24 dobitnikov Fieldsove medalje je napisalo protestno pismo
Trenutno ga podpira (23.09.2026) še 7.888 znanstvenikov in akademikov (seznam)
Gazumped! Photograph: Graham Dickie/The New York Times/Redux/Eyevine
Že odkar se je Sokrat pritoževal, da bi pisana beseda lahko povzročila, da bi ljudje postali leni pri pomnjenju stvari, ni bilo večjega izbruha akademske zaskrbljenosti zaradi nove tehnologije. V odprtem pismu, objavljenem 11. septembra, je 25 dobitnikov Fieldsove medalje – ki je na področju matematike enakovredna Nobelovi nagradi – izjavilo, da bi umetna inteligenca lahko uničila temelje njihove discipline. Podjetja, ki se ukvarjajo z umetno inteligenco, trdijo, rešujejo matematične probleme zgolj zato, da bi primerjali zmogljivost svojih modelov, namesto da bi to počela v resničnem duhu intelektualnega raziskovanja. Takšno ravnanje, trdijo, je »škodljivo za matematiko kot znanost in za matematično skupnost«.
Njihovo pismo je bilo odgovor na vrsto navideznih prebojev umetne inteligence na mejah te discipline, pri čemer je najnovejšega 8. septembra objavilo podjetje OpenAI, eno od vodilnih na tem področju. Skupina iz OpenAI je dejala, da je rešila Navier-Stokesovo uganko, eno od sedmih »tisočletnih ugank«, ki jih je leta 2000 Clayev matematični inštitut izbral kot najtežje in najpomembnejše na tem področju.
Zdi se torej, da je OpenAI prehitel Tristana Buckmastera (na sliki) in Leventa Alpögeja, dva matematika, ki sta se skupaj z umetno inteligenco trudila pri tej nalogi in za katera se je menilo, da sta blizu rešitve. Podjetje je objavilo 166-stranski članek, v katerem opisuje svoje delo, pri katerem so uporabili modele, ki še niso javno dostopni. Kljub svoji dolžini pa ta članek vsebuje le malo pojasnjevalnih podrobnosti, ki jih matematiki običajno navajajo, ko delijo novo odkritje.
Na prvi pogled se ta prepir sliši kot pompozna različica pretiranega razburjanja, ki je spremljalo širjenje elektronskih kalkulatorjev (izguba sposobnosti mentalnega računanja) ali celo kemičnih svinčnikov (da bi pomanjkanje senzoričnega vpliva na možgane lahko imelo škodljive posledice za slog pisanja). Te skrbi, ki so bile takrat dovolj resnične, se danes zdijo prav tako smešne kot Sokratove – saj je pisana beseda spomin okrepila, ne pa ga nadomestila.
Vendar obstaja razlika. Avtorji pisem očitno ne poskušajo preprečiti uporabe umetne inteligence v svoji disciplini. Eden izmed njih, Terence Tao, je namreč v videu, ki ga je maja objavilo podjetje OpenAI na družbenem omrežju X, trdil: »To mi omogoča eksperimentiranje; poskusil bom še bolj nore stvari.« Nato je naštel koristne zmožnosti umetne inteligence in izrazil upanje, da bi bila še posebej koristna, če bi se delo delilo, tako kot se delita matematična kultura in tradicija.
Njihova skrb je raje v tem, da so dokončni odgovori na probleme le en vidik matematike. Pogosto je bolj dragoceno to, da proces prihoda do pomembnih dokazov vodi k zastavljanju še več vprašanj in ustvarjanju novih področij raziskovanja. To, se bojijo, bi se lahko izgubilo, če bi umetna inteligenca opravljala rutinsko delo – še posebej, če bi to rutinsko delo opravljale organizacije, ki nato zunanjemu svetu ne bi objavile dovolj podrobnosti, da bi jih ljudje lahko prebrali in razumeli. Kot pravi Hugo Duminil-Copin, še eden od podpisnikov: če nekoga s helikopterjem spustiš na vrh Everesta, je to precej drugače, kot če ga sam preplezaš.
Če se to sliši kot sebičen argument strokovnjakov, ki se bojijo za svoja delovna mesta, to nedvomno tudi je. A to še ne pomeni, da je popolnoma brez podlage. Matematiki bodo morda začeli delati manj odprto, da bi se izognili usodi dr. Buckmastera in dr. Alpögeja. Druga, bolj prikrita nevarnost je, da bo opiranje na umetno inteligenco spodkopalo miselne navade in povzročilo, da bodo človeški matematiki postali manj sposobni strokovnjaki na svojem področju.
Tu obstaja zgodovinska analogija: pojav, imenovan kognitivno razbremenjevanje, pri katerem informacijska tehnologija z zmanjšanjem obremenitve človeškega spomina povzroča atrofijo miselnih sposobnosti na načine, ki so motili že Sokratesa. Že leta 2011 objavljena raziskava, ki so jo izvedli Betsy Sparrow z Univerze Columbia in njeni sodelavci, je potrdila splošno znano dejstvo, da se ljudje ob težkih vprašanjih zatečejo k iskanju odgovorov na Googlu, namesto da bi poskušali priklicati v spomin tisto, kar vedo. Novejša študija Michaela Gerlicha iz šviceške poslovne šole SBS je prav tako ugotovila »negativno korelacijo med pogosto uporabo orodij umetne inteligence in sposobnostmi kritičnega razmišljanja«.
Ta spor zato odraža širše strahove glede širjenja umetne inteligence. Vodstvo podjetja OpenAI je v preteklosti izjavilo, da je njihova vizija prihodnosti takšna, v kateri umetna inteligenca sodeluje z matematiki pri »ugotavljanju, katere probleme je dejansko pomembno rešiti«. To kaže na svet, v katerem bi se kognitivno matematično delo dejansko lahko preneslo na programske agente. Prav podrobnosti o tem, kako se bo to zgodilo, bodo odločile, ali je to dobra ali slaba stvar, in s tem tudi, ali je v tem primeru Sokrat morda vendarle imel prav.
Deklaracija (https://mathandai.org/):
Resno neskladje umetne inteligence v matematiki
Objavljeno 11. septembra 2026 · DOI 10.5281/zenodo.22737750
V zadnjih nekaj mesecih so se matematične zmogljivosti velikih jezikovnih modelov (LLM) izjemno izboljšale, do te mere, da lahko rešujejo pomembne nerešene probleme na številnih področjih matematike. Vendar pa prizadevanja podjetij za umetno inteligenco, da rešujejo matematične probleme kot merilo uspešnosti, škodujejo matematični znanosti in matematični skupnosti. Cilji podjetij za umetno inteligenco in cilji matematične skupnosti so močno neskladni. To vidimo kot del širših težav z usklajevanjem, ki vplivajo na druge znanstvene in ustvarjalne poklice ter na celotno družbo.
Raziskovalna matematika se ukvarja z razumevanjem osnovnih struktur oblik, števil in naravnih pojavov. V teku generacij je zgradila obsežen korpus izpopolnjenih idej, metod, abstrakcij in drugih orodij za razumevanje matematičnega prostora. Sodobne tehnologije in znanosti pa temeljijo na matematičnih orodjih.
Znane matematične naloge so pogosto služile kot mejniki in svetilniki, s katerimi je mogoče meriti izboljšano razumevanje tega področja. Rešitev ene od teh nalog je bila zanesljiv znak novih spoznanj in zanimivih metod, ki jih je nato skupnost matematikov preučevala v dolgem in napornem procesu pogovorov, razprav in poenostavitev. Na koncu tega procesa se v idealnem primeru najde učbeniška predstavitev rezultatov, primerna za študij vsakega podiplomskega ali celo dodiplomskega študenta. Nekatere matematične ideje nadaljujejo svojo pot še dlje in postanejo, desetletja ali stoletja kasneje, orodja, ki jih razume in uporablja celotno prebivalstvo.
Matematična skupnost v mnogih pogledih deluje kot miniaturna različica človeštva. Sestavljena je iz posameznikov, ki uporabljajo najrazličnejše pristope, povezuje pa jih skupne temeljne vrednote. Najdragocenejši viri našega poklica so študenti in ideje, ki jih negujemo z veliko skrbnostjo. Čutimo odgovornost, da jim omogočimo razvoj njihovega polnega potenciala, dokler ne bodo sposobni samostojno živeti v matematičnem svetu. Študentom pogosto predlagamo naloge, katerih glavni namen je razviti veščine, ki jim bodo omogočile uspešno delovanje v raziskavah in na drugih področjih. Naše ideje širimo v predavanjih, zasebnih razpravah in skrbno pripravljenih zapisih, pri čemer jih povezujemo s prejšnjimi idejami drugih. Ti procesi vedno zahtevajo čas in temeljijo na medčloveških odnosih.
V zadnjih mesecih je uspeh umetne inteligence pri reševanju velikih matematičnih problemov prišel v naslove tudi zunaj matematičnih krogov. A reševanje problemov je le orodje in sredstvo za doseganje glavnega cilja, ki je konceptualno razumevanje in vpogled. Če to v svetu umetne inteligence pozabimo, se lahko orodje obrne proti glavnemu cilju. Dejansko bi lahko množična proizvodnja izjav »res/neres« v vse hitrejšem tempu uničila plodna tla, namesto da bi vdihnila življenje novim idejam.
Pogosto se te rešitve objavijo v naglici, kar ne pušča časa za ustrezno dokumentacijo, izolacijo novih metod in idej ter navajanje relevantnih prejšnjih del drugih avtorjev. Kot v vseh ustvarjalnih poklicih to sproža resna vprašanja glede pripisovanja avtorstva in plagiatorstva. Poleg tega bi ideje, ki jih je zasnovala umetna inteligenca, brez pripravljenih matematikov, ki morajo poskrbeti za njihov razvoj in vključitev v matematični kanon, nikoli v celoti ne zaživele, ključna človeška veriga prenosa med matematiki pa bi bila izgubljena.
Priča smo splošni grožnji intelektualnemu delu, pri čemer prihaja do neskladja med rezultatom uporabe umetne inteligence in njenim prvotnim namenom. Na mnogih področjih in pri številnih dejavnostih so leta usposabljanja tradicionalno služila ne le za pridobivanje končnega odgovora ali izdelka, temveč tudi za razvoj razumevanja in sposobnosti oblikovanja novih vprašanj in idej. Vendar pa sistemi umetne inteligence, ki gradijo na obsežnem korpusu preteklega človeškega dela, postajajo vse bolj sposobni neposredno ustvarjati rezultate takšnega dela, zaradi česar se ti cilji ne ujemajo več. Vprašanja, s katerimi se zdaj sooča matematična skupnost, so podobna tistim, s katerimi se soočajo druge znanstvene in ustvarjalne stroke, ter kažejo na izzive, s katerimi se bo morda soočilo celotno človeštvo: kako zagotoviti, da ob spremembah v načinu dela, ki jih prinaša umetna inteligenca, ne izgubimo izpred oči tistega, kar je bilo prvotni namen tega dela.
Umetna inteligenca ponuja potencial za izboljšanje in pospešitev resničnega matematičnega študija in razumevanja. Matematika kot poklic se bo morala na te spremembe prilagoditi na več načinov. Vendar pa bo to, ali bodo te spremembe na koncu koristile tej stroki ali pa bodo imele uničujoč učinek, v veliki meri odvisno od odločitev ljudi, ki nadzorujejo to novo tehnologijo.
Te težave je treba nujno obravnavati v matematični skupnosti, v podjetjih, ki razvijajo te tehnologije, in širše v družbi, ki se bo soočala s podobnimi težavami v mnogih drugih oblikah intelektualnega dela.
Artur Avila (Fields Medal 2014)
Manjul Bhargava (Fields Medal 2014)
Caucher Birkar (Fields Medal 2018)
Pierre Deligne (Fields Medal 1978)
Yu Deng (Fields Medal 2026)
Simon Donaldson (Fields Medal 1986)
Vladimir Drinfeld (Fields Medal 1990)
Hugo Duminil-Copin (Fields Medal 2022)
Alessio Figalli (Fields Medal 2018)
Martin Hairer (Fields Medal 2014)
June Huh (Fields Medal 2022)
Maxim Kontsevich (Fields Medal 1998)
Elon Lindenstrauss (Fields Medal 2010)
Pierre-Louis Lions (Fields Medal 1994)
James Maynard (Fields Medal 2022)
Curtis McMullen (Fields Medal 1998)
Shigefumi Mori (Fields Medal 1990)
David Mumford (Fields Medal 1974)
Ngô Bảo Châu (Fields Medal 2010)
Andrei Okounkov (Fields Medal 2006)
Peter Scholze (Fields Medal 2018)
Stanislav Smirnov (Fields Medal 2010)
Terence Tao (Fields Medal 2006)
Maryna Viazovska (Fields Medal 2022)
Cédric Villani (Fields Medal 2010)
Wendelin Werner (Fields Medal 2006)
Efim Zelmanov (Fields Medal 1994)
*** Prevod DeepL.com (free version) ***
Sep 23, 2026