Naukowcy pracujący nad sztuczną inteligencją w matematyce natrafili na poważny problem praktyczny: zaawansowane modele AI i doświadczeni matematycy to zasoby zbyt ograniczone, by tracić je na nieefektywny dobór problemów badawczych. Dotychczasowe podejście koncentrowało wysiłek człowieka na dwóch etapach - wyborze problemu na początku i recenzji wyników na koniec. Oba stały się wąskimi gardłami w badaniach na poziomie uniwersytetu.
Team zaproponował alternatywę. Zamiast wybierać jeden konkretny problem z góry, eksperta definiuje kierunek badawczy, w którym ma doświadczenie. System FAR (Find, Attempt, and Recommend) przejmuje ciężar pracy: automatycznie przeszukuje korpus literatury, wyszukując pasujące otwarte problemy i hipotezy, a następnie filtruje kandydatury przez kolejne fazy oceny. Inspiracja pochodzi z dziedziny systemów rekomendacyjnych i wyszukiwarek - ideą jest skoncentrować ludzką uwagę na artefaktach, które naprawdę zasługują na przegląd ekspertów.
W pilotażu skupiającym się na kombinatoryce system wyjściowo przetworzył 5245 prac naukowych i wydobył z nich 6453 kandydujących hipotez i otwartych problemów. Po wstępnej filtracji zostało 4717 dobrze sformułowanych i wciąż nierozwiązanych problemów. Kolejne etapy rozumowania i automatycznego triażu wyselekcjonowały 598 potencjalnych rozwiązań, z których 77 trafiło do ostatecznego przeglądu. Podejście sugeruje, że taki model dwustronnej współpracy - gdzie AI radzi sobie z filtrowaniem wielkiej liczby opcji, a człowiek skupia się na najbardziej obiecujących - może fundamentalnie zmienić skalę badań matematycznych wspieranych AI.