Математики заявили, что OpenAI не понимает собственного доказательства для уравнений Навье—Стокса

В начале сентября компания представила потенциальное решение задачи Навье — Стокса объёмом 166 страниц. OpenAI заявила, что доказательство следует подходу испанских математиков Диего Кордобы и Луиса Мартинеса-Зороа.

Теперь несколько групп экспертов с этим не согласны, сообщает Scientific American. «Если вникнуть в детали, это другой подход», — говорит математик Гонсало Као-Лабора из EPFL. По его словам, сходство лишь поверхностное.

Потенциальное доказательство написано на Lean — языке формальной верификации, который проверяет каждый логический шаг, но сам по себе не делает его понятным для людей. Институт математики Клея (CMI) изучает его с момента публикации.

До публикации математик из Нью-Йоркского университета Тристан Бакмастер обвинил OpenAI в использовании работы, которую он и Левент Альпёге из Anthropic выполнили с общедоступными моделями. OpenAI отвергла это обвинение, заявив, что никогда не использовала данные Бакмастера. По словам Камилло Де Леллиса из Института перспективных исследований, дать окончательный ответ, вероятно, невозможно, поскольку языковые модели представляют собой «чёрные ящики».

В начале октября OpenAI выложила ещё около 400 результатов, за которыми математическое сообщество едва успевает следить. Публикация их в виде неструктурированной подборки на GitHub разозлила многих математиков, посчитавших, что это обесценивает их область.

Никто не знает, помогли ли на самом деле 10 000 ИИ-агентов

Есть ещё один аспект собственной работы OpenAI, который, похоже, не понимает. Компания направила на эту задачу значительные вычислительные ресурсы: около 10 000 экземпляров моделей работали примерно 88 часов и использовали 130 миллиардов токенов для разработки потенциального решения задачи Навье — Стокса. По словам исследователя OpenAI Ноама Брауна, на самом деле никто не знает, какой вклад этот гигантский рой агентов внёс в результат.

Поведение систем в таком масштабе не изучалось, поскольку проведение систематических сравнительных тестов с тысячами агентов обходится слишком дорого. Никто не проверял, сколько времени понадобилось бы одному агенту для решения той же задачи, и почти невозможно понять, какое конкретное преимущество дают 10 000 агентов по сравнению с 1 000.

Браун считает, что на мультиагентную конфигурацию приходится менее 10 процентов успеха. По его словам, эти системы новы и эффектны, поэтому получают непропорционально большую долю признания. На самом деле важнее сама базовая модель, способная выполнять задачи в течение длительного времени и работать параллельно.

Новости об ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать без рекламы, получать еженедельную рассылку об ИИ и наш эксклюзивный передовой отчёт «AI Radar» шесть раз в год, иметь полный доступ к архиву и возможность оставлять комментарии.