Για το μεγαλύτερο μέρος του περασμένου αιώνα, η πρακτική των μαθηματικών άλλαξε εντυπωσιακά ελάχιστα. Ένας μαθηματικός παρατηρεί ένα μοτίβο, γράφει μια εικασία, ξοδεύει μήνες ή χρόνια για να κατασκευάσει μια απόδειξη και άλλοι μαθηματικοί την επαληθεύουν. Τώρα, σύμφωνα με μια εις βάθος αναφορά του Benjamin Skuse στο IEEE Spectrum, η τεχνητή νοημοσύνη αρχίζει να παρακάμπτει αυτή την αργή, διαβουλευτική διαδικασία και αναγκάζει το πεδίο να αντιμετωπίσει αυτό που πραγματικά σημαίνει να είσαι μαθηματικός.
Το κομμάτι, που δημοσιεύτηκε στις 25 Ιουνίου 2026, παρακολουθεί πόσο γρήγορα εξελίχθηκε τα μεγάλα γλωσσικά μοντέλα από αυτά που κάποτε οι κριτικοί απέρριψαν ως στοχαστικούς παπαγάλους σε γνήσιους μαθηματικούς συλλογιστικούς μηχανισμούς και τι σημαίνει αυτή η αλλαγή για τους ανθρώπους που ανέκαθεν έκαναν αυτό το έργο. For more context on this story, see our ongoing AI news.
Το ραγδαία αυξανόμενο αποτύπωμα της τεχνητής νοημοσύνης στα μαθηματικά
Οι υπολογισμοί έχουν επιταχύνει τα μαθηματικά εδώ και δεκαετίες. Το σημείο καμπής ήρθε περίπου πριν από 50 χρόνια, όταν ένας υπολογιστής χρησιμοποιήθηκε για να αποδείξει το θεώρημα των τεσσάρων χρωμάτων, το οποίο ρωτά εάν οποιοσδήποτε χάρτης μπορεί να χρωματιστεί με όχι περισσότερα από τέσσερα χρώματα, έτσι ώστε καμία γειτονική περιοχή να μην μοιράζεται ένα χρώμα. Η απάντηση ήταν ναι, αλλά η απόδειξη ήταν αμφιλεγόμενη επειδή βασίστηκε στον έλεγχο 1.936 περιπτώσεων που κανένας άνθρωπος δεν μπορούσε ρεαλιστικά να επαληθεύσει με το χέρι.
Ακόμη και κατά τη διάρκεια αυτής της υπολογιστικής εποχής, ο ανθρώπινος μαθηματικός παρέμεινε κεντρικός, προτείνοντας εικασίες, επινοώντας στρατηγικές και επαληθεύοντας αποτελέσματα. Η τεχνητή νοημοσύνη αμφισβητεί τώρα αυτή τη ρύθμιση άμεσα. Το περασμένο καλοκαίρι, συστήματα από το Google DeepMind και το OpenAI έφτασαν σε επίπεδο ισοδύναμο με τους πιο προικισμένους μαθηματικά μαθητές γυμνασίου στον κόσμο, κερδίζοντας το χρυσό μετάλλιο στη Διεθνή Μαθηματική Ολυμπιάδα (IMO), τον ετήσιο διαγωνισμό όπου οι διαγωνιζόμενοι πρέπει να λύσουν έξι εξαιρετικά δύσκολα προβλήματα.
Τα ορόσημα συνέχισαν να επιταχύνονται. Νωρίτερα το 2026, το πειραματικό σύστημα Aletheia του Google DeepMind παρήγαγε αυτόνομα δημοσιοποιήσιμα ερευνητικά αποτελέσματα σε επίπεδο διδακτορικού. Αν και το ίδιο το έργο είναι μαθηματικά ασαφές, υπολογίζοντας σταθερές δομής στην αριθμητική γεωμετρία, η σημασία έγκειται στον πολύπλοκο συλλογισμό που απαιτείται για την αντιμετώπιση ενός προηγουμένως άλυτου προβλήματος. Πιο πρόσφατα, ένα νέο σύστημα τεχνητής νοημοσύνης γενικής χρήσης από το OpenAI διέψευσε μια σημαντική εικασία στη συνδυαστική γεωμετρία, ένα αποτέλεσμα που κορυφαίοι μαθηματικοί χαιρέτησαν ως ορόσημο για τον τομέα και που θα άξιζε να δημοσιευθεί σε σημαντικό περιοδικό.
Βοηθοί απόδειξης και το σημείο συμφόρησης επισημοποίησης
Μια δεύτερη αλλαγή ήρθε από τη σύζευξη μεγάλων μοντέλων γλωσσών με βοηθούς απόδειξης. Συστήματα όπως η Isabelle, η Lean και η Rocq είναι εξειδικευμένες γλώσσες προγραμματισμού που ελέγχουν τις μαθηματικές αποδείξεις βήμα προς βήμα, επαληθεύοντας τη λογική τους ορθότητα. Για περισσότερο από μια δεκαετία, το σημείο συμφόρησης είναι η επισημοποίηση, η επίπονη διαδικασία μετάφρασης θεωρημάτων και αποδείξεων με το χέρι σε κώδικα αναγνώσιμο από μηχανή.
Τα LLM αρχίζουν να αφαιρούν αυτό το σημείο συμφόρησης αυτοματοποιώντας τη μετάφραση των άτυπων αποδείξεων σε επίσημο κώδικα που μπορούν να επαληθεύσουν οι βοηθοί απόδειξης. Τον Φεβρουάριο, η εταιρεία τεχνητής νοημοσύνης Math, Inc. χρησιμοποίησε τον συλλογισμό της, ονόματι Gauss, για να επισημοποιήσει το έργο που κέρδισε στη Maryna Viazovska της EPFL ένα μετάλλιο Fields το 2022. Ο Gauss βοήθησε για πρώτη φορά τους ανθρώπινους μαθηματικούς να ολοκληρώσουν την επισημοποίηση της λύσης της Viazovska στο 8-διάστατο πρόβλημα της πιο σύνθετης σφαίρας των ημερών. Θήκη 24 διαστάσεων σε μόλις δύο εβδομάδες.
Τέτοια επιτεύγματα υποδηλώνουν ότι η τεχνητή νοημοσύνη χειρίζεται ήδη εργασίες που θεωρούνται από καιρό μοναδικά ανθρώπινες και ότι μεγάλο μέρος της καθημερινής εργασίας ενός μαθηματικού μπορεί σύντομα να είναι δίκαιο παιχνίδι για την αυτοματοποίηση.
Οι μαθηματικοί συζητούν αν γίνονται «ιερείς των χρησμών»
Αναφέροντας από το 12ο Βραβευμένο Φόρουμ της Χαϊδελβέργης τον Σεπτέμβριο του 2025, ο Skuse περιγράφει την απτή ανησυχία στο κοινό καθώς οι ομιλητές περιέγραψαν ένα μέλλον στο οποίο υπερανθρώπινα συστήματα AI σχηματίζουν εικασίες, αναζητούν χώρους λύσης, αποδεικνύουν θεωρήματα, επαληθεύουν αποδείξεις και γενικεύουν αποτελέσματα χωρίς ανθρώπινη συμμετοχή.
Ο Yang-Hui He του Ινστιτούτου Μαθηματικών Επιστημών του Λονδίνου προειδοποίησε αξέχαστα ότι οι άνθρωποι μαθηματικοί θα μπορούσαν να γίνουν "ιερείς των χρησμών." Η Jessica Randall, μαθηματικός για τις Ομάδες προγραμματιστών Google, είπε ότι ένιωσε τον συλλογικό υπαρξιακό τρόμο να αυξάνεται μεταξύ των νέων ερευνητών. «Σίγουρα αρχίσαμε να συνειδητοποιούμε ότι η τεχνητή νοημοσύνη έχει τη δυνατότητα να μας αντικαταστήσει», είπε στο IEEE Spectrum.
Δεν ανησυχούν όλοι. Μερικοί καθιερωμένοι μαθηματικοί θέλουν απλώς απαντήσεις στα μεγαλύτερα ανοιχτά ερωτήματα, όπως τα έξι εναπομείναντα Προβλήματα του Βραβείου Χιλιετίας, ανεξάρτητα από το ποιος ή τι τα παράγει. «Πολλοί μαθηματικοί είναι πραγματιστές και θέλουν απλώς να καταλάβουν», παρατήρησε ο Jeremy Avigad του Πανεπιστημίου Carnegie Mellon. «Θα πούλαγαν την ψυχή τους για τη λύση ενός προβλήματος».
Τρία ανταγωνιστικά οράματα για το μέλλον
Η έκθεση IEEE Spectrum προσδιορίζει τρία γενικά οράματα για το πώς μπορεί να συνυπάρχουν τα μαθηματικά και η τεχνητή νοημοσύνη.
Η πρώτη είναι μια ανθρωποκεντρική άποψη που δίνει προτεραιότητα στην ανθρώπινη κατανόηση και αντιμετωπίζει την τεχνητή νοημοσύνη ως εργαλείο, σαν μια αριθμομηχανή. Ο μαθηματικός Akshay Venkatesh, μετάλλιο του Fields και μαθηματικός του Princeton, υποστηρίζει ότι τα μαθηματικά είναι, κατά βάθος, ένας τρόπος επίτευξης συμφωνίας. «Μερικές φορές νομίζω ότι όταν χρησιμοποιούμε αριθμούς, δεν είναι τόσο ότι περιγράφουμε φαινόμενα που είναι εγγενώς αριθμητικά, αλλά ότι όλοι μπορούμε να συμφωνήσουμε ακριβώς τι σημαίνουν οι αριθμοί», είπε.
Το δεύτερο τονίζει την αμετάκλητα ανθρώπινη εμπειρία του αγώνα. Η Maia Fraser από το Πανεπιστήμιο της Οτάβα υποστηρίζει ότι μια απόδειξη AI μιας πεισματικής εικασίας είναι χρήσιμη μόνο εάν είναι κατανοητή στους ανθρώπους. «Το ότι η δήλωση μπορεί να αποδειχθεί από την τεχνητή νοημοσύνη είναι ήδη χρήσιμη πληροφορία», παραδέχτηκε. «Αλλά είναι ακόμα ένα ανοιχτό πρόβλημα να βρούμε μια κομψή, όμορφη ανθρώπινη απόδειξη».
Το τρίτο, και ίσως το πιο φιλόδοξο, προέρχεται από τον Terence Tao του UCLA, ο οποίος συμμετείχε για πρώτη φορά στην Ολυμπιάδα των μαθηματικών σε ηλικία 10 ετών και τώρα είναι ένας από τους πιο διακεκριμένους μαθηματικούς εν ζωή. Ο Tao βλέπει την τεχνητή νοημοσύνη ως τον καταλύτη για αυτό που αποκαλεί "μεγάλα μαθηματικά", ένα μέλλον μεγάλης κλίμακας, αποκεντρωμένων συνεργασιών μεταξύ ανθρώπων και μηχανών, στις οποίες τα περίπλοκα προβλήματα χωρίζονται σε κομμάτια, με τους ανθρώπους να διεκδικούν τη δημιουργική εργασία και την τεχνητή νοημοσύνη να χειρίζεται την τεχνική γρύλισμα.
Μια πειθαρχία που ρωτά γιατί υπάρχει
Αυτό που κάνει τη στιγμή ασυνήθιστη είναι ότι η συζήτηση δεν είναι πλέον υποθετική. Τα συστήματα τεχνητής νοημοσύνης κερδίζουν ήδη χρυσά μετάλλια του ΙΜΟ, παράγουν δημοσιευμένη έρευνα, διαψεύδουν εικασίες και επισημοποιούν τις αποδείξεις που κέρδισαν μετάλλια Fields σε ημέρες και όχι σε χρόνια.
Για φοιτητές όπως ο Trill White του πανεπιστημίου Deakin της Αυστραλίας, που παρακολούθησαν το φόρουμ της Χαϊδελβέργης, η συνειδητοποίηση ήταν δύσκολη. «Αυτό είναι καταστροφικό», θυμάται ο White. "Τι θα έχουν οι άνθρωποι να συνεισφέρουν στα μαθηματικά; Θα γίνει κάτι που δεν καταλαβαίνει κανείς;"
Η απάντηση δεν έχει ακόμη διευθετηθεί. Όμως, όπως καθιστά σαφές το ρεπορτάζ του Skuse, τα μαθηματικά, ένας από τους παλαιότερους πνευματικούς κλάδους της ανθρωπότητας, αντιμετωπίζουν τώρα το ίδιο ερώτημα που αναδιαμορφώνει σχεδόν κάθε πεδίο που αγγίζει η τεχνητή νοημοσύνη: όταν μια μηχανή μπορεί να κάνει τη δουλειά, σε τι πραγματικά εξυπηρετεί η δουλειά;
Πηγή: Benjamin Skuse, "What It Mean to Be a Mathematician When AI Does the Math", IEEE Spectrum, 25 Ιουνίου 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
