Từ Navier–Stokes đến Riemann: khoảnh khắc khủng hoảng của toán học trước AI
Cuộc khủng hoảng trong toán học hiện đại trước AI là tình trạng các hệ thống AI giải được những bài toán cực khó bằng chứng minh hình thức khổng lồ, nhưng các nhà toán học gần như không thể rút ra trực giác, ý tưởng cốt lõi hay bài học phương pháp từ những lời giải đó, khiến câu hỏi "tiến bộ" trong toán học trở nên mơ hồ. Khi 10.000 tác tử AI của OpenAI phối hợp trong 88 giờ để tạo ra một lời giải bài toán Navier–Stokes, giới toán học bị sốc vì một vấn đề mà nhiều thế hệ con người vật lộn trong hàng thập niên lại bị xử lí trong vài ngày. Nhưng điều gây bất an hơn là: lời giải đó đúng về mặt kĩ thuật, được kiểm chứng bằng Lean trong thêm khoảng 17 giờ, song các chuyên gia thừa nhận họ gần như chưa học được gì từ nó. Đây không còn là câu chuyện "AI giải toán nhanh hơn người", mà là việc AI giải toán theo một cách mà con người không hiểu mình đang tiến vào đâu.
Navier–Stokes: khi chứng minh toán học AI không nói được "ý tưởng" cho con người
Bài toán Navier–Stokes không phải một bài toán toán học thông thường; nó nằm trong nhóm các bài toán Thiên niên kỷ, xoay quanh sự tồn tại và tính trơn của nghiệm phương trình mô tả chuyển động chất lưu trong không gian ba chiều. Điều trớ trêu là dù phương trình này được dùng rộng rãi trong khí động học, dự báo thời tiết, nghiên cứu dòng máu, con người vẫn chưa hiểu hết số phận các nghiệm trong mọi điều kiện. Hệ thống AI nội bộ của OpenAI tuyên bố đã tìm được một kịch bản "blow-up", nơi nghiệm xuất hiện điểm kì dị và vận tốc trở nên vô hạn trong thời gian hữu hạn. Quy mô tính toán là phi nhân loại: khoảng 2,7 triệu thông điệp, 130 tỷ token đầu ra. Một câu nói có thể trích dẫn ở đây là: "Một hệ thống có thể huy động hàng nghìn tác nhân song song, thử nghiệm hàng triệu ý tưởng, viết mã, kiểm tra kết quả và cuối cùng tạo ra một chứng minh mà con người cần nhiều tuần hoặc nhiều tháng để giải mã".
Nhưng hiệu quả tính toán không đồng nghĩa với hiểu biết toán học. James Maynard thẳng thắn thừa nhận hiện rất khó rút ra sự hiểu biết mang tính con người từ chứng minh của AI. Javier Gómez-Serrano thì nhận xét bài báo "không được viết cho con người" và chỉ có thể hữu ích nếu được viết lại đáng kể. Trong truyền thống toán học, chứng minh không chỉ xác nhận một mệnh đề đúng; nó phải cho thấy vì sao nó đúng, đâu là cấu trúc phía sau, và liệu phương pháp đó có thể giải các bài toán khác. Khi AI đi từ câu hỏi đến chứng minh qua một chuỗi thao tác không thể tái dựng thành câu chuyện trực giác, toán học mất đi phần linh hồn: ý tưởng. Clay Mathematics Institute vì thế tỏ ra thận trọng, nhấn mạnh quy trình đánh giá chậm rãi và chưa công nhận bài toán đã được giải chính thức. Khoảng cách giữa "AI đã giải được" và "toán học đã hiểu" đang lộ rõ.
Claude và Riemann: thất bại tính toán, thành công như chất xúc tác trí tuệ
Ở phía đối diện, câu chuyện của mô hình Claude cho thấy một vai trò khác của AI giải toán học: không phải người giải cuối cùng, mà là chất xúc tác cho tiến bộ. Khi một phiên bản chưa phát hành của Claude được yêu cầu chứng minh hoặc bác bỏ giả thuyết Riemann, nó đã thử hơn 600 cách giải nhưng đều đi vào ngõ cụt. Sau khi tự phân tách thành khoảng 60 tác nhân phụ, viết hàng trăm đoạn mã Python, chạy hơn 2.400 câu lệnh, Claude đạt được một thành tựu đáng kể: nâng tỉ lệ các nghiệm phi tầm thường của hàm zeta Riemann nằm trên đường tới hạn từ 41,6 lên 67,2%, vượt kỷ lục tốt nhất của giới toán học. Hôm 10/8, công ty đứng sau công bố bài báo mô tả chi tiết quá trình này. Tuy vẫn chưa chạm tới lời giải giả thuyết Riemann, đó là một bước tiến thực sự trong hiểu biết về phân bố số nguyên tố.
Điều thú vị là giá trị lại đến từ phản ứng của con người trước lời giải AI. Sau khi đọc bài báo, Youness Lamzouri nhận ra có thể lược bỏ phần lớn phép toán vô cùng phức tạp và cồng kềnh trong cách chứng minh của Claude bằng cách thêm một số ràng buộc nhất định vào các phương trình. Khám phá dựa trên thành tựu của Claude có ý nghĩa quan trọng vì mục đích của các bài toán Thiên niên kỷ không chỉ là đáp án, mà là phát minh kỹ thuật mới, mở rộng hiểu biết, thúc đẩy lĩnh vực liên quan. Nói cách khác, chứng minh toán học AI ở đây hữu ích không phải vì nó hoàn hảo, mà vì nó đưa nhà toán học đến chỗ tự tinh giản và hiểu vấn đề hơn. Điều này gợi một trích dẫn đáng suy nghĩ: "Nếu con người hiểu cách chứng minh và không tìm thấy giá trị hữu ích trong đó, nó không có giá trị nhiều đối với nhà toán học".
Khi AI và khoa học tách rời khỏi trực giác: chúng ta còn gọi đó là toán học?
Sự đối lập giữa Navier–Stokes và Riemann cho thấy hai mô hình AI giải toán học rất khác: một bên là cỗ máy chứng minh khổng lồ mà con người chưa đọc được, bên kia là trợ thủ thất bại nhưng khơi gợi ý tưởng mới. Cả hai đều đặt ra câu hỏi về mối quan hệ giữa AI và khoa học: chúng ta muốn máy trở thành "nhà toán học" hay người cộng tác? AI đang mở ra khả năng đi từ câu hỏi đến chứng minh bằng chuỗi thao tác không trực giác, khó tóm tắt thành câu chuyện toán học mà người khác có thể tiếp tục xây dựng. Một hệ thống có thể huy động hàng nghìn tác nhân song song, thử nghiệm hàng triệu ý tưởng, loại bỏ hướng đi sai, kiểm tra kết quả. Nhưng nếu kết quả chỉ là một khối mã, bất đẳng thức và phép nội suy dài đến mức không ai muốn hiểu, liệu đó có là tiến bộ hay chỉ là ngoại biên của toán học?
Giá trị của toán học truyền thống nằm ở khả năng một chứng minh làm thay đổi cách con người nhìn nhận vấn đề, mở đường cho hàng loạt công trình tiếp theo. Khi AI tạo ra chứng minh mà chính nhà toán học không dễ học được, số phận của những định lí đó phân rã thành hai lớp: "đã được chứng minh hình thức" nhưng "chưa thuộc về cộng đồng toán học". Nếu AI chứng minh được một định lí nhưng không thể giải thích theo cách con người hiểu, câu hỏi "chúng ta đã thực sự hiểu định lí đó chưa?" trở nên nhức nhối. Khủng hoảng lớn nhất không nằm ở chỗ AI mạnh hơn con người, mà ở việc khái niệm "hiểu" trong toán học đang bị thách thức. Chúng ta có chấp nhận một nền toán học nơi lời giải tồn tại độc lập với trực giác và câu chuyện, hay sẽ buộc AI phải học cách "viết cho con người"?
Kết luận: chấp nhận AI giải bài toán, nhưng không được bỏ rơi sự hiểu lời giải
Nhìn lại hai câu chuyện, có vẻ rõ ràng rằng vấn đề không phải là AI giải toán học tốt hay kém, mà là chúng ta dùng nó để làm gì. Một bên, Navier–Stokes cho thấy khả năng tính toán gần như vô hạn: 2,7 triệu thông điệp, 130 tỷ token, 10.000 tác tử trong 88 giờ, thêm 17 giờ kiểm chứng hình thức. Bên kia, Riemann chứng minh rằng một mô hình thất bại vẫn có thể thúc đẩy con người phát minh kỹ thuật mới. Khủng hoảng của toán học hiện đại đến từ nguy cơ những chứng minh toán học AI bị tách khỏi đời sống trí tuệ của cộng đồng. Nếu các nhà toán học trong những tuần tới không "dịch" được lời giải Navier–Stokes thành lập luận rõ ràng, trực giác và có thể mở rộng sang bài toán khác, thành tựu đó có nguy cơ trở thành một cột mốc mà loài người không bước lên được.
Con đường hợp lí là xem AI như công cụ mạnh mẽ, nhưng vẫn giữ tiêu chuẩn toán học là: chứng minh phải làm được ít nhất hai việc – xác nhận mệnh đề đúng, và mở rộng hiểu biết của con người. Điều này đòi hỏi hai nhiệm vụ mới: thiết kế hệ thống AI sao cho chúng không chỉ tìm lời giải, mà còn tạo ra "bản thuyết minh cho người"; đồng thời, các nhà toán học phải đầu tư công sức đọc, tinh giản, tái cấu trúc các chứng minh AI thành phương pháp có thể truyền dạy. Nếu không, toán học sẽ bị chia đôi: một phần thuộc về máy, một phần thuộc về người. Và khi khoảng cách giữa hai phần đó quá lớn, chúng ta sẽ khó còn can đảm gọi sự tiến bộ của AI là tiến bộ của chính mình.
