AI時代における純粋数学研究の未来
What's the Future for Pure Math Research in the Age of AI? (writings.stephenwolfram.com)
要約
AIが数学の問題を解決する能力を高める中、純粋数学研究の未来について議論がなされています。AIは既存の知識をマイニングし、新たな繋がりを見出すのに役立ちますが、数学の本質は人間が問いを立てる想像力にあると論じられています。AIは計算プロセスを自動化できますが、数学の創造的な側面は人間の知的好奇心と探求心に依存すると結論づけています。
全文翻訳
AI時代の純粋数学研究の未来は?
見出しと歴史
「AIシステムがこの数学問題を解いた」「あのAIがこの定理を発見した」といった見出しが後を絶ちません。そして、「もう人間による数学研究は不要なのではないか」「すべてをますます強力になるAIに任せるべきではないか」という声も多く聞かれるようになりました。
率直に言って、こうした議論の多くは、数学とは何か、そしてAIとは何かについての根本的な誤解を含んでいるように思えてなりません。
おそらく、この点について私自身のユニークな個人的経験が示唆を与えてくれるでしょう。なにしろ、1988年にMathematicaを初めて発表した際にも、数学がAIに取って代わられ、無意味になるのではないかという同様の議論がありました。もちろん、結果は全くそのようにはなりませんでした。むしろ、Mathematica(現在のWolfram Language)は、実行可能な数学のレベルを引き上げ、長年にわたってあらゆる種類の重要な新しい数学を生み出すきっかけとなったのです。
もし、記号積分を計算することが数学の本質だと考えているのであれば、確かにMathematicaはそれをほぼ置き換えてしまいました。しかし、そのような問題解決は数学の多くの応用で必要とされるものですが、純粋な形での数学そのものの中心ではありません。
純粋数学という営みは古くからあり、文明の歴史と深く結びついています。プラトンやユークリッドの時代から、純粋数学は抽象的で合理的な思考がますます大きな構造を構築できる場所の典型例でした。そして、数世紀にわたり、純粋数学は私たちの文明が築き上げた最も巨大な知的建造物の一つとなりました。
そこには病理や限界がなかったわけではありません。そして、その建造物を築く人々の中でも、何が重要か、どのように物事を進めるべきかなどについて誤解に陥ることがあります。数学は根本的に、どんな手段を使っても証明を生み出すことなのでしょうか? 数学は常にその応用によって最終的に正当化されるのでしょうか? 数学が発見することを目指す、ある種の「正しい答えの書」のようなものが必然的に存在するのでしょうか?
ここでもまた、私にはこのすべてに関する個人的な経験があるのでしょう。なぜなら、基礎科学への私の取り組みは、数学を含む多くの物事の基礎についての問いを立てることに繋がったからです。そのため、私は、すべての可能な数学の空間とは何か、すべての定理のネットワークの限界構造とは何か、そして特に、私たちが数学と呼ぶものを定義する上で人間の役割は何か、といった問題を研究してきました。
現代AIの価値
純粋数学の一般的な性格と価値については後で議論しますが、その前に、現在の問題である現代AIの役割について触れましょう。
まず最初に言えることは、AIは疑いなく有用であり、時には非常に有用であるということです。私にとって、数学的探求におけるAIの最大の利点は、人間の数学の知識ベースをテーマ別に採掘する能力です。1970年代後半から、科学文献のキーワード検索ができるようになったことは、私が実施した多くの研究の重要な推進力となりました。そして今、現代AIを使えば、さらに多くのことができます。なぜなら、それらのLLMの内部には、まだ科学的に理解できていない方法で、数学に関する何百万もの論文や書籍から得られた生のアイデアの表現に相当するものが存在しているからです。
そして、AIは単に情報を検索するだけでなく、それらを繋ぎ合わせることもできます。ある結果と別の結果を組み合わせて、驚くべき有用な結論を導き出すことができるのです。人間も同様のことを行いますが、通常は数百本の論文しか読んでいません。AIは事実上何百万もの論文を読み込んでおり、多くの可能な組み合わせを試すことはAIにとって容易です。
では、AIに丸投げして素晴らしい数学が出てくることを期待できるのでしょうか? 後述するように、素晴らしい数学とは、何よりもまず、それがどのような問いを立てるかによって定義されます。確かに、AIは人間がこれまで自分で行う必要があった作業を自動化することができます。しかし、後述するように、純粋数学の核心は、どのような問いを立てるかを導く人間の想像力なのです。
現代AIが行うことと、純粋な計算が行うことの違いを理解しておくことは価値があります。現代AIは、第一に、人間の知識の既存のコーパスを活用する方法です。計算は、その最も強力な形態において、根本的かつ不可分に新しいものを生成する開かれた方法です。ある規則や公理から始めて、それを繰り返し適用する計算を実行するだけで、私の長年の愛する現象である計算の非還元性が、すべての計算ステップを実行しなければ到達できない、新鮮で新しい結果を常に生み出し続けることを保証します。
(まだ馴染みのない方のために説明すると、計算の非還元性は、私が1980年代に導入した概念で、多くの計算プロセスが、たとえ単純な規則で定義されていても、一般的なショートカットを許さないという考え方を捉えています。その結果を決定する唯一の方法は、各ステップを明示的に実行することです。これは、可能なプログラムの計算宇宙において非常に遍在する現象であり、科学の多くの分野や哲学における一連の基礎的な問題とも関連しています。)
したがって、AIとは無関係に、計算は無限の新しい定理の系列を生成することができ、それは無限の新しい事実などを表します。そして、それらの定理の中には、あらゆる種類の「独創性」や、事実上の「驚き」が含まれるでしょう。しかし、そこには落とし穴があります。それらの定理は、ある意味では単に「計算宇宙から抜き出された結果」です。そして、それらは確かに、私が提唱している新しく、そして非常に重要だと考える「ルリオロジー」の範囲に含まれます。しかし、それは数学なのでしょうか?
そもそも数学とは何か?
もちろん、それは数学が本当に何であるかに依存します。それがまさに理解する必要があることです。その初期の歴史において、数学は、例えば算術や幾何学について、世界に関する正確で形式的な声明を作成する方法と考えられていました。しかし、19世紀後半には、私たちが経験する世界の特性に結びつかなくなった、より高次の抽象化レベルに到達しました。そして、数学全体にますます形式主義的な見方が広まりました。つまり、数学とは究極的には、特定の公理(例えば集合論の公理)から「機械的」(すなわち計算可能)に導き出せる定理の集合にすぎない、という考え方です。
ゲーデルの定理はこの見方に小さなひびを入れました。しかし今日でも、多くの数学者は、数学とは特定の選ばれた公理の帰結の形式的な研究であると定義しようとするかもしれません。しかし、彼らがそう言ったとしても、それは彼らが実際に行っていることの良い説明ではありません。実際の純粋数学研究の大多数は、公理や機械的な導出のレベルで操作されているわけではありません。むしろ、はるかに高次のレベルで、抽象的な構造とその相互関係を構築し、研究しています。
これが可能であることは明らかではありません。数学で正しい答えを得る唯一の方法は、公理レベルで直接、最低レベルで操作することかもしれません。しかし、純粋数学の本質的な(そして通常は語られない)特徴は、実際には、実数の公理的な定義について常に深く掘り下げる必要なしに、例えばピタゴラスの定理のレベルで推論できることです。私は最近、物理学で、個々の分子の衝突を常にたどる必要なしに、流体力学を成功裏に扱えるのとほぼ同じ理由でこれが起こると主張しました。
究極的には、流体はそれらの分子すべてで構成されています。しかし、重要なのは、私たちのような観察者は通常、それを全体的な流体の動きなどの、はるかに人間レベルでしかサンプリングしないということです。数学も同様です。人間の数学者は通常、基礎となる公理的導出の広大なメタ数学的ウェブを、全体的かつ集合的な方法で、「人間レベル」の構造と概念の観点からサンプリングします。
究極的には、数学と物理学の両方で物語は非常に似ているようです。最低レベルでは、すべてが計算の非還元性に満ちており、すべての計算ステップを機械的に実行することによってのみ理解できます。しかし、そのような計算の非還元性の中には、常に計算の還元性のポケットがあり、そこで「高次の」方法で「先に進む」ことが可能です。そして、これらの還元性のポケットの中に、私たちの物理法則、そして私たちの人間レベルの数学が存在します。
物理学、あるいは一般に自然科学は、自然界の複雑さから、有限の人間精神に収まる物語で記述できる側面を見つけようとする努力と見なすことができます。数学も同様に見なすことができます。メタ数学の世界の複雑さから、人間精神に収まる物語で記述できる側面を見つけようとする努力です。つまり、数学的な物語です。
言い換えれば、純粋数学を進歩させるという問題は、あるレベルでは、生のメタ数学のフロンティアを押し広げるというよりも、そこに存在するものを表現するための人間の方法を見つけることなのです。
人間の数学の歴史は、ますます高次の抽象化を捉える、ますます高い概念の塔を築くことによって特徴づけられてきました。そして、このプロセスが最終的に必然的に「すべての数学を明らかにする」だろうと推測するかもしれません。しかし、物語はより複雑です。究極的な限界として、すべての可能な公理系から始めて、すべての可能な定理を生成することを想像できます。この方法で得られるのは、私がルリアドと呼ぶユニークなオブジェクトです。これは、すべての可能な計算プロセスの絡み合った限界に対応します。しかし問題は、私たちのような有限の精神は、ルリアドのごく一部しか知覚できないということです。そしてそれは、私たちが「絶対的な数学」を持つことはできず、ルリアドをどのようにサンプリングするかに基づいた数学しか持てないことを意味します。
私は他の場所で、このサンプリングの側面の一部は、ルリアドの観察者としての私たちの一般的な特徴から必然的に生じると主張しました。そしてこれは、いくつかの「数学の一般法則」につながります。例えば、高次の数学が可能であるという事実自体です。しかし、サンプリングの他の側面は、歴史的な偶然として見ることができます。数学コミュニティが一方の方向を他方よりも探求することを選択したことです。そして再び、そのような選択をしなければならないことは避けられないことを認識することが重要です。
ある意味で、ルリアドはそれ以外ではありえないほど大きいです。私たちの有限の精神はすべての方向を網羅することはできないので、一部だけを選択しなければなりません。そして、私たちが発見したものを、私たちが数学的な物語を構築できる限定された概念のセットで要約しなければなりません。
これは人間の言語と非常によく似ています。すべての可能性の中から、例えば言葉で表される特定の概念を選択します。そして、これらの概念は、私たちが「思考をカプセル化」して、有限の方法でコミュニケーションできるようにし、私たちの精神に収まるようにする方法です。
生の計算レベルでは、数学的ルリオロジーに相当するものを実行し、これまで知られていなかった膨大な数の新しい定理を公理的に生成し始めることは簡単です。しかし、圧倒的な確率で、それは私たちを、私たちが知っている数学や、高次の概念として見なせるものとは有用に結びつかない「異質な数学」に導くだけでしょう。
AIによる数学生成
しかし、では、現代AIを使っているとしましょう。それは高次の数学的概念を直接操作できないのでしょうか? 確かにLLMは人間の言語を扱うことができます。そして実際に、LLMが人間の言語で単語を組み合わせる一般的なパターンを学習するのと同じように、数学で構造を組み合わせる一般的なパターンも学習できます。
しかし、有用な数学を生成することは、言語を生成することよりもはるかに厳密な活動です。書かれた物語は「間違っている」ことはありませんが、書かれた数学は間違いなく間違っている可能性があります。もちろん、LLMが人間のようにWolfram Languageを呼び出して、確実に計算できることは大いに役立ちます。(そして、はい、誰もがAIを私たちのWolfram MCPシステムに接続するためにかかる数秒を費やすべきです!)しかし、真剣な数学研究は通常、多くの部分を組み合わせ、議論で多くのステップを実行することなどを伴います。そして問題は、LLMが動作する統計的な性質が、物事が複雑になるにつれて、それらが正しく機能する可能性が必然的に低くなるということです。そして、LLMが偶然正しいことを行うケースを見つけるためのゲームのようになる可能性があります。
しかし、どうすればそれを判断できるのでしょうか? 現代において、私のような人間が毎日、数学論文の「統計的なテクスチャ」を持つAI生成文書を数多く送られてくるのは、フラストレーションのたまる特徴です。しかし、それらが意味のある形で正しい可能性は非常に低いと少なくとも予想されます(そして、おそらく、数学をあまり理解していない人々がAIに「数学を作って」と指示しただけで作られたのでしょう)。したがって、LLMは事実上、人間レベルの数学的概念を操作できますが、人間の思考に影響を与えるのと同じ種類の不確実性と不正確さを伴います。
定式化の力と課題
しかし、人間レベルの構造を、正確で形式的なもの、つまり公理レベルに近いものに変換することについてはどうでしょうか? はい、私は数十年間にわたってそのようなことについて考えてきました。近年、オートフォーミュレーション(human-level math を自動的に形式的で公理的なものに変換し、例えば証明支援システムで検証できるようにする)という考え方に大きな興奮があります。一見すると良い考えのように思えます。しかし、問題があります。証明支援システムは証明を検証するかもしれませんが、それはあなたが証明したかったことの証明だったのでしょうか? 弱い点は、あなたの人間レベルの数学の形式化が、あなたが表現しようとしていたことを正確に捉えていることを確信することです。
私は今までに何度も経験しました。何かを自動形式化しようとすると、AIが「やりました。証明が通りました!」と教えてくれます。しかし、実際には、ある意味でそれは不正行為でした。私が意図したものを形式化する代わりに、私が求めたものを(しばしば非常に奇妙な方法で)解釈し、それを成功裏に証明できる方法を見つけたのです。しかし、それが起こったことを知るのはしばしば非常に困難です。なぜなら、形式化されたバージョン(例えば、一般的な証明支援システムで表現されたもの)は非常に低レベルで、非常に冗長で、人間が理解するのが非常に難しい傾向があるからです。
では、どうすればよいのでしょうか? 私は、私たちが長年Wolfram Languageで開発してきたアイデアと技術の塔に中心的に基づいた、非常に良いことができると考えています。Wolfram Languageの目標は常に、私たちが人間が考えることを正確な計算的用語で表現できる言語、あるいは事実上の表記法を作成することでした。それは、生の構造や操作をコンピューターに表現するだけのプログラミング言語とは異なり、世界の実際の物事や、私たちが考える実際の概念を表現することに基づいています。また、それはコンピューターに何をすべきかを指示する方法だけでなく、数学的表記法の広範な一般化のように、読んだり考えたりできる言語でもあります。
過去数年間で、強力な汎用ワークフローが登場しました。AIに何をしたいかを伝え、AIにそれが何を意味するかを正確に表現するWolfram Languageを記述させます。それが適切に行われれば、この表現は人間が理解し、必要に応じてチェックおよび修正できるものであるべきです。
純粋数学のための新しい高レベル言語
過去40年間、私たちはWolfram Languageを継続的に拡張し、今日の「応用数学」のほとんどを含む多くのドメインをカバーしてきました。そして実際に、Wolfram Languageが行ってきたことは、純粋数学の研究において非常に役立つことが証明されています。しかし過去には、10年以上前の私たちの努力にもかかわらず、純粋数学研究のために広範な機能性を構築することを正当化することができませんでした。しかし、Wolfram Languageプラットフォームの一般的な進歩と、AIに関連する開発の経済性の変化のおかげで、私たちは現在、束やリー群、クリフォード代数などの純粋数学の研究の構造を包含するようにWolfram Languageの設計を拡張する大規模な取り組みの途上にあります。
私たちの目標は、計算言語設計における私たちの方法と長年の経験を使用して、人間とAIの両方が使用できる、純粋数学を広範に計算可能にすることです。そして、ついに、すべての数学的記述の下に、体系的に実行および計算処理できる、正確で曖昧さのない計算バージョンが存在する論文を持つことが期待できます。
しかし、オートフォーミュレーションの実際のターゲット、つまり人間数学、AI、計算のネクサスも得られます。例えば、私たちの純粋数学拡張Wolfram Languageで包括的に形式化されたステートメントがあるとしましょう。実際には、それを使って計算結果を得たい場合が多いでしょう。しかし、純粋数学の伝統に従って、抽象的に証明したい場合もあります。
自動定理証明
では、それを自動的に行うことはできるのでしょうか? はい、自動定理証明があり、その多くの種類が、例えばWolfram Languageに組み込まれています。時には自動定理証明は事実上暗黙的です(例:「Solveはこの多項式に実数解がないことを示しました」)。時には(FindEquationalProofのように)より明示的になり、証明のすべてのステップの正確で検証可能な記号表現を提供します。
これは純粋数学にとって広範に強力なものになると想像するかもしれません。しかし、少なくとも過去数十年間、そうではありませんでした。その大きな理由の一つは、典型的な研究レベルの純粋数学を、そのような手法に適した十分に細かい公理レベルに分解することが困難であったことです。しかし、別の理由は、計算の非還元性と決定不能性の現象のおかげで、証明が到達不可能なほど長くなる可能性があることです。
そして確かに、自動定理証明の全歴史において、すでに真実であると信じられていたものではなく、自動定理証明によって初めて発見された、現実の数学的結果と見なせるものが実際に1つしかないと言っても過言ではないでしょう。それは私が2000年に行ったもので、ブール代数の最小公理系を見つけることでした。しかし、ここにもう一つの問題がありました。見つかった証明は非常に長く、非常に低レベルで、非常に異質でした。そして過去26年間、AIであろうとなかろうと、それの人間レベルのバージョンを見つけることは不可能でした。事実上、私たちが知る限りでは、それはメタ数学宇宙における一種の突起であり、既存の人間レベルの数学的概念とは無関係です。
もちろん、証明の結果を「ブラックボックスの数学」として使用することはできます。しかし、数学における私たちの目標が人間レベルの数学的物語を提供することである限り、これは物語のギャップを表します。
しかし、代わりに数学文献で既に知られている証明を取り上げ、それをAIまたは人間の直接の努力によって形式化するとしましょう。それが複雑な証明であれば、確かにそれは成果です。そして、あなたが実際に正しいものを形式化したと確信しているなら、その証明が本当に正しいことの良いチェックになります。しかし、新しい理解を得たり、新しい再利用可能なコンポーネントを表面化させたりすることは期待すべきではありません。そして、実際の数学的内容の問題があります。はい、形式的な結果が確立されましたが、例えば、それはどのような基礎となる公理系を使用しましたか(そして、いいえ、それはおそらく最終的には集合論ほど馴染みのあるものではないでしょう)?
(形式化された証明自体が研究対象になる可能性があることに言及する価値があります。例えば、与えられた定理の多くの証明で、証明空間の幾何学とトポロジーについて質問し始めることができます。そして、多くの定理の証明で、「経験的メタ数学」を行って、それらの基本的な関係を理解することができます。)
数学における問題解決
後述するように、純粋数学における最も重要な進歩の多くは、新しい概念と構造の発明(しばしば新しい定義にカプセル化される)から来ています。しかし、既存の概念と既存の構造を操作する上でも、まだ膨大な作業があります。時には目標は「答えを計算する」ことです。時には「証明を見つける」ことです。時には「例または反例を見つける」ことです。そして時には「何が真実かを見極める」ことです。これらのすべてのタイプのケースで、結果を得るために(例えばWolfram Languageで)強力なアルゴリズム計算を使用することができ、しばしば非常に直接的かつ迅速に結果を得ることができます。
AIsは確かにそのような計算(例えばWolfram MCPを介して)を使用できます。しかし、現代AIはどのように直接貢献できるのでしょうか? 単純に「チャットボットスタイル」で結果を生成するように依頼することを想像できます。そしてしばしば、はい、それは結果をもたらします。しかし、それが正しいかどうかをどのように判断できるのでしょうか? 時には、上記で議論したように、結果を得るプロセス全体を事実上形式化することだけが方法です。しかし、時には結果を取り上げて、それが正しいかどうかをチェックするために計算を実行することもできます。例えば、AIが積分を解いたと主張した場合、その解を微分して、被積分関数と同等なものに戻ってくるかどうかを確認するだけです。あるいは、AIが何かの反例を思いついた場合、それが実際に反例であるかどうかをチェックするために計算を実行するだけです。
LLMが結果を思いつくときに「内部で何が起こっているのか」についてはあまり知りませんが、それはおそらく、訓練された何百万もの数学論文から消化された断片を組み合わせるプロセスとして考えるのは悪くないでしょう。しかし最終的には、それが実行することは、アルゴリズム的には非常に単純なものになるかもしれません。AIは広範さという利点を持っています。そして私の経験では、適切な場所を見ただけで、非常に単純、あるいは明白なものを見つけることがよくあります。しかし、それを見つけた後、AIなしで機能する純粋な計算(例えばWolfram Language)の断片として実装できます。
人間が数学を行い、問題を解決するとき、プロセスの重要な部分は直感の使用になりがちです。しかし、実際の直感とは何でしょうか? あるレベルでは、それは一種の「これがどうなるか分かっている」という手続き的なパターンマッチングのようです。そして、直感について言えば、少なくともその基本的な形態では、これは根本的にLLMの手の届かない能力ではないという私の直感です。
しかし、課題の1つは、既存の数学的概念で表現された問題を解決するためでさえ、「システムから抜け出し」、新しい概念を発明する必要があることが多いことです。例えば、三次方程式の実際の実数解を見つけるために複素数が必要になったことが典型的な例です。あるレベルでは、これは計算の非還元性の別の現れであり、それが計算の還元性の任意のポケットを制限する方法です。しかし、その効果は、一見「純粋な問題解決」に見えるものが、実際には新しい概念や構造の発明をしばしば伴うことを強制することです。
開放的な数学
では、開放的な数学と見なせるものについてはどうでしょうか? ルリオロジーでは、計算宇宙に出て「面白いものを見つける」ことが非常に一般的です。計算宇宙 。伝統的に数学ではそれは一般的ではありません。もちろん、原理的には、例えばある公理セットに基づいて可能な定理を体系的に列挙し、「どれが『面白い』か?」と尋ねることを想像できます。運用上は、「もし本や論文を書くなら、どの定理に言及するか?」と尋ねるかもしれません。
何年も前に、私はブール代数の可能な定理という非常に単純なケースを調べ、経験的に、どの定理が論理学の教科書に名前が付けられるかの基準があることを見つけました。それは基本的に、可能な定理の辞書順リストの前の定理からは証明できないもの、あるいはある意味で「新しい情報を提供する」最も単純な定理です。
より複雑なケースでは、数学文献で発表することを選択した定理の何百万もの例で訓練されたAIが、人間の興味深さの基準をチャネルできると想像するかもしれません。しかし、私の経験では、これは実際にはうまくいきません。そして、その理由は、最も単純なケースを除いて、興味深さは定理ごとに決定できるものではないからです。むしろ、特定の分野の数学の歴史的な発展全体をマッピングする必要があります。そして、その発展の弧のどの側面が必然的であり、どれが単なる歴史的な偶然であるかを尋ねることができます。
私は最近、生物進化についても同様の質問をしました。そしてその場合、(根本的に計算的な)一般的な原則がいくつかあることを発見しました。例えば、計算的に制限されたフィットネス関数に従う適応進化は、一般的にモジュラー構造(細胞小器官、臓器などに類似)の存在につながるようです。それらの構造は「それが何であるかの説明を伴って」現れるわけではありません。しかし、それらは事実上「計算的還元性の生のポケット」を表します。
純粋数学の開発において、明らかに重要なのは、新しい構造と概念の識別です。歴史的に、そのような構造と概念は常に人間によって導入され、事実上「説明を伴って」きました。しかし、例えばAIによって自動的に見つけられた新しい構造と概念を想像できますか? そして、それらを使って新しい数学を構築できますか?
新しい数学的概念
それらの2つの質問は、ある程度別々であることが判明しました。少なくとも単純なレベルでは、(例えばオートエンコーダーを見ることで)ニューラルネットワーク内で計算的還元性のポケットを要約するもの、あるいは事実上「新しい概念を表す」ものと見なせる特定のパターンを識別することはかなり簡単です。しかし、数学が私たちにとって数学的物語を定義することである限り、これはすぐに役立つものではありません。
はい、AIは事実上無数の新しい概念を識別できます。しかし、私たちの人間精神は限られた数のものしか扱えません。これは自然言語と非常によく似ています。AIが人間の言説のパターンを見て、それらを要約するために導入できる無数の新しい単語を見つけ出すことを想像できます。しかし、私たち人間は、限られた数の異なる単語(通常は数万)しか知ることができないようです。
数学ではどうでしょうか? AIは原理的には無数の新しい数学的概念の定義を思いつくことができます。しかし、それらから構築されたものは、必然的に「生の公理レベルの数学」から「ルリオロジー的に」構築されたものと同じくらい異質に見えるでしょう。構成要素はより「人間レベル」かもしれませんが、それらは私たち人間には馴染みがないため、それらの観点から容易に考えることができません。
もちろん、人間の言語に新しい単語が導入され、数学に新しい概念が導入されます。しかし、それは漸進的なプロセスであり、実際にはある種の「社会的な合意」を伴います。(そして実際に、過去40年間にわたるWolfram Languageの設計開発において、人々が追いつけるように、新しい概念の導入速度を意図的に制限してきました。)
数学の目標
しかし、では、多くの可能な新しい概念や構造、つまり「メタ数学宇宙に存在する」計算的還元性のポケットに対応するものがあります。しかし、私たち人間にとって適切な数学を開発する上で、私たちはそれらのごく一部しか追求できません。
言い換えれば、数学の開発はどこへ行くべきかを選択しなければならないことは避けられません。それは意味のある方法で「すべての可能性を追求する」ことはできません。それは明確な目標を持たなければなりません。
しかし、純粋数学の目標はどこから来るのでしょうか? 技術開発では、目標は人々が有用だと感じるものによって直接設定される傾向があります。自然科学では、観察し、自然界を解釈するツールを持っているものによって設定されます。しかし、純粋数学では、当初はそのような明白な「外部」の目標設定方法がないように見えます。そのため、行われた数学は、数学コミュニティとそのリーダーの内部的な選択によってより決定されているように見えます。
しかし実際には、人間の数学の歴史的な弧を見ると、少なくとも明確な傾向が見られます。数学の旅は、日常的な人間の世界認識を反映した、数や空間などの基本的な形式化から始まりました。そして、一世紀ほど前に数学は「すべての可能性への一般化」を試みているように見えましたが、過去一世紀の数学開発の最も強力な軌跡のほとんどは、人間が直感的に理解し視覚化できるものにかなり近いままです。
数学の進むべき道にはまだ多くの自由があります。しかし、私たちにとって意味のあるものにするためには、どのような選択がなされても、ある程度の馴染みを持たなければなりません。はい、AIはランダムな方向を選ぶことができます。おそらく既存の人間の選択の観測された統計情報に基づいて。しかし、人間がそれに気にかける理由はありません。それは私たちの実際の数学的経験に関連するものではありません。
より実用的なレベルでは、数学を行うことの一部は、設定された目標を達成する方法を見つけることです。これはAIができると想像できます。しかし、最終的により重要なのは、そもそも目標を設定することです。そして、定義上、それらは「システムの外側」から来なければなりません。あるいは、特に、私たちから来なければなりません。
これまでのところ、数学におけるAIの最も重要な成功例は、最も熟練した人間の数学者の一部から来ているという注目すべき観察があります。そしてある意味では、驚くべきことではありません。なぜなら、目標の設定(あるいは事実上、尋ねるべき質問を知ること)が最も重要でユニークな部分だからです。実際、一度質問を本当に知っていれば、その答えを見つけるための大部分の作業はすでに終わっていることがよくあります。
しかし、実際には純粋数学の目標はどこから来るのでしょうか? そこには通常2つの基本的な情報源があります。1つは問題解決に相当するものです。もう1つは創造的な構築に相当するものです。問題解決は、ある意味でより明確で、測定可能で、AIに適しています。過去に定義され、しばらくの間取り組まれてきた問題を取ります。そして目標はそれを解決することです。そして成功した場合、何かをしたと言う明確な方法があります(「エルデシュ問題が解決された!」など)。それは、スポーツの成果のように見えることもありますが、最終的な知的内容は曖昧です。
数学の美学
しかし、次に「創造的な構築」と考えることができるものがあります。数学のための新しい構造と新しい概念を生み出すことです。究極のメタ数学レベルでは、これらの構造と概念はすでに「そこに」存在しなければなりません。計算的還元性のポケットとして。したがって、目標は特定のものを識別し、数学について話すための「語彙」にそれらをもたらすことだと考えることができます。
しかし、可能性の中で、どれを望むのでしょうか? 様々な基準を想像できます。しかし、ほとんどの場合、それらは、ばらばらのものを最もよく統合、要約、簡略化する抽象化を作成したいということに集約されます。そして、このように置くと、AIによって自動化できる客観性であると考えるかもしれません。しかし、重要なひねりがあります。「短い」のであれば「より単純」であると定義できると想像するかもしれません。しかし、何かがどれだけ長いかは、それが述べられる言語に依存します。したがって、ここでも絶対的なものはありません。それは、相互に関連する選択の歴史全体に必然的に依存するものです。
しばしば人々は、選択を美学的なものとして説明します。何が構造をよりエレガントに、より完璧にするのか? 究極的には、これらは人間の好みと人間の経験に根ざしたものであり、人間のイニシアチブと呼べるものによって拡張されます。しかし、選択をするために人間が必要なのでしょうか? それとも、既存の人間の選択で訓練された何らかの生成AIを持つことができるのでしょうか? 問題は、数学のための有用な新しい構成要素を作成するには、新しい概念や構造を発明する以上のものが必要であるということです。それらは数学文化の構造に編み込まれなければなりません。
それは人間の言語に新しい単語を導入するようなものです。単語が有用であるためには、その意味が十分に広く知られていなければ、特定の概念を表すことができません。そして、この意味を広めることは、あるレベルでは必然的に社会的なプロセスです。数学における新しい概念や構造も同様です。数学が人間の精神のための数学的物語を開発することである限り、概念や構造は、有用な構成要素として使用されるためには共有されなければなりません。それは、典型的な自動証明の問題に似ています。特定のステップが「Xの定理」からのものであると言える場合、それは一種の概念的なアンカーを提供します。しかし、すべてのステップが何らかの意味でカスタムメイドである場合、事実上異質に見えるものに行き着きます。
では、AIは数学においてどこに位置するのでしょうか? それは他の多くの場所でのAIと似ています。目標を適切に定義すれば、AIは非常に役立ちます。目標がなければ、どこへ行くべきか分かりません。ルリオロジー的な方法で可能性を探求し、事実上実験数学を行うことは、多くの驚くべき新しい結果をもたらす可能性があります。しかし、ある意味では、それらは「異質に生まれて」おり、私たちが通常数学と考えるものとはすぐに結びつきません。
なぜ純粋数学を行うのか?
しかし、では、AIは純粋数学と呼ばれる営みを拡張するのに役立つのでしょうか? それでも、必然的に人間の努力と人間のイニシアチブが必要になります。では、なぜそれを行うのでしょうか?
一般的な議論は、最終的に「実用的」な何かに役立つだろうということです。しばしば、純粋数学は何らかの「ビーコン」を設置し、科学と技術が最終的にそれに到達するという考え方があります。しかし、私は真の姿はむしろ逆だと考えています。私たちが作成する数学は、思考の方法を提供します。そして、これらの思考方法を持っているときに、それらを利用する科学と技術を作成することになります。数学で行われたことと科学で発見されたことの収束ではありません。私たちが知っている数学が、科学で私たちが探し求めるものを導くのです。
時には、科学で発見されたものが何らかの形でユニークで必然的であるという考え方があります。しかし、ルリアドの観点から考えると、実際には無限の異なる計算的還元性のスライスがあり、それぞれが事実上独自の科学的見方を定義していることに気づきます。そして歴史的に何度も起こっているのは、まず概念的な枠組みが開発され(しばしば数学から)、その後、それに関連する規則性を見つけることができ、それが科学の一部への道を示すということです。つまり、純粋数学と科学の間の神秘的な収束ではなく、純粋数学が存在するからこそ科学が開発されるのです。
ある意味では、これは純粋数学の営みをそれほど投機的なものにしません。それは、いつか応用が見つかることを期待して純粋数学を行っているのではなく、純粋数学を行うことが思考の方法(そして事実上、計算的還元性のポケットを明らかにする)を開発し、応用を見つける機会を与えるということです。
純粋数学のある部分が「根本的に役に立たない」と判明する可能性はありますか? ある意味では、答えはいいえです。なぜなら、成功裏に行われた純粋数学の部分があれば、それは必ず何らかの計算的還元性のポケットに対応しなければならないからです。そして、どのような計算的還元性のポケットも、何らかの形の科学と何らかの形の技術の「原材料」となる規則性と関連付けられます。
しかし、落とし穴は、それらが私たちがこれまでに考慮したこととは大きく異なる、異質な科学と技術の形態である可能性があることです。それは、数学が科学と技術を提供できないということではなく、科学と技術の開発の弧が、それが提供するものに関心を持つ時点にまだ達していないということです。
古代では、数学が私たちの思考方法にもたらした偉大な貢献は、演繹的推論の考え方でした。より最近では、連続性、実数などに関する多数のアイデアが登場しました。そして、一世紀以上前に、抽象関数という考え方、そして計算という考え方が登場しました。一度到達すると、この考え方はほとんど明白に見えるかもしれません。しかし歴史的には、それに到達するために驚くほど高い抽象数学の塔が必要でした。そして、確かに、計算の一般的な概念は実用的に非常に重要です。しかし、私が何十年にもわたって探求してきたように、それは物事を考える一般的な方法の基礎でもあります。
純粋数学の顕著な特徴の1つは、教育において長らく重要視されてきた構造化された思考の特定のスタイルが含まれていることです。ある意味で、計算、特に計算言語は、世界を記述する方法とともに、構造化された思考を学ぶための強力な代替手段を提供します。しかし、計算の基礎研究は数学よりもはるかに新しく、計算の非還元性の限界に直接さらされています。そしてその結果、現代の純粋数学は、構造化された思考と形式化の、はるかに高い塔を発展させてきました。そして確かに、その塔は他のどの分野よりも高いです。
その塔を学ぶには大きな投資が必要です。そしてそれを成し遂げる人はほとんどいません。そうする人々は様々な動機を持っています。一部の人にとっては、それは挑戦の問題です。他の人にとっては、より「塔からの景観」の問題です。ある意味で、AIによって提供される自動化は、挑戦の魅力を減らしていますが、チェスのようなものでも、純粋な人間の達成に満足感を得ることができます。しかし、景観に関しては、満足感は人間の美的経験にあり、自動化やAIとは全く関係ありません。
半世紀前、観客スポーツとして数学的な課題が設定されていました。今日、数学の挑戦的な側面は、一般の関心を引くほど成功していません。実際、数学を行うプロセスは、個性に基づいた映画などを通じてごくわずかな程度を除いて、一般にはほとんど公開されていません。
(そして、数学を行うことが何らかの形の公共の娯楽を提供できる方法があるかどうか疑問に思うかもしれません。私は、私自身がかなりの数の成功したライブ数学的コンピュータ実験を行ったことを報告できます。そしてパンデミック中、私は数多くの時間にわたって、数学物理学に関する高度に技術的な作業セッションをライブストリーミングしました。これは驚くほどの視聴者数を獲得しました。)
では、数学を本質的に美的活動としてどうでしょうか? はい、それを実行している人にとっては、満足感と豊かさがあります。しかし、社会全体は何を得るのでしょうか? 芸術のほんの一部がパブリックアートであるように、パブリック数学が存在できるかどうか疑問に思うかもしれません。時には、視覚的または彫刻的な数学、あるいは数学を具現化した建築や音楽が存在するかもしれません。しかし現実的には、それは純粋数学の塔の頂上レベルの数学ではありません。
純粋数学の上層部について理解すべきことの1つは、驚くべきことに、それが口頭伝承と人間のつながりの連鎖として受け継がれてきたということです。おそらくこれは、学術界や学術出版の構造の結果の一部でしょう。しかし、純粋数学の炎を維持するには、それを継続的に積極的に追求し、そのやり方について話し合う個人のコミュニティが必要であるという事実は残ります。つまり、彼らの個人的な動機が非常に内向きであっても、彼らの集合的な努力は、純粋数学の進歩を継続させるという長期的な外部価値を持っています。
純粋数学はいずれ「完成する」のではないかと問うかもしれません。そしてこれに対して、それは決してそうならないと断定的に答えることができます。計算の非還元性は、発見されるべき無限の数学的事実と驚きが常に存在することを保証します。そして、新しい数学的概念と構造を表す、無限の計算的還元性のポケットも存在するでしょう。
純粋数学は、私たちの文明によって築かれた最大の知的建造物として stands。そしてそこから、形式化、抽象化、計算といった、人類の知的歴史の中で最も影響力のあるアイデアのいくつかが生まれました。現代において、純粋数学のための加速器がいくつかあります。実用的な計算がその一つでした。AIも another です。ルリオロジーのスタイルでの実験数学は、まだかなり未発達な another です。そして、私たちが構築している純粋数学のための言語が、特にAIと組み合わせることで、さらに another になるだろうと考えています。
純粋数学の仕事は長く困難です(はい、計算の非還元性の結果です)。しかし、数千年を通じて、私たちの文明の核となる知的発展にとってその重要性は非常に大きくありました。そして、それがさらに貢献する余地があることは間違いありません。そして、今日の問題がすべて忘れ去られた後でさえ、純粋数学は人間の業績の灯台として輝き続けるでしょう。したがって、はい、その最も洗練された人間の営みである純粋数学の研究には、AIからの追加の助けを得て、明るい未来を期待するあらゆる理由があります。
続きを読む
“AIは科学を解決できるか?” (2024)
“メタ数学の物理化とその数学の基礎への影響” (2022)
“証明を理解できるのは誰か?形式化された数学への窓” (2025)
“ユークリッド以降の経験的メタ数学” (2020)
“計算知識と純粋数学の未来” (2014)
“ChatGPTは何をしていて、なぜ機能するのか?” (2023)
“AIは私たちの仕事をすべて奪い、人類の歴史を終わらせるのか、それとも終わらせないのか?さて、それは複雑です…” (2023)
注記
この作品のアイデアの一部は、妻のエリーズ・カウリーと30年以上にわたって議論しました。彼女は残念ながら、この作品が書かれる直前に亡くなりましたが、間違いなく、この作品について多くの貴重で鋭い洞察を持っていたでしょう。それらは今や永遠に失われました。