OpenAI એ જાહેરાત કરી છે કે તેમના નવા AI મોડેલ Astra એ ફોર્મલ વેરિફિકેશન (Formal Verification) નો ઉપયોગ કરીને ગણિતની 10 જૂની સમસ્યાઓનો ઉકેલ લાવ્યો છે. AI ની જટિલ વૈજ્ઞાનિક તર્ક ક્ષમતામાં આ એક મહત્વપૂર્ણ પગલું છે. આ શોધની ચોકસાઈ અને ભવિષ્યના સંશોધન પર તેની અસરોની પુષ્ટિ કરવા માટે હાલમાં વૈશ્વિક વૈજ્ઞાનિક સમુદાય દ્વારા સ્વતંત્ર સમીક્ષા કરવામાં આવી રહી છે.
OpenAI એ જાણકારી આપી છે કે તેમના આગામી AI મોડેલ Astra ના એક વર્ઝને ગણિત અને થિયોરેટિકલ કોમ્પ્યુટર સાયન્સ (Theoretical Computer Science) ના 10 લાંબા સમયથી વણઉકેલ્યા પ્રશ્નોનો સફળતાપૂર્વક ઉકેલ લાવ્યો છે. આ પ્રશ્નો નિષ્ણાતો દ્વારા એક દાયકાથી વધુ સમયથી વણઉકેલ્યા હતા.
કંપનીએ એક વિગતવાર રિપોર્ટ બહાર પાડ્યો છે જેમાં ક્રિપ્ટોગ્રાફી (Cryptography), ક્વોન્ટમ કોમ્પ્લેક્સિટી (Quantum Complexity), અને જ્યોમેટ્રી (Geometry) જેવા ક્ષેત્રોમાં આ સફળતાઓ દર્શાવવામાં આવી છે. આ ઉકેલો મેથેમેટિકલ પ્રૂફ (Mathematical Proof) ચકાસવા માટે વપરાતા ફોર્મલ સોફ્ટવેર ટૂલ Lean નો ઉપયોગ કરીને ચકાસવામાં આવ્યા હતા.
વૈજ્ઞાનિક તર્ક અને ચકાસણી
આ પ્રગતિમાં નોન-સોફિક ગ્રુપ્સ (Non-sofic groups) નું નિર્માણ અને ગણિતશાસ્ત્રી પોલ એર્ડોસ (Paul Erdős) સાથે સંકળાયેલી સમસ્યાઓ પર પ્રગતિનો સમાવેશ થાય છે. સામાન્ય AI આઉટપુટથી વિપરીત, આ ઉકેલો મશીન-ચેકેબલ પ્રૂફ (Machine-checkable proofs) સાથે આવ્યા હતા. આ પ્રક્રિયાનો હેતુ સંશોધકો અને ગણિતશાસ્ત્રીઓને મોડેલ દ્વારા ઉપયોગમાં લેવાયેલ તર્કને સ્વતંત્ર રીતે ચકાસવાની મંજૂરી આપવાનો છે. OpenAI એ નોંધ્યું કે માનવ સહાયતા સાથે, AI ને શોધને વેગ આપવા માટેના સાધન તરીકે દર્શાવતા, ફોર્મલ સંશોધન મેન્યુસ્ક્રિપ્ટ્સમાં ઉકેલોને સંકલિત કરવામાં આવ્યા હતા.
વૈજ્ઞાનિક પ્રગતિનો સંદર્ભ
આ જાહેરાતને કારણે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (Artificial Intelligence) ના વિકાસની ગતિ અંગે નવી ચર્ચા શરૂ થઈ છે. CEO સેમ ઓલ્ટમેન (Sam Altman) એ અગાઉ સૂચવ્યું હતું કે માનવતા એક એવા તબક્કામાં પ્રવેશી રહી છે જ્યાં AI વૈજ્ઞાનિક પ્રગતિને નાટકીય રીતે ઝડપી બનાવી શકે છે. જોકે, વૈજ્ઞાનિક સમુદાય સાવચેતીભર્યો અભિગમ અપનાવી રહ્યો છે. નિષ્ણાતો ભારપૂર્વક જણાવે છે કે AI નવા પેટર્ન ઓળખવામાં અથવા ચોક્કસ કોમ્પ્યુટેશનલ સમસ્યાઓ હલ કરવામાં મદદ કરી શકે છે, પરંતુ પરિણામો ગાણિતિક રીતે યોગ્ય અને ભૂલ-મુક્ત છે તેની ખાતરી કરવા માટે કડક માનવ સમીક્ષા જરૂરી છે.
રોકાણકારો અને ઉદ્યોગ પર અસર
ટેક્નોલોજી ક્ષેત્ર માટે, આ વિકાસ સૂચવે છે કે AI મોડેલો હવે માત્ર ટેક્સ્ટ અને ઇમેજ જનરેશનથી આગળ વધીને ઉચ્ચ-સ્તરની વૈજ્ઞાનિક અને તકનીકી સમસ્યા-નિરાકરણ તરફ આગળ વધી રહ્યા છે. જો Astra જેવા મોડેલો ક્રિપ્ટોગ્રાફી અથવા ક્વોન્ટમ કમ્પ્યુટિંગ જેવા જટિલ ક્ષેત્રોમાં સંશોધનમાં સતત યોગદાન આપી શકે છે, તો તેઓ તીવ્ર R&D અને ડેટા એનાલિસિસ પર આધાર રાખતા ઉદ્યોગો માટે મૂલ્યવાન સંપત્તિ બની શકે છે.
જોકે, ટેક્નોલોજીકલ સિંગ્યુલારિટી (technological singularity) નો ખ્યાલ, એટલે કે AI માનવ ઇનપુટ વિના પોતાને સુધારી શકે તે બિંદુ, હજુ પણ ખૂબ સૈદ્ધાંતિક અને અનુમાનિત છે. રોકાણકારોએ આ ગાણિતિક ક્ષમતાઓ વ્યવહારુ, આવક-ઉત્પન્ન કરતી એપ્લિકેશન્સમાં કેવી રીતે રૂપાંતરિત થાય છે તેના પર નજર રાખવી જોઈએ. ઉદ્યોગ માટે પ્રાથમિક મોનિટર ગણિત સમુદાય દ્વારા સ્વતંત્ર ચકાસણી પ્રક્રિયાના પરિણામો હશે, કારણ કે વ્યાવસાયિક વૈજ્ઞાનિક સંશોધનમાં તેમના ઉપયોગ માટે આ AI-જનરેટેડ ઉકેલોની વિશ્વસનીયતા આવશ્યક છે.