Terry Tao bàn về tương lai toán học thời AI
Bài viết khách mời của Jeremy Avigad trên blog Terence Tao cho rằng AI đã tạo ra được những kết quả toán học từng đủ để công bố cách đây một năm. Tác giả đề xuất ba hướng đi cho giới toán học: giải bài khó hơn, nghĩ lớn hơn và thử công cụ mới.

Một bài viết khách mời của Jeremy Avigad trên blog của Terence Tao đang được thảo luận sôi nổi trên Hacker News (25 điểm, 4 bình luận). Nội dung xoay quanh câu hỏi: toán học sẽ đi về đâu khi các mô hình AI có thể giải được những bài toán mà con người từng mất nhiều năm.
Avigad kể lại việc ông dự một cuộc họp của các startup khoa học công nghệ do Convergent Research tổ chức. Tổ chức này quản lý Lean FRO, đơn vị phi lợi nhuận phát triển trình chứng minh định lý Lean. Nhiều người ở đó muốn nghe ông nói về tác động của AI lên toán học.
Điều gì đã thay đổi
Theo Avigad, cách làm toán quen thuộc gồm ba bước: giải bài toán, nếu quá khó thì dựng phiên bản gần đúng dễ hơn, giải rồi thay đổi tham số. Quy trình này đã bị xáo trộn.
Những kết quả mà cách đây một năm còn đủ sức để công bố, giờ có thể tạo ra dễ dàng với sự trợ giúp của AI. Điều đó đặt ra lo ngại về tương lai nghề nghiệp và cách đào tạo thế hệ toán học kế tiếp.
Tác giả chỉ ra hai đặc điểm của các mô hình nền tảng (foundation model) hiện nay: chúng đã đọc toàn bộ tài liệu toán học, và chúng không biết mệt. Một nhóm tác tử (agent) có thể thử vô số biến thể để tìm ra lời giải.
Ông dẫn nhận xét của Matthew Ballard: các lời giải do AI tạo ra đều có cùng một kiểu. Đó là những bài toán AI giải được bằng cách ghép các kỹ thuật sẵn có.
Ba hướng đi
Giải bài toán khó hơn. Avigad cho rằng không phải câu hỏi toán học thú vị nào cũng trả lời được theo cách ghép kỹ thuật. Ngay cả khi làm được, lời giải hay hơn thường cần ý tưởng mới.
Ông lưu ý các phương pháp huấn luyện bằng học tăng cường (reinforcement learning) chỉ đánh giá một hành động dựa trên thành công của chuỗi cuối cùng. Cách này sinh ra sự khôn khéo siêu phàm nhưng có thể bỏ lỡ óc sáng tạo và chiến lược bậc cao.
Nghĩ những ý lớn hơn. Tác giả nhắc lại bài giảng năm 1853 của Bernhard Riemann, được công bố sau khi ông mất vào năm 1868. Bài giảng này tách thuộc tính metric của không gian khỏi thuộc tính tôpô và đưa ra khái niệm đa tạp (manifold) tổng quát.
Ý tưởng đó trở thành nền tảng cho thuyết tương đối rộng của Einstein nhiều thập kỷ sau, và được ứng dụng trong robot, chẩn đoán hình ảnh y tế, phân tích thống kê. Avigad nhấn mạnh không hệ thống học tăng cường nào có thể đánh giá các quyết định của Riemann: lợi ích quá phân tán và thời gian quá dài.
Ông nêu thêm các trường hợp tương tự: Galois với nhóm hoán vị, Poincaré với nghiên cứu định tính hệ động lực, Grothendieck với các đổi mới khái niệm. Theo ông, câu hỏi "AI có làm được như vậy không" thậm chí không phải câu hỏi đúng.
Giá trị của một thành tựu toán học nằm trong lịch sử và văn hóa của con người. Chỉ những kết quả có ý nghĩa với con người mới đáng quan tâm, và chính con người quyết định điều đó.
Thử điều mới. Avigad cho rằng toán học từng nhiều lần tiếp nhận công cụ lạ. Thế kỷ 17 chứng kiến phương pháp đại số giải bài toán hình học, rồi đến vi phân, cấu trúc đại số ở thế kỷ 19, ngôn ngữ lý thuyết tập hợp đầu thế kỷ 20 và tính toán số gần đây.
Ông kêu gọi xem người dành thời gian làm trình chứng minh định lý (proof assistant) hay huấn luyện mạng nơ-ron là người làm toán thực sự, không phải kỹ thuật viên. Ông phản đối quan điểm thu mình để giữ kỹ năng truyền thống khi thị trường việc làm eo hẹp.
Thông điệp cho thế hệ sau
Avigad thừa nhận lời khuyên của ông không an ủi được sinh viên và nhà nghiên cứu trẻ. Các khoa toán, hiệp hội nghề nghiệp và ban biên tập tạp chí đang họp khẩn ở nhiều nơi.
Ba thông điệp ông đưa ra: chúng tôi đứng về phía các bạn; toán học vẫn quan trọng và cần các bạn; những năm tới sẽ rất khác.
Ông tin các nhà sử học tương lai sẽ coi thời điểm này là khởi đầu một kỷ nguyên mới của toán học.
Góc nhìn
Với người làm kỹ thuật ở Việt Nam, bài viết này không chỉ dành cho giới toán học. Trình chứng minh định lý như Lean đang trở thành công cụ kiểm chứng mã nguồn và đặc tả hệ thống.
Những ai quen dùng AI để sinh mã nên đọc kỹ phần về học tăng cường: mô hình có thể tạo ra lời giải đúng nhưng không đánh giá được giá trị dài hạn của một hướng đi. Điều đó đúng cả với kiến trúc phần mềm.
Việc coi công cụ mới là một phần của nghề, thay vì thứ đe dọa nghề, cũng là cách các nhóm phát triển phần mềm tại Việt Nam có thể tiếp cận AI trong công việc hằng ngày.
Nguồn: terrytao.wordpress.com · Quy trình biên tập


