniska kompetens i sömmarna har forskargruppen lanserat benchmarking-initiativet “First Proof”. Det unika med detta projekt är att man helt frångår standardmetoden. Istället för att testa modellerna på kända problem, utsätts de för opublicerade forskningsfrågor.
Genom att använda material som aldrig tidigare funnits tillgängligt i läroböcker eller på internet, eliminerar forskarna effektivt modellernas möjlighet att luta sig mot sin träningsdata. Det är som att ta ifrån en student fusklappen och be dem lösa en uppgift som ingen någonsin sett förut. Syftet är kristallklart: att skilja på mekanisk beräkningsförmåga och sann matematisk innovation.
Kompetens kontra kreativitet
Revisionen av projektet har redan gett oss insikter som ritar om kartan för hur vi bör se på AI-utvecklingen. Resultaten visar en tydlig klyfta i maskinernas förmåga.
När det gäller etablerade problem, sådana som man hittar i standardiserade läroböcker, uppvisar dagens AI-system en mycket hög kompetens. De är snabba, exakta och effektiva. Men när de ställs inför de opublicerade frågorna i “First Proof” förändras bilden drastiskt.
Experimentet avslöjar att systemen misslyckas med att generera originella koncept. De klarar helt enkelt inte av att producera genuint nya matematiska idéer. När kartan tar slut och terrängen blir okänd, stannar maskinen.
Slutsats: En lång väg kvar till äkta tänkande
Initiativet från Martin Hairer och teamen vid Stanford och Harvard är en viktig påminnelse om var tekniken befinner sig idag. Vi har byggt system som är mästare på att replikera och applicera existerande kunskap, men vi har ännu inte knäckt koden för maskinell kreativitet.
“First Proof” visar att det finns en fundamental skillnad mellan att räkna snabbt och att tänka nytt. För tech-världen innebär detta att jakten på en AI som kan bidra med verklig forskningsinnovation fortsätter – men nu vet vi åtminstone hur vi ska mäta framstegen.