OpenAI อ้างแก้ปัญหา Navier–Stokes: เกิดอะไรขึ้น ตรวจสอบได้แค่ไหน และเหตุใดนักคณิตศาสตร์จึงคัดค้าน

คำประกาศของ OpenAI เมื่อวันที่ 8 กันยายนมีความพิเศษ เพราะบริษัทระบุว่าระบบ AI ภายในทำความคืบหน้ากับหนึ่งในโจทย์เปิดที่สำคัญที่สุดของคณิตศาสตร์ แต่ก็กลายเป็นประเด็นถกเถียงทันที เนื่องจาก “อ้างว่าพิสูจน์ได้” แม้จะมีการตรวจด้วยระบบเชิงรูปนัย ก็ยังไม่เท่ากับผลที่ผ่านการพิจารณาอย่างอิสระและได้รับการยอมรับจากชุมชนนักคณิตศาสตร์

OpenAI อ้างอะไร

OpenAI ระบุว่าระบบที่ยังไม่เผยแพร่ของบริษัทสร้างทั้งข้อพิสูจน์เชิงวิเคราะห์ และการทำให้ข้อพิสูจน์เป็นทางการใน Lean โดยสรุปว่า การไหลของของไหล Navier–Stokes แบบสามมิติซึ่งเริ่มต้นอย่างเรียบสามารถเกิดภาวะเอกฐาน (singularity) ในเวลาจำกัดได้ บริษัทระบุว่ากลุ่มที่สร้างผลนี้ใช้เอเจนต์ทำงานพร้อมกันในระดับราว 10,000 ตัว 2

หากผลดังกล่าวทนต่อการตรวจสอบและตรงกับนิยามโจทย์อย่างเป็นทางการ ก็จะตอบคำถามเรื่อง “การมีอยู่และความเรียบ” ในทางลบ นั่นคือ คำตอบที่เรียบในตอนต้นไม่จำเป็นต้องคงความเรียบไปตลอดเวลา Clay Mathematics Institute หรือ CMI อธิบายว่าโจทย์นี้ว่าด้วยการมีอยู่และความเรียบของคำตอบสมการ Navier–Stokes ในปริภูมิยูคลิดสามมิติ 18

เหตุใด Navier–Stokes จึงสำคัญ

สมการ Navier–Stokes ใช้อธิบายการเคลื่อนที่ของของไหล และเป็นรากฐานสำคัญของการศึกษาของไหลในเชิงคณิตศาสตร์ แม้สมการจะถูกเขียนขึ้นตั้งแต่คริสต์ศตวรรษที่ 19 แต่ความเข้าใจต่อพฤติกรรมทั่วไปของคำตอบในสามมิติยังมีจำกัดมาก 30

โจทย์นี้เป็นหนึ่งใน Millennium Prize Problems หรือชุดโจทย์ปัญหาคณิตศาสตร์ระดับโลกของ CMI คำอธิบายอย่างเป็นทางการขอให้พิสูจน์ว่าคำตอบที่เรียบและสมเหตุสมผลทางกายภาพมีอยู่ตลอดเวลาหรือไม่ หรือเสนอคำตอบทางเลือกที่เป็นไปตามเงื่อนไขที่กำหนด 1721

ด้วยเหตุนี้ การประกาศจึงไม่ใช่เพียงตัวชี้วัดความสามารถของโมเดล AI หากถูกต้อง ผลงานนี้อาจแตะคำถามแกนกลางของคณิตศาสตร์วิเคราะห์และพลศาสตร์ของไหล แต่ความสำคัญของโจทย์ไม่ได้ทำให้มาตรฐานการตรวจสอบลดลง

ทำไมจึงยังไม่ถูกยอมรับว่า “แก้โจทย์แล้ว”

เมื่อวันที่ 11 กันยายน CMI ระบุว่ากำลังพิจารณาคำประกาศว่าโจทย์ Navier–Stokes “ดูเหมือนจะได้รับการแก้แล้ว” แต่ย้ำว่ากระบวนการประเมินและการกำหนดผู้สมควรได้รับเครดิตนั้นตั้งใจให้ดำเนินไปอย่างรอบคอบ ไม่เร่งรัด 18

กติกาของ CMI กำหนดเงื่อนไขก่อนที่จะพิจารณาผลเฉลย ได้แก่ ต้องตีพิมพ์ในแหล่งเผยแพร่ที่เข้าเกณฑ์ ต้องผ่านไปอย่างน้อย 2 ปีนับจากการตีพิมพ์ และต้องได้รับการยอมรับโดยทั่วไปจากชุมชนนักคณิตศาสตร์ทั่วโลก 27 นอกจากนี้ ผลเฉลยต้องตอบคำถามตามคำอธิบายโจทย์อย่างเป็นทางการได้อย่างน่าพอใจด้วย 20

Lean สามารถตรวจได้ว่าลำดับข้อความที่ทำให้เป็นทางการนั้นสรุปตามนิยามและสมมติฐานที่เข้ารหัสไว้จริงหรือไม่ นี่เป็นการตรวจสอบที่ทรงพลัง แต่ยังต้องมีการทบทวนโดยผู้เชี่ยวชาญ นักคณิตศาสตร์ต้องประเมินว่า ทฤษฎีบทที่ทำให้เป็นทางการ สมมติฐานที่ใช้ และการแปลงจากโจทย์ภาษาธรรมชาติไปสู่รูปแบบในระบบนั้น ตอบโจทย์ที่ตั้งใจจะแก้จริงหรือไม่

ดังนั้น สถานะที่แม่นยำที่สุดในตอนนี้คือ มีการอ้างผลและอยู่ระหว่างการตรวจสอบ ไม่ใช่ผลที่ได้รับการยอมรับโดยทั่วกัน หรือได้รับการรับรองรางวัลแล้ว

ข้อพิพาทเรื่องลำดับความสำคัญและการให้เครดิต

การประกาศนี้เกิดขึ้นท่ามกลางข้อพิพาทที่เกี่ยวข้องกับ Tristan Buckmaster นักคณิตศาสตร์จากมหาวิทยาลัยนิวยอร์ก และ Levent Alpöge นักคณิตศาสตร์ที่มีความเกี่ยวข้องกับ Anthropic รายงานระบุว่าทั้งคู่ทำงานกับคำถามที่เกี่ยวข้อง และ Buckmaster ตั้งข้อกังวลว่า OpenAI หันมาทำโจทย์นี้ได้อย่างไร 953

Buckmaster ยังกล่าวหาว่ามีพฤติกรรมไม่เหมาะสมในการหารือเรื่องการให้เครดิตและการร่วมงาน ขณะที่ OpenAI ปฏิเสธข้อกล่าวหาในภาพรวม โดยระบุว่านักวิจัยและเอเจนต์ของบริษัทไม่ได้เห็นงานของทั้งคู่ก่อนงานจะเผยแพร่สู่สาธารณะ และไม่มีการเข้าถึงข้อมูลผู้ใช้เฉพาะรายเพื่อแก้โจทย์นี้ 53

เรื่องราวทั้งสองฝ่ายยังเป็นข้อกล่าวอ้างที่โต้แย้งกัน ไม่ใช่ข้อเท็จจริงที่ได้รับการวินิจฉัยแล้ว สิ่งที่ชัดเจนคือ ประเด็นทางเทคนิคได้ขยายเป็นข้อถกเถียงว่า ใครควรได้รับเครดิตเมื่อห้องปฏิบัติการ AI และนักวิจัยมนุษย์ทำงานอยู่ใกล้แนวหน้าความรู้เดียวกัน

เหตุใดคำถามเรื่องข้อมูลจึงอ่อนไหว

ประเด็นสำคัญคือ งานที่ผู้ใช้ป้อนเข้าไปในผลิตภัณฑ์ AI อาจมีส่วนทำให้ขีดความสามารถของโมเดลซึ่งถูกใช้ในงานวิจัยภายหลังดีขึ้นหรือไม่ OpenAI ระบุว่าไม่ได้เข้าถึงข้อมูลผู้ใช้เฉพาะรายของนักวิจัยทั้งสองสำหรับงาน Navier–Stokes แต่ยอมรับว่าไม่อาจตัดความเป็นไปได้โดยสิ้นเชิงว่า ข้อมูลที่ผ่านการทำให้ไม่สามารถระบุตัวตนจากการใช้ผลิตภัณฑ์ อาจช่วยปรับปรุงโมเดลได้ 59

ความแตกต่างนี้อาจมีนัยทางเทคนิค แต่ก็ยังทิ้งคำถามด้านธรรมาภิบาลไว้ว่า นักวิจัยควรคาดหวังระดับใดของการระบุที่มา การยินยอม และความสามารถในการตรวจสอบย้อนหลัง เมื่อใช้ AI กับงานที่ยังไม่เผยแพร่

สำหรับผู้ใช้ในแวดวงวิชาการ กรณีนี้ตอกย้ำว่าควรทำความเข้าใจนโยบายข้อมูลของผลิตภัณฑ์ก่อนนำร่างบทความ ข้อคาดเดา โค้ด หรืองานวิจัยอ่อนไหวอื่น ๆ ป้อนเข้าสู่เครื่องมือ AI

คำเตือนจากผู้ได้รับเหรียญฟิลด์ส

วันที่ 11 กันยายน Terence Tao เผยแพร่แถลงการณ์ชื่อ A Severe Misalignment of AI in Mathematics ซึ่งมีผู้ลงนามเริ่มต้น 25 คน และทั้งหมดเป็นผู้ได้รับเหรียญฟิลด์ส 43

แถลงการณ์สะท้อนความกังวลว่า บริษัทอาจปฏิบัติต่อโจทย์คณิตศาสตร์ชื่อดังที่ยังแก้ไม่ได้ในฐานะสนามทดสอบสาธารณะหรือการแข่งขันประชาสัมพันธ์ แทนที่จะเป็นงานปัญญาที่ต้องอาศัยความร่วมมือ ผู้วิจารณ์กังวลว่า การประกาศอย่างเร่งรีบ การอธิบายที่ไม่ครบถ้วน การให้เครดิตที่ไม่ชัด และแรงจูงใจในการชิงประกาศก่อนผู้อื่น อาจทำให้นักวิจัยลังเลที่จะแบ่งปันแนวคิดระยะต้น

คำเตือนไม่ได้บอกว่าควรกีดกัน AI ออกจากคณิตศาสตร์ แต่ชี้ว่า บรรทัดฐานที่ทำให้คณิตศาสตร์ก้าวหน้าได้—การตรวจสอบอย่างเปิดเผย การอธิบายอย่างรอบคอบ การให้เครดิต และการสนทนา—จำเป็นต้องได้รับการคุ้มครองเมื่อระบบ AI มีความสามารถมากขึ้น

มาตรฐานสำหรับคณิตศาสตร์ที่ใช้ AI อย่างรับผิดชอบ

กรณีนี้ชี้ไปสู่มาตรฐานเชิงปฏิบัติสำหรับคำกล่าวอ้างด้านการวิจัย AI ที่ไม่ธรรมดา

• เผยแพร่หลักฐานที่ตรวจสอบได้: ควรมีต้นฉบับที่เคร่งครัด และหากทำได้ ควรมีข้อพิสูจน์ที่เครื่องตรวจสอบได้
• ให้มีการทบทวนอย่างอิสระ: การตรวจสอบเชิงรูปนัยและการประเมินโดยนักคณิตศาสตร์ผู้เชี่ยวชาญมีหน้าที่ต่างกัน ข้ออ้างสำคัญต้องมีทั้งสองส่วน
• ระบุเครดิตอย่างชัดเจน: ห้องปฏิบัติการควรบันทึกงานก่อนหน้า ผู้มีส่วนร่วมที่เป็นมนุษย์ และขอบเขตบทบาทของระบบ AI
• ชี้แจงที่มาของข้อมูล: นักวิจัยควรได้รับคำมั่นที่เข้าใจได้ว่า ปฏิสัมพันธ์ของตนอาจถูกใช้เพื่อพัฒนาโมเดลอย่างไรและหรือไม่
• เปิดพื้นที่ให้พิจารณาอย่างรอบด้าน: การแก้โจทย์ใหญ่ไม่ใช่แค่ให้คำตอบว่า “จริงหรือเท็จ” แต่ยังรวมถึงการสร้างความเข้าใจว่าพิสูจน์อะไร เหตุใดจึงถูกต้อง และผลนั้นอยู่ตรงไหนในองค์ความรู้ของสาขา

บทสรุป

คำประกาศของ OpenAI อาจเป็นหมุดหมายสำคัญของงานวิจัยคณิตศาสตร์ที่มี AI ช่วย แต่ไม่ได้ปิดประเด็นลงในวันประกาศ คำถามชี้ขาดคือ ข้อพิสูจน์ที่อ้างจะได้รับการยอมรับอย่างต่อเนื่องและเป็นอิสระ ตามมาตรฐานของชุมชนนักคณิตศาสตร์และ Clay Mathematics Institute หรือไม่ 1827

กระแสคัดค้านสะท้อนว่าเหตุใดกระบวนการนี้จึงสำคัญ เมื่อ AI เข้าสู่งานวิจัยที่มีเดิมพันสูง ความเชื่อมั่นจะไม่ได้ขึ้นอยู่เพียงว่า ระบบค้นพบอะไรได้บ้าง แต่ขึ้นอยู่กับว่าผลค้นพบนั้นตรวจสอบได้ อธิบายได้ และให้เครดิตอย่างเป็นธรรมหรือไม่