为什么人工智能可以给数学带来革命性变化
编辑 | 白菜叶
「提出一个猜想——一个被怀疑为真的命题,但需要明确的证明——对数学家来说就像是神圣灵感的时刻。数学猜想不仅仅是有根据的猜测。制定它们需要天才、直觉和经验的结合。即使是数学家也很难解释自己的发现过程。然而,与直觉相反,我认为这是机器智能最初最具变革性的领域。」英国伦敦数学科学研究所所长 Thomas Fink 说。
2017 年,伦敦数学科学研究所的研究人员开始将机器学习应用于数学数据,作为一种爱好。在 COVID-19 大流行期间,他们发现简单的人工智能(AI)分类器可以预测椭圆曲线的排名——衡量其复杂性的指标。
椭圆曲线是数论的基础,了解其基础统计数据是解决七大千年难题之一的关键一步,这七大难题由罗德岛州普罗维登斯的克莱数学研究所选出,每项奖金为 100 万美元。很少有人期待人工智能会在这个高风险的领域发挥作用。
人工智能在其他领域取得了进展。几年前,一个名为拉马努金机(Ramanujan Machine)的计算机程序产生了基本常数的新公式,例如 π 和 e。它通过详尽地搜索连分数族来做到这一点——分母是一个数字加一个分数的分数,其分母也是一个数字加一个分数的分数,依此类推。其中一些猜想已经被证明,而另一些猜想仍然悬而未决。
论文链接:https://www.nature.com/articles/s41586-021-03229-4
另一个例子与结理论有关,这是拓扑学的一个分支,其中一根假设的绳子在两端粘在一起之前缠结在一起。Google DeepMind 的研究人员利用许多不同结的数据训练了一个神经网络,并发现了它们的代数和几何结构之间的意想不到的关系。
论文链接:https://www.nature.com/articles/s41586-021-04086-x
人工智能如何在人类创造力被认为至关重要的数学领域产生影响?
首先,数学中不存在巧合。在现实世界的实验中,假阴性和假阳性比比皆是。但在数学中,一个反例就会让猜想彻底推翻。例如,波利亚猜想指出,大多数低于任何给定整数的整数都具有奇数个质因数。但到了1960年,人们发现这个猜想对于数字 906,180,359,这个猜想并不成立。波利亚猜想一下子就被证伪了。
其次,可以训练人工智能的数学数据很便宜。素数、纽结(knot)以及许多其他类型的数学对象非常丰富。整数序列在线百科全书(OEIS)包含近 375,000 个序列 — 从熟悉的斐波那契数列 (1, 1, 2, 3, 5, 8, 13, ...) 到强大的 Busy Beaver 数列 (0, 1, 4, 6, 13, ...),它的增长速度比任何可计算函数都快。科学家们已经在使用机器学习工具来搜索 OEIS 数据库,以发现意想不到的关系。
OEIS:https://oeis.org/
人工智能可以帮助我们发现模式并形成猜想。但并非所有猜想都是一致的。他们还需要增进我们对数学的理解。G. H. Hardy 在他 1940 年的文章《A Mathematician’s Apology》中解释说,一个好的定理「应该是许多数学构造的组成部分,用于证明许多不同类型的定理」。
换句话说,最好的定理增加了发现新定理的可能性。帮助我们达到新的数学前沿的猜想,比那些产生较少见解的猜想更好。但区分它们需要对这个领域本身将如何发展有直觉。这种对更广泛背景的把握,将在很长一段时间内超出人工智能的能力范围——因此该技术将很难发现重要的猜想。
虽然有这些潜在问题,但是在数学界更广泛地采用人工智能工具还是有很多好处的。人工智能可以提供决定性的优势并开辟新的研究途径。
主流数学期刊也应该多发表猜想。数学中一些最重要的问题——例如费马大定理、黎曼假设、希尔伯特的 23 个问题和拉马努金的众多恒等式——以及无数不太出名的猜想塑造了该领域的发展方向。猜想为我们指明了正确的方向,从而加快了研究速度。由数据或启发式论证支持的关于猜想的期刊文章将加速发现。
2023 年,Google DeepMind 的研究人员预测会出现 220 万个新的晶体结构。但这些潜在的新材料中有多少是稳定的、可以合成的并具有实际应用还有待观察。目前,这主要是人类研究人员的任务,他们掌握了材料科学的广泛背景。
论文链接:https://www.nature.com/articles/s41586-023-06735-9
同样,要理解人工智能工具的输出,就需要数学家的想象力和直觉。因此,人工智能只会充当人类创造力的催化剂,而不是替代品。
相关内容:https://www.nature.com/articles/d41586-024-01413-w
以上是为什么人工智能可以给数学带来革命性变化的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

在现代制造业中,精准的缺陷检测不仅是保证产品质量的关键,更是提升生产效率的核心。然而,现有的缺陷检测数据集常常缺乏实际应用所需的精确度和语义丰富性,导致模型无法识别具体的缺陷类别或位置。为了解决这一难题,由香港科技大学广州和思谋科技组成的顶尖研究团队,创新性地开发出了“DefectSpectrum”数据集,为工业缺陷提供了详尽、语义丰富的大规模标注。如表一所示,相比其他工业数据集,“DefectSpectrum”数据集提供了最多的缺陷标注(5438张缺陷样本),最细致的缺陷分类(125种缺陷类别

开放LLM社区正是百花齐放、竞相争鸣的时代,你能看到Llama-3-70B-Instruct、QWen2-72B-Instruct、Nemotron-4-340B-Instruct、Mixtral-8x22BInstruct-v0.1等许多表现优良的模型。但是,相比于以GPT-4-Turbo为代表的专有大模型,开放模型在很多领域依然还有明显差距。在通用模型之外,也有一些专精关键领域的开放模型已被开发出来,比如用于编程和数学的DeepSeek-Coder-V2、用于视觉-语言任务的InternVL

对于AI来说,奥数不再是问题了。本周四,谷歌DeepMind的人工智能完成了一项壮举:用AI做出了今年国际数学奥林匹克竞赛IMO的真题,并且距拿金牌仅一步之遥。上周刚刚结束的IMO竞赛共有六道赛题,涉及代数、组合学、几何和数论。谷歌提出的混合AI系统做对了四道,获得28分,达到了银牌水平。本月初,UCLA终身教授陶哲轩刚刚宣传了百万美元奖金的AI数学奥林匹克竞赛(AIMO进步奖),没想到7月还没过,AI的做题水平就进步到了这种水平。IMO上同步做题,做对了最难题IMO是历史最悠久、规模最大、最负

编辑|ScienceAI基于有限的临床数据,数百种医疗算法已被批准。科学家们正在讨论由谁来测试这些工具,以及如何最好地进行测试。DevinSingh在急诊室目睹了一名儿科患者因长时间等待救治而心脏骤停,这促使他探索AI在缩短等待时间中的应用。Singh利用了SickKids急诊室的分诊数据,与同事们建立了一系列AI模型,用于提供潜在诊断和推荐测试。一项研究表明,这些模型可以加快22.3%的就诊速度,将每位需要进行医学检查的患者的结果处理速度加快近3小时。然而,人工智能算法在研究中的成功只是验证此

编辑|KX时至今日,晶体学所测定的结构细节和精度,从简单的金属到大型膜蛋白,是任何其他方法都无法比拟的。然而,最大的挑战——所谓的相位问题,仍然是从实验确定的振幅中检索相位信息。丹麦哥本哈根大学研究人员,开发了一种解决晶体相问题的深度学习方法PhAI,利用数百万人工晶体结构及其相应的合成衍射数据训练的深度学习神经网络,可以生成准确的电子密度图。研究表明,这种基于深度学习的从头算结构解决方案方法,可以以仅2埃的分辨率解决相位问题,该分辨率仅相当于原子分辨率可用数据的10%到20%,而传统的从头算方

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

2023年,几乎AI的每个领域都在以前所未有的速度进化,同时,AI也在不断地推动着具身智能、自动驾驶等关键赛道的技术边界。多模态趋势下,Transformer作为AI大模型主流架构的局面是否会撼动?为何探索基于MoE(专家混合)架构的大模型成为业内新趋势?大型视觉模型(LVM)能否成为通用视觉的新突破?...我们从过去的半年发布的2023年本站PRO会员通讯中,挑选了10份针对以上领域技术趋势、产业变革进行深入剖析的专题解读,助您在新的一年里为大展宏图做好准备。本篇解读来自2023年Week50

编辑|紫罗AI在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了,从材料价格到出错的风险,即使科学家使用AI,权衡合成最佳候选分子的成本也不是一件容易的事。在此,MIT研究人员开发了一个定量决策算法框架SPARROW,来自动识别最佳分子候选物,从而最大限度地降低合成成本,同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW考虑了一次合成一批分子的成本,因为多个候选分子通常可
