Terence Tao, jeden z najwybitniejszych współczesnych matematyków, poddał krytyce sposób, w jaki modele AI są trenowane na otwartych problemach matematycznych. Jego zdaniem traktowanie tych klasycznych zagadnień jako materiału treningowego prowadzi do ich "nieodnawalnego wydobywania" - wyczerpywania ich wartości jako wyzwań dla ludzkiego umysłu.
Problematem jest fundamentalna kolizja interesów. Systemy AI potrzebują ogromnych zbiorów danych treningowych, aby się uczyć i rozwijać. Otwarte problemy matematyczne - od hipotezy Goldbacha po hipotezę Riemanna - stanowią doskonałe, dobrze udokumentowane źródło. Jednak kiedy AI zapoznaje się z nimi podczas treningu, łatwiej może generować rozwiązania lub pseudo-rozwiązania, co zaraża naukowy ekosystem i zmniejsza ich wartość edukacyjną.
Ta obserwacja Tao ma szersze konsekwencje dla całego środowiska naukowego. Jeśli AI będzie niemal instynktownie sięgać po klasyczne problemy, a naukowcy będą polegać na wynikach AI, zamiast samodzielnie z nimi pracować, możemy stracić cenne pytania, które przez pokolenia napędzały matematykę i umiejętności rozwiązywania problemów. To nie tylko kwestia sztucznej inteligencji - to pytanie o przyszłość metody naukowej w erze, gdy maszyny są coraz bardziej zaangażowane w produkcję wiedzy.