Modele AI nagle stały się niezwykle skuteczne w rozwiązywaniu otwartych problemów matematycznych. W maju wewnętrzny model OpenAI znalazł kontrprzykład do hipotezy jednostkowej odległości Erdősa, otwartej od 1946 roku. Następnie OpenAI opublikował dowód problemu Cycle Double Cover, potem rozwiązania dziesięciu kolejnych problemów do lipca, a we wrześniu dowód równań Naviera-Stokesa. Anthropic z kolei opublikował formalizację Wielkiego Twierdzenia Fermata i zaawansowane ograniczenia dla hipotezy Riemanna.
Pytaniem kluczowym jest teraz to, co dokładnie sprawia, że niektóre problemy matematyczne są dla modeli językowych łatwe do rozwiązania. Jak wyjaśnia analiza, każde zadanie matematyczne wymaga sekwencji wskazówek lub przełomowych spostrzeżeń rozdzielonych pracą i wysiłkiem - od insights do insights, aż do rozwiązania. Eksperci potrzebują mniej takich wskazówek niż początkujący, posiadając więcej wiedzy teoretycznej. To mapowanie trafnie opisuje zarówno proste problemy codzienne, jak i złożone idee na miarę Ogólnej Teorii Względności.
Identyfikacja różnic w sposobie, w jaki AI rozwiązuje problemy w porównaniu z ludźmi, jest kluczowa dla dalszego rozwoju. Zrozumienie, które rodzaje problemów są dla modeli najbardziej traktowalne, pozwoli badaczom celniej kierować możliwości AI w matematyce i innych dziedzinach wymagających głębokich analitycznych zdolności.