OpenAI uruchomiło nowy blog naukowy 15 listopada, a jego inauguracyjny wpis gościnny jest uderzający: teoretyk cząstek z Uniwersytetu Kalifornijskiego w Santa Barbara, Nathaniel Craig, naukowiec wizytujący w OpenAI, opisuje, w jaki sposób firmowy model GPT-6 Astra odegrał wiodącą rolę w szczegółowym dowodzie kandydującej na nieperturbacyjną definicję sieci w Modelu Standardowym – jednej z długotrwałych przeszkód w fizyce teoretycznej, według bloga OpenAI i raportów AI Weekly.
Post koncentruje się na preprintze arXiv z 6 października, „Niezmiennicza miara dla chiralnych fermionów sieciowych”, który jest dostarczany z formalizacją konstrukcji Lean 4. Współzałożyciel OpenAI, Greg Brockman, opublikował wyniki i jest to pierwszy raz, kiedy pionierskie laboratorium dołączyło nazwisko i akredytowanego fizyka oraz formalny dowód na twierdzenie, że jego model wykonał zdecydowaną pracę nad problemem sprzed kilkudziesięciu lat. Więcej informacji o tym, jak modele sztucznej inteligencji są wykorzystywane w pionierskich naukach, znajdziesz w naszym relacie badań nad sztuczną inteligencją, w którym znajdziesz istotne artykuły, testy porównawcze i ogłoszenia laboratoriów.
Problem fizyczny w prostych słowach
Model Standardowy fizyki cząstek elementarnych to teoria cechowania chiralnego — jej fermiony inaczej traktują składniki lewoskrętne i prawoskrętne, co właśnie sprawia, że umieszczenie tej teorii na dyskretnej, czterowymiarowej czasoprzestrzeni jest tak trudne bez zniszczenia symetrii cechowania, na której opiera się teoria. Jak zauważa analiza AI Weekly, przeszkoda istniała przez ponad 25 lat, odkąd recepta Martina Lüschera rozwiązała problem prostszych teorii.
Wstępny wydruk Craiga proponuje konstrukcję nakładających się fermionów „w klasie nieabelowych teorii cechowania chiralnego, która obejmuje Model Standardowy”, zgodnie ze streszczeniem cytowanym w raportach. Tego rodzaju nieperturbacyjna definicja sieci w zasadzie umożliwiłaby fizykom badanie Modelu Standardowego od pierwszych zasad w silnie sprzężonych reżimach, do których nie mogą dotrzeć metody perturbacyjne.
Co właściwie zrobiła Astra
Craig wyraźnie mówi o podziale pracy. „Miałem strategię poradzenia sobie z tym problemem, ale nie udało mi się udowodnić, że zadziałała we wszystkich przypadkach, które musiałem uwzględnić” – pisze Craig na blogu, zgodnie z raportem AI Weekly. „Astra pomogła przekształcić tę strategię w konstrukcję i przejęła inicjatywę w opracowaniu szczegółowego dowodu”.
To przypisanie – model prowadzący do szczegółowego dowodu, z fizykiem zapewniającym strategię i ocenę dziedziny – sprawia, że post jest znaczący. Towarzysząca formalizacja Lean 4 również ma znaczenie: nadaje konstrukcji konstrukcję, w której asystenci ds. dowodu mogą mechanicznie weryfikować każdy krok, zamiast polegać wyłącznie na prozie matematycznej.
Zastrzeżenia są istotne
Sam Craig określa wynik jako „znacznie bardziej odpowiedź w zasadzie niż odpowiedź w praktyce”. Kilka głównych luk pozostaje otwartych, jak je wylicza: dodatniość odbicia (warunek spójności łączący teorie sieci z jednolitością fizyczną), definicja ciągłej czasoprzestrzeni i nie osiągnięto realistycznych symulacji sieci.
Stan recenzji również jest niekompletny. Craig wymienia trzech teoretyków pola kratowego – Maartena Goltermana, Andreasa Kronfelda i Yigala Shamira – którzy recenzowali tę pracę, ale recenzja ta była prywatna i według AI Weekly nie ukazała się jeszcze żadna niezależna, opublikowana ocena. Następnym prawdziwym sygnałem, zauważa outlet, będzie to, czy którykolwiek z nich opublikuje ocenę lub czy kolejny artykuł arXiv zajmie się konstrukcją pod kątem jej zalet. Do tego czasu sformułowanie „Astra prowadziła dowód” opierało się na atrybucji jednego autora.
Dlaczego ma to znaczenie w przypadku twierdzeń dotyczących badań nad sztuczną inteligencją
Laboratoria pionierskie rutynowo twierdzą, że ich modele przyspieszają prace naukowe, ale twierdzenia te zwykle mają charakter punktów odniesienia, a nie recenzowanego przez specjalistów wkładu w dojrzałą dziedzinę techniczną. Ten post ma inny charakter: wymienia nazwisko fizyka, wymienia nazwiska recenzentów, formalizuje wynik w Lean 4 i przedstawia konkretne twierdzenie na temat tego, co zrobił model – a wszystko to mogliby jeszcze rozwinąć wyspecjalizowani recenzenci.
Odpowiada także na pytanie, które nie daje spokoju matematyce wspomaganej sztuczną inteligencją: w jaki sposób laboratorium uzasadnia twierdzenie, że jego model rzeczywiście działał matematycznie? Łącząc wydruk wstępny z formalizacją Lean 4, wynik w zasadzie staje się sprawdzalny — dowody formalne mogą weryfikować niezależni asystenci ds. odbitek, więc społeczność nie jest proszona o zaufanie ani autorowi, ani modelowi, a jedynie o uruchomienie modułu sprawdzającego. Pozostałą kwestią jest praktyka atrybucji: jak zapytał AI Weekly, jeśli model prowadził szczegółowy dowód, w jaki sposób traktowane jest autorstwo w przypadku zgłoszenia arXiv i czy OpenAI opublikuje ścieżkę interakcji pokazującą wkład Astry?
Wymowny jest także czas. W ostatnich publikacjach publicznych OpenAI dominowały ogłoszenia dotyczące nakładów inwestycyjnych, umowy licencyjne i spory polityczne; blog naukowy, którego debiutancki post prezentuje wyniki pionierskich modeli w wymagającym dowodach zakątku fizyki teoretycznej, jest argumentem za tym, że modele stają się narzędziami do badań podstawowych, a nie tylko produktami komercyjnymi.
W dziedzinie teorii cechowania sieciowego znaczenie wyników zostanie ustalone w taki sam sposób, w jaki zawsze ma to miejsce – przez niezależnych ekspertów zajmujących się konstrukcją publicznie. Dla branży sztucznej inteligencji post stanowi szablon tego, w jaki sposób laboratoria mogą w coraz większym stopniu promować możliwości modeli: nie za pomocą wyników w rankingach, ale z nazwanymi ekspertami, którzy w formalnej, możliwej do sprawdzenia formie przypisują modelom decydującą pracę.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
