W 2024 r. Międzynarodowa Olimpiada Matematyczna obchodziła historyczne wydarzenie. Chociaż konkurs ten jest tradycyjnie walką na rozum pomiędzy najzdolniejszymi studentami świata, show skradł nieoficjalny uczestnik: AlphaProof od Google DeepMind. Program AI osiągnął srebrny medal, udowadniając, że maszyny nie tylko przetwarzają liczby – one zaczynają opanowywać sztukę logicznego rozumowania.
Ten przełom nie jest odosobnionym cudem inżynierii; jest to wynik trwającej dekadę ewolucji sposobu testowania prawdy za pomocą kodu. W swojej nowej książce The Proof in Code dziennikarz Kevin Hartnett bada niesamowitą podróż Lean, narzędzia programowego, które ewoluowało od niszowej pomocy w kodowaniu do podstawy nowoczesnej weryfikacji matematycznej i rozwoju sztucznej inteligencji.
Most pomiędzy kodem a logiką
Historia zaczyna się od Leo de Moury, byłego inżyniera działu badawczego firmy Microsoft, który uruchomił Lean w 2013 roku. Pierwotnie opracowany jako narzędzie do sprawdzania kodu programu pod kątem błędów, Lean miał ukryty potencjał ze względu na swoje strukturalne podobieństwo do matematyki.
Jak zauważa Hartnett, obie dyscypliny mają wspólne podstawowe DNA:
– Składnia: Obydwa wymagają dokładnych instrukcji krok po kroku.
– Logika: pojedynczy błąd w wierszu kodu jest funkcjonalnie identyczny z „przerwą” w dowodzie matematycznym.
– Wykonanie: Tak jak program działa tylko wtedy, gdy logika jest poprawna, tak twierdzenie matematyczne uważa się za prawdziwe tylko wtedy, gdy jego dowód jest bezbłędny.
Ta świadomość dała impuls nowemu ruchowi. Chociaż Lean nie mógł samodzielnie „wymyślić” nowej matematyki, działał jako interaktywny dowód twierdzeń. Mógł wziąć napisany przez osobę korektę – która mogła zająć setki stron i miesiące recenzji – i natychmiast potwierdzić jej absolutną poprawność.
Walka o „język matematyczny”
Przejście od tradycyjnej matematyki do dowodów cyfrowych nie przebiegało płynnie. Przez lata matematycy borykali się z klasycznym problemem „kury i jajka”: aby Lean był użyteczny, potrzebowali ogromnych bibliotek zakodowanych definicji matematycznych; ale do stworzenia tych bibliotek potrzebowali matematyków obsługujących program.
Tarcia były często absurdalnie szczegółowe. Hartnett opisuje, jak profesor Kevin Buzzard z Imperial College w Londynie napotykał trudności podczas nauczania studentów, ponieważ Lean wymagał od niego udowodnienia, że 2 nie równa się 1. Dla człowieka jest to oczywista prawda; dla systemu logiki formalnej jest to fakt podstawowy, który należy wyraźnie zdefiniować, zanim będzie można podjąć dalsze rozumowanie.
Pokonanie tych przeszkód wymagało ogromnego wspólnego wysiłku:
* Cyfryzacja na dużą skalę: w 2018 r. matematycy spędzili miesiące na tłumaczeniu złożonych pojęć, takich jak „przestrzenie perfektoidalne”, na tysiące linii kodu.
* Budowanie społeczności: Mała grupa oddanych badaczy pracowała nad uczynieniem oprogramowania przyjaznym dla użytkownika, przekształcając je z nieporęcznego narzędzia akademickiego w solidną platformę.
* Skalowanie: do 2025 r. ekosystem eksplodował, a dziesiątki tysięcy użytkowników ze środowisk akademickich i branży technologicznej wnosiło wkład w biblioteki Lean.
Dlaczego to jest ważne: poszukiwanie „maszyny prawdy”
Ostatecznym celem tego ruchu jest połączenie matematyki i sztucznej inteligencji. Dla inżynierów oprogramowania, takich jak de Moura, nagrodą była „maszyna prawdy”, która mogła zapewnić, że oprogramowanie takie jak Microsoft Word będzie całkowicie wolne od błędów. Dla matematyków jest to sposób na to, aby nawet najbardziej złożone i abstrakcyjne odkrycia nie zostały zakwestionowane.
Dla badaczy sztucznej inteligencji Lean jest idealnym poligonem szkoleniowym. Dostarczając ogromną zweryfikowaną bibliotekę prawd matematycznych, Lean pozwala modelom takim jak AlphaProof opanować rygorystyczne rozumowanie, a nie tylko rozpoznawanie wzorców. Ma to kluczowe znaczenie dla rozwiązania problemu „halucynacji” sztucznej inteligencji – tendencji modeli do wiarygodnego podawania fałszywych informacji. Jeśli uda się nauczyć sztuczną inteligencję przestrzegania ścisłych, niezachwianych praw logiki matematycznej, w końcu będzie ona w stanie zastosować ten sam rygor w rozumowaniu w prawdziwym świecie.
„Zarówno [matematyka, jak i programowanie] są napisane z precyzyjną składnią jako seria logicznych kroków, każdy prowadzący do następnego.”
Wniosek
Proof in Code opowiada historię tego, jak specjalistyczne narzędzie do debugowania oprogramowania stało się podstawą nowej ery matematycznej pewności i inteligencji AI. Podkreśla głęboką zmianę w nauce: zmierzanie w stronę przyszłości, w której ludzka intuicja i cyfrowa weryfikacja współpracują w celu ustalenia, co jest prawdą.
