Mathematiker sagen, dass OpenAI seine eigene Navier-Stokes-Beweisführung nicht versteht

Mathematiker sagen, dass OpenAI seine eigene Navier-Stokes-Beweisführung nicht versteht

Anfang September präsentierte das Unternehmen eine 166-seitige potenzielle Lösung für das Navier-Stokes-Problem. OpenAI behauptete, dass der Beweis auf dem Ansatz der spanischen Mathematiker Diego Córdoba und Luis Martínez-Zoroa basiert.

Mehrere Gruppen von Experten sind jetzt nicht überein nach den Berichten von Scientific American. „Wenn man die Details betrachtet, ist es eine andere Herangehensweise“, sagt der Mathematiker Gonzalo Cao-Labora von EPFL. Die Ähnlichkeiten sind nur oberflächlich, sagt er.

Die potenzielle Beweisführung ist in Lean geschrieben, einer formellen Verifizierungssprache, die jeden logischen Schritt überprüft, aber allein nicht für Menschen lesbar ist. Das Clay Mathematics Institute (CMI) hat sie seit ihrer Veröffentlichung überprüft.

Vor der Veröffentlichung beschuldigte der Mathematiker von NYU Tristan Buckmaster OpenAI, in der Arbeit zu arbeiten, die er und Levent Alpöge von Anthropic mit öffentlich verfügbaren Modellen geleistet hatten. OpenAI leugnete die Anschuldigung und sagte, sie habe Bucksmasters Daten nie verwendet. Ein endgültiges Ergebnis ist wahrscheinlich unmöglich, da Sprachmodelle schwarze Boxen sind, wie Camillo De Lellis vom Institute for Advanced Study erklärte.

Anfang Oktober lieferte OpenAI etwa 400 weitere Ergebnisse heraus, mit denen die Mathematikgemeinschaft kaum Schritt halten kann. Die Veröffentlichung dieser Ergebnisse als lose Sammlung auf GitHub verärgerte viele Mathematiker, die das als Verwässerung ihres Fachgebiets empfanden.

Niemand weiß, ob 10.000 KI-Agenten tatsächlich geholfen haben

Es gibt noch etwas, das OpenAI offenbar nicht versteht – seine eigene Arbeit. Das Unternehmen hat viel Rechenleistung investiert: etwa 10.000 Modellinstanzen wurden für etwa 88 Stunden und 130 Milliarden Tokens eingesetzt, um die potenzielle Navier-Stokes-Lösung zu entwickeln. Laut OpenAI-Forscher Noam Brown weiß niemand genau, was dieses riesige Agent-Netzwerk zum Ergebnis beigetragen hat.

Das Verhalten auf dieser Skala wurde noch nicht untersucht, da die Durchführung systematischer Vergleichstests mit tausenden Agenten zu viel kostet. Niemand hat getestet, wie lange ein einzelner Agent brauchen würde, um das gleiche Problem zu lösen, und es ist fast unmöglich zu erkennen, welchen konkreten Vorteil 10.000 Agenten gegenüber 1.000 haben.

Brown gibt weniger als 10 Prozent des Erfolgs auf die Multi-Agent-Architektur zurück. Er sagt, dass diese Systeme neu und beeindruckend seien, weshalb sie einen unverhältnismäßig großen Anteil an der Anerkennung bekommen. Was wirklich wichtig ist, ist das Basismodell selbst, das über längere Zeiträume Aufgaben bewältigen und parallel laufen kann.

AI-News ohne Hype – von Menschen zusammengestellt

Abonnieren Sie THE DECODER, um eine adfreie Lektüre, ein wöchentliches AI-Bulletin, unseren exklusiven „AI Radar“-Report sechsmal jährlich, Zugang zum vollständigen Archiv und Zugang zur Kommentarsektion zu erhalten.