Ερευνητές από το Ελεύθερο Πανεπιστήμιο Βρυξελλών κατέγραψαν πώς το ChatGPT-5.2 ανέπτυξε πρωτότυπη μαθηματική απόδειξη για εικασία που είχε διατυπωθεί το 2024. Είναι η πρώτη φορά που εμπορικά διαθέσιμο γλωσσικό μοντέλο συμβάλλει αυτόνομα σε θεωρητική μαθηματική ανακάλυψη, με περιορισμένη ανθρώπινη παρέμβαση στη δόμηση της απόδειξης.
Υπάρχουν στιγμές που μια τεχνολογική εξέλιξη δεν αφορά απλώς την ταχύτητα ή την αποδοτικότητα, αλλά θέτει ένα ουσιαστικό ερώτημα για τη φύση της ανθρώπινης σκέψης. Η πρόσφατη έρευνα του Data Analytics Lab του Ελεύθερου Πανεπιστημίου Βρυξελλών είναι ακριβώς αυτού του είδους. Για πρώτη φορά, ένα εμπορικά διαθέσιμο μοντέλο τεχνητής νοημοσύνης — το ChatGPT-5.2 της OpenAI — κατάφερε να αναπτύξει πρωτότυπη μαθηματική απόδειξη για πρόβλημα που παρέμενε αναπόδεικτο.
Το πρόβλημα αυτό ήταν μια γεωμετρική εικασία που διατύπωσαν οι μαθηματικοί Ραν και Τενγκ το 2024. Μια εικασία, για όσους δεν είναι εξοικειωμένοι με τη μαθηματική ορολογία, είναι μια πρόταση που φαίνεται αληθής βάσει παρατηρήσεων και μοτίβων, αλλά δεν έχει ακόμα αποδειχθεί αυστηρά. Όταν αποδειχθεί, γίνεται θεώρημα — μόνιμο κομμάτι της μαθηματικής γνώσης. Αυτό ακριβώς συνέβη εδώ, με τη βοήθεια ενός chatbot.
Η διαδικασία δεν ήταν μια απλή ερώτηση και απάντηση. Οι ερευνητές διεξήγαγαν επτά συνεδρίες διαλόγου με το μοντέλο και πέρασαν από τέσσερις διαδοχικές εκδοχές του επιχειρήματος πριν φτάσουν στην τελική απόδειξη. Το ChatGPT-5.2 ανέλαβε μεγάλο μέρος της δομής — εξερεύνησε πιθανές προσεγγίσεις, οργάνωσε τη λογική αλληλουχία, πρότεινε κατευθύνσεις. Οι ερευνητές επαλήθευαν, διόρθωναν και κάλυπταν τα κενά. Ήταν συνεργασία, όχι αυτοματισμός.
Ο μεταδιδακτορικός ερευνητής Μπρεχτ Βερμπέκεν παραδέχτηκε ότι τον εξέπληξε η αποτελεσματικότητα της διαδικασίας, παρόλο που είχε ήδη την υποψία ότι κάτι τέτοιο ήταν εφικτό. Ο καθηγητής Βίνσεντ Γκίνις πήγε ένα βήμα παραπέρα, αμφισβητώντας την κοινή αντίληψη ότι τα γλωσσικά μοντέλα απλώς αναδιατυπώνουν αυτά που έχουν δει στα δεδομένα εκπαίδευσής τους. Αυτή η έρευνα, λέει, δείχνει ότι η εικόνα είναι πιο σύνθετη.
Η ομάδα του VUB εντάσσει αυτή την προσέγγιση σε ένα ευρύτερο πλαίσιο που αποκαλεί «vibe-proving» — κατ’ αναλογία με το «vibe-coding», τη δημοφιλή πρακτική ανάπτυξης λογισμικού με τη βοήθεια AI. Η ιδέα είναι ότι τα γλωσσικά μοντέλα μπορούν να λειτουργούν ως εργαλεία θεωρητικής εξερεύνησης, επιταχύνοντας τη διατύπωση υποψήφιων αποδείξεων που στη συνέχεια επαληθεύονται από ανθρώπους. Ο καθηγητής Αντρές Αλγάμπα το θέτει καθαρά: η διατύπωση πιθανών αποδείξεων μπορεί πλέον να γίνεται πολύ πιο γρήγορα, αλλά η ανθρώπινη επαλήθευση παραμένει το κρίσιμο εμπόδιο — και τα ίδια τα μοντέλα ίσως βοηθήσουν και σε αυτό στο μέλλον.
Αυτό που κάνει την έρευνα σημαντική δεν είναι μόνο το συγκεκριμένο αποτέλεσμα, αλλά το τι υπονοεί για τη σχέση ανθρώπινης και τεχνητής νοημοσύνης στην επιστήμη. Η μαθηματική απόδειξη θεωρείται από τις πιο αυστηρές μορφές ανθρώπινης σκέψης — απαιτεί λογική συνέπεια, δημιουργικότητα και κατανόηση αφηρημένων δομών. Αν τα γλωσσικά μοντέλα μπορούν να συμβάλλουν σε αυτό το πεδίο, τότε το ερώτημα δεν είναι πλέον αν η AI θα αλλάξει την επιστημονική έρευνα, αλλά πόσο γρήγορα και με ποιους όρους.
