OpenAI đã ra mắt một blog khoa học mới vào ngày 15 tháng 11 và bài đăng đầu tiên của khách mời là một bài đăng nổi bật: Nhà lý thuyết hạt UC Santa Barbara, Nathaniel Craig, một nhà khoa học đến thăm OpenAI, mô tả cách mô hình GPT-6 Astra của công ty đóng vai trò dẫn đầu trong một bằng chứng chi tiết cho một định nghĩa mạng không nhiễu loạn ứng cử viên của Mô hình Chuẩn - một trong những trở ngại lâu dài trong vật lý lý thuyết, theo blog của OpenAI và báo cáo của AI Weekly.

Bài đăng tập trung vào bản in trước arXiv ngày 6 tháng 10, "Một thước đo bất biến chuẩn cho các fermion đối xứng mạng tinh thể," được cung cấp với sự chính thức hóa Lean 4 của cấu trúc. Người đồng sáng lập OpenAI, Greg Brockman, đã công bố kết quả này và đây là lần đầu tiên một phòng thí nghiệm ở biên giới đính kèm một nhà vật lý có tên tuổi, được chứng nhận và bằng chứng chính thức cho tuyên bố rằng mô hình của họ đã có tác dụng quyết định đối với một vấn đề đã tồn tại hàng thập kỷ. Để biết thêm về cách các mô hình AI được đưa vào lĩnh vực khoa học tiên phong, phạm vi nghiên cứu AI của chúng tôi sẽ tuân theo các bài báo, điểm chuẩn và thông báo quan trọng trong phòng thí nghiệm.

Bài toán Vật lý, một cách dễ hiểu

Mô hình Chuẩn của vật lý hạt là một lý thuyết máy đo đối xứng - các fermion của nó xử lý các thành phần thuận tay trái và tay phải một cách khác nhau, đó chính xác là điều khiến việc đưa lý thuyết vào một mạng không thời gian bốn chiều rời rạc trở nên khó khăn mà không phá hủy tính đối xứng chuẩn mà lý thuyết dựa vào. Như phân tích của AI Weekly lưu ý, trở ngại đã tồn tại hơn 25 năm kể từ khi đơn thuốc của Martin Lüscher giải quyết được vấn đề đối với các lý thuyết đơn giản hơn.

Bản in trước của Craig đề xuất một cách xây dựng các fermion chồng lên nhau “trong một lớp lý thuyết chuẩn bất đối xứng phi Abebel bao gồm Mô hình Chuẩn,” theo bản tóm tắt được trích dẫn trong báo cáo. Về nguyên tắc, một định nghĩa mạng không nhiễu loạn thuộc loại này sẽ cho phép các nhà vật lý nghiên cứu Mô hình Chuẩn từ những nguyên lý đầu tiên trong các chế độ liên kết chặt chẽ mà các phương pháp nhiễu loạn không thể đạt được.

Thực ra Astra đã làm gì

Craig nói rõ ràng về sự phân công lao động. Craig viết trên blog, theo báo cáo của AI Weekly: “Tôi đã có một chiến lược để giải quyết vấn đề này, nhưng không thể chứng minh rằng nó có hiệu quả trong tất cả các trường hợp cần giải quyết”. "Astra đã giúp biến chiến lược đó thành một công trình và đi đầu trong việc phát triển bằng chứng chi tiết."

Sự quy kết đó - mô hình dẫn đầu bằng chứng chi tiết, với nhà vật lý đưa ra chiến lược và phán đoán miền - là điều khiến bài đăng trở nên đáng chú ý. Việc chính thức hóa Lean 4 đi kèm cũng quan trọng: nó đặt việc xây dựng theo một hình thức mà các trợ lý chứng minh có thể xác minh một cách máy móc từng bước, thay vì chỉ dựa vào toán học văn xuôi.

Những điều cần lưu ý là rất quan trọng

Bản thân Craig cho rằng kết quả là “một câu trả lời về nguyên tắc hơn là một câu trả lời trong thực tế”. Một số lỗ hổng lớn vẫn còn bỏ ngỏ, khi ông liệt kê chúng: tính tích cực phản xạ (một điều kiện nhất quán kết nối các lý thuyết mạng với tính đơn nhất vật lý), một định nghĩa không-thời gian liên tục và các mô phỏng mạng thực tế vẫn chưa đạt được.

Trạng thái xem xét cũng không đầy đủ. Craig nêu tên ba nhà lý thuyết trường mạng – Maarten Golterman, Andreas Kronfeld và Yigal Shamir – là đã xem xét công trình, nhưng đánh giá đó là riêng tư và chưa có đánh giá độc lập nào được công bố, theo AI Weekly. Tín hiệu thực tiếp theo, ghi chú đầu ra, sẽ là liệu bất kỳ ai trong số ba người có công bố đánh giá hay không, hoặc liệu một bài báo arXiv tiếp theo có tham gia xây dựng dựa trên giá trị của nó hay không. Cho đến lúc đó, việc đóng khung "Astra dẫn đầu bằng chứng" dựa trên sự ghi nhận của một tác giả.

Tại sao nó lại quan trọng đối với các tuyên bố nghiên cứu AI

Các phòng thí nghiệm của Frontier thường xuyên tuyên bố rằng các mô hình của họ tăng tốc công việc khoa học, nhưng những tuyên bố này thường đến dưới dạng điểm chuẩn hơn là những đóng góp được chuyên gia đánh giá cho một lĩnh vực kỹ thuật trưởng thành. Bài đăng này có nội dung khác: nó nêu tên nhà vật lý, nêu tên những người đánh giá, chính thức hóa kết quả trong Lean 4 và đưa ra một tuyên bố cụ thể về những gì mô hình đã làm - tất cả những điều mà các chuyên gia đánh giá vẫn có thể giải quyết.

Nó cũng trả lời một câu hỏi nhức nhối trong toán học được hỗ trợ bởi AI: làm thế nào một phòng thí nghiệm chứng minh được tuyên bố rằng mô hình của nó đã thực hiện công việc toán học thực sự? Bằng cách ghép nối bản in trước với chính thức hóa Lean 4, về nguyên tắc, kết quả có thể kiểm tra được — bằng chứng chính thức có thể được xác minh bởi các trợ lý chứng minh độc lập, do đó cộng đồng không được yêu cầu phải tin tưởng vào tác giả hoặc mô hình mà chỉ chạy trình kiểm tra. Câu hỏi còn lại là thực hành ghi công: như AI Weekly đã hỏi, nếu một mô hình dẫn đầu bằng chứng chi tiết, quyền tác giả được xử lý như thế nào đối với bài gửi arXiv và liệu OpenAI có công bố dấu vết tương tác cho thấy những gì Astra đã đóng góp không?

Thời điểm cũng đang nói lên điều đó. Sản phẩm công khai gần đây của OpenAI bị chi phối bởi các thông báo về vốn đầu tư, thỏa thuận cấp phép và đấu tranh chính sách; một blog khoa học có bài đăng đầu tiên giới thiệu kết quả đầu ra của mô hình biên giới bên trong một góc chứng minh nặng nề của vật lý lý thuyết là lập luận rằng các mô hình đang trở thành công cụ cho nghiên cứu cơ bản, không chỉ là sản phẩm thương mại.

Đối với lĩnh vực lý thuyết thước đo mạng, tầm quan trọng của kết quả sẽ được giải quyết theo cách luôn luôn như vậy - bởi các chuyên gia độc lập tham gia xây dựng một cách công khai. Đối với ngành AI, bài đăng đặt ra khuôn mẫu về cách các phòng thí nghiệm có thể tăng cường tiếp thị năng lực của mô hình: không phải bằng điểm số trên bảng xếp hạng mà bằng các mô hình ghi nhận chuyên gia có tên tuổi cho công việc mang tính quyết định ở dạng chính thức, có thể kiểm tra được.

---

Đi trước AI

Nhận tin tức, phân tích và đột phá mới nhất về AI — tất cả ở cùng một nơi.

Đọc thêm tin tức về AI →