Dũng Virgo
Toán học vốn được xây dựng trên những bước lập luận chặt chẽ, trong đó một kết quả mới thường cần nhiều tháng hoặc nhiều năm để kiểm tra, diễn giải và được cộng đồng nghiên cứu công nhận. Sự xuất hiện của các hệ thống AI có khả năng xử lý hàng loạt bài toán đang làm thay đổi nhịp độ này một cách đáng kể.
Theo những thông tin được OpenAI công bố, hàng nghìn tác nhân AI đã phối hợp để xử lý một bài toán liên quan đến phương trình Navier-Stokes trong thời gian chưa đầy 90 giờ. Sau đó, một mô hình thử nghiệm khác được cho là đã tạo ra hơn 700 kết quả nghiên cứu toán học chỉ từ các câu lệnh riêng cho từng bài toán.
Những con số trên gây ấn tượng mạnh, nhưng chưa thể được xem là bằng chứng cho thấy AI đã tự mình giải quyết các vấn đề lớn nhất của toán học. Phần khó nhất hiện nay có thể không còn là tạo ra lời giải, mà là xác minh lời giải đó có đúng, có mới và có thực sự giải quyết vấn đề được đặt ra hay không.
Từ Navier-Stokes đến hàng trăm kết quả mới
Phương trình Navier-Stokes được dùng để mô tả chuyển động của chất lỏng và chất khí. Đây là một trong bảy bài toán thiên niên kỷ do Viện Toán học Clay lựa chọn, với phần thưởng 1 triệu USD cho lời giải phù hợp các tiêu chí đặt ra.
Việc OpenAI tuyên bố các tác nhân AI đã tiến tới một bài toán tồn tại suốt nhiều thập kỷ lập tức thu hút sự chú ý của giới toán học. Tuy nhiên, thông tin này vẫn cần được các chuyên gia độc lập xem xét. Một lời giải được máy tạo ra không mặc nhiên trở thành lời giải được công nhận, đặc biệt khi nó liên quan đến một bài toán có yêu cầu rất cao về tính chặt chẽ và phạm vi chứng minh.
Đợt công bố tiếp theo còn gây chú ý hơn về quy mô. Các kết quả được cho là trải rộng trên nhiều lĩnh vực, từ đại số, lý thuyết số, logic toán học đến tô pô. Trong số đó có một nghiên cứu liên quan đến giả thuyết Riemann, vấn đề nổi tiếng gắn với cách phân bố các số nguyên tố.
Tuy vậy, cần phân biệt rõ giữa việc tìm ra một kết quả có liên quan đến giả thuyết Riemann và việc chứng minh hoàn toàn giả thuyết này. Theo thông tin được dẫn lại, chưa có công bố nào giải quyết trọn vẹn một trong những bài toán thiên niên kỷ còn lại. Nhà khoa học máy tính Scott Aaronson gọi diễn biến này là “Mathocalypse”, nhưng cách gọi gây chú ý đó không thay thế cho quy trình thẩm định học thuật.
Thách thức lớn nhất nằm ở khâu kiểm chứng
Trong nghiên cứu toán học, một chứng minh không chỉ cần đưa ra kết luận đúng. Các bước trung gian phải hợp lệ, giả định phải được nêu rõ và kết quả cuối cùng phải đáp ứng chính xác mệnh đề ban đầu. Chỉ một lỗi nhỏ trong định nghĩa, suy luận hoặc điều kiện áp dụng cũng có thể khiến toàn bộ lập luận không còn giá trị.
Đây là lý do tốc độ của AI vừa hấp dẫn vừa tạo ra áp lực. Nếu một hệ thống có thể tạo ra hàng trăm bài nghiên cứu trong thời gian ngắn, giới chuyên môn sẽ cần một lượng thời gian lớn hơn nhiều để đọc và kiểm tra từng bài. Nhà toán học Bryna Kra được cho là đã lưu ý rằng khối lượng tài liệu cần rà soát có thể lên tới hàng chục nghìn trang.
Những sai sót ban đầu cũng cho thấy sự thận trọng là cần thiết. OpenAI đã rút ba bài nghiên cứu và chỉnh sửa một số bài khác sau khi phát hiện vấn đề. Công ty cho biết sẽ tiếp tục sửa các lỗi có thể khắc phục, đồng thời loại bỏ những kết quả không thể sửa chữa.
Trong mô hình xuất bản truyền thống, phản biện đồng cấp giúp các nhà nghiên cứu đánh giá phương pháp, lập luận và mức độ mới của một công trình. Nhưng khi AI tạo ra kết quả nhanh hơn tốc độ đọc của con người, quy trình này có nguy cơ trở thành điểm nghẽn. Một chứng minh có thể cần nhiều tháng để kiểm tra, trong khi hệ thống vẫn tiếp tục tạo ra các kết quả mới mỗi ngày.
Lời giải đúng chưa chắc đã dễ hiểu
Một vấn đề khác nằm ở khả năng diễn giải. AI có thể tìm ra chuỗi suy luận phù hợp với các quy tắc hình thức, nhưng điều đó không đồng nghĩa con người đã hiểu được trực giác đứng sau lời giải. Trong toán học, việc hiểu vì sao một kết quả đúng thường quan trọng không kém việc biết kết quả đó đúng.
Chẳng hạn, một chứng minh có thể giúp xác nhận một mệnh đề nhưng không cho thấy ý tưởng nào đã dẫn đến nó, vì sao phương pháp này hiệu quả hoặc liệu có thể mở rộng sang những bài toán khác hay không. Nếu các nhà toán học chỉ nhận được kết luận cuối cùng cùng một chuỗi bước khó đọc, giá trị khai phá tri thức của công trình sẽ bị hạn chế.
Martin Bridson, Chủ tịch Viện Toán học Clay, đánh giá những kết quả do AI tạo ra là đáng kinh ngạc nhưng đồng thời cho rằng giới nghiên cứu không nên để máy móc quyết định toàn bộ hướng đi. AI có thể mở rộng không gian tìm kiếm, phát hiện mối liên hệ và hỗ trợ kiểm tra, song con người vẫn cần xác định câu hỏi nào đáng theo đuổi và kết quả nào có ý nghĩa.
Thước đo quan trọng không chỉ là AI tạo ra bao nhiêu lời giải, mà còn là con người có thể hiểu, xác minh và sử dụng các lời giải đó như thế nào.
AI sẽ thay đổi công việc của nhà toán học thế nào?
Ảnh hưởng của AI có thể xuất hiện trước tiên ở những công việc lặp lại hoặc đòi hỏi xử lý khối lượng dữ liệu lớn. Hệ thống AI có thể hỗ trợ tìm kiếm mẫu hình, thử nhiều hướng chứng minh, kiểm tra các bước hình thức và gợi ý giả thuyết mới. Đây là hướng ứng dụng tương tự xu thế AI đang hỗ trợ nhiều lĩnh vực nghiên cứu khác, như việc phát hiện ứng viên hành tinh từ dữ liệu thiên văn.
Tuy nhiên, điều đó không có nghĩa nghề toán học sẽ biến mất trong thời gian ngắn. Nhà nghiên cứu vẫn phải lựa chọn bài toán, xác định ý nghĩa của kết quả, phát hiện những giả định ẩn và trình bày lập luận theo cách cộng đồng có thể đánh giá. Những năng lực này không chỉ là thao tác tính toán.
Với các nhà toán học trẻ, thay đổi có thể diễn ra rõ rệt hơn. Một nghiên cứu sinh trước đây có thể dành nhiều năm để theo đuổi một chuỗi phép tính hoặc thử nghiệm các hướng tiếp cận. Nếu AI đảm nhận một phần công việc đó, trọng tâm đào tạo có thể chuyển sang đặt câu hỏi, kiểm chứng, giải thích và kết nối các kết quả rời rạc thành một lý thuyết có ý nghĩa.
Jean-Pierre Serre, nhà toán học từng nhận Huy chương Fields và Giải Abel, cũng nhìn thấy một nghịch lý: AI có thể giúp việc học toán hiệu quả hơn nhưng đồng thời làm giảm niềm vui khám phá, đặc biệt với người mới bước vào nghiên cứu. Khi máy móc nhanh chóng đưa ra câu trả lời, con người có thể ít có cơ hội trải qua quá trình tự tìm tòi vốn tạo nên động lực của toán học.
Nguy cơ đối với phản biện và chia sẻ nghiên cứu
Khối lượng công trình tăng đột biến không chỉ là vấn đề kỹ thuật. Nó còn tác động đến cách vận hành của các trường đại học, tạp chí và nhóm nghiên cứu. Nếu hệ thống phản biện không đủ nhân lực, những kết quả sai có thể mất nhiều thời gian mới bị phát hiện, trong khi các kết luận chưa được xác minh đã được trích dẫn hoặc sử dụng ở nơi khác.
Bryna Kra cảnh báo rằng việc công bố quá nhiều kết quả trong thời gian ngắn có thể tạo sức ép lên hệ thống đánh giá học thuật. Các nhà nghiên cứu cũng có thể ngần ngại chia sẻ ý tưởng chưa hoàn thiện vì lo ngại chúng bị hệ thống AI khai thác trước khi tác giả kịp phát triển và công bố.
Đây là bài toán quản trị không chỉ dành cho các phòng thí nghiệm AI. Những đơn vị triển khai công nghệ cũng cần xây dựng quy trình lưu vết, công khai phương pháp và tách bạch giữa kết quả do máy đề xuất với kết luận đã được chuyên gia xác nhận. Việc doanh nghiệp sử dụng AI để tiết kiệm nguồn lực, như trường hợp một startup Việt tận dụng gói hỗ trợ AI, cho thấy lợi ích kinh tế là rõ ràng; nhưng trong nghiên cứu hàn lâm, yêu cầu về minh bạch và khả năng kiểm tra còn cao hơn nhiều.
Con người còn theo kịp AI bằng cách nào?
Câu trả lời có lẽ không nằm ở việc cạnh tranh với máy về tốc độ. AI có lợi thế trong khả năng thử nghiệm hàng loạt, ghi nhớ lượng thông tin lớn và hoạt động liên tục. Con người cần tập trung vào những phần đòi hỏi phán đoán, trực giác, khả năng giải thích và đánh giá ý nghĩa rộng hơn của một phát hiện.
Trong tương lai, các công cụ toán học có thể cần cung cấp nhiều hơn một đáp án. Chúng nên chỉ ra giả định đã sử dụng, mức độ chắc chắn, các bước có nguy cơ sai và cách một chuyên gia có thể kiểm tra lại. Một lời giải chậm hơn nhưng minh bạch có thể hữu ích hơn một kết quả nhanh mà không ai hiểu được.
Những công bố của OpenAI vì thế nên được nhìn nhận như tín hiệu về một giai đoạn mới, thay vì kết luận rằng AI đã vượt qua con người trong toán học. Khả năng tạo ra hàng trăm kết quả là đáng chú ý, nhưng giá trị khoa học chỉ được xác lập sau quá trình kiểm chứng độc lập, giải thích rõ ràng và kiểm tra khả năng tái lập.
Thách thức lớn nhất của ngành toán học trong thời đại AI không phải là tìm cách ngăn máy móc tạo ra lời giải. Đó là xây dựng một hệ thống đủ năng lực để sàng lọc, hiểu và biến những lời giải ấy thành tri thức đáng tin cậy. Trong cuộc chuyển đổi này, con người vẫn giữ vai trò quyết định ở câu hỏi nền tảng: đâu là vấn đề đáng giải và vì sao lời giải đó quan trọng.
Cảnh báo AI có thể đe dọa nhân loại trước năm 2030
Vì sao tua-bin gió gần như luôn dùng 3 cánh quạt?
AI giúp phát hiện ứng viên hành tinh từ dữ liệu 126.000 ngôi sao
Bill Gates từng nói gì về thuế tài sản và 200 tỷ USD từ thiện?
Nga phát triển hợp kim có thể tự lấp đầy vết nứt
1 in 8 Billion: Khi AI mô phỏng cuộc đời không thể tự chọn
Tử tù Tennessee tỉnh lại sau sự cố tiêm thuốc độc
