Подробный разбор · Около 5 мин чтения
Что рассказ Microsoft о KLS показывает об исследованиях с ИИ под руководством человека
Microsoft описывает, как исследователи направляли более 100 подходов с помощью ИИ к доказательству KLS. Главное — процесс поиска и границы имеющихся свидетельств.
- Опубликовано здесь
- Дата источника
- Источник проверен
Опубликованный 21 октября материал Microsoft Research рассказывает, как Zhao Song и Xinzhi Zhang сочетали математическое суждение с поиском при помощи ИИ. История статьи началась раньше: первая подача состоялась 1 октября, версия 2 —4 октября. Речь о процессе сотрудничества, а не о новом автономном доказательстве, объявленном ИИ.
Слушать новости
Прослушайте эту статью или включите новости подряд.
Подготовка чтения…
Голос устройства
Речь обрабатывает браузер или устройство. AISubHub не отправляет текст в аудио-API. Доступные голоса и работа при заблокированном экране зависят от устройства.
При продолжении короткая фраза может повториться.
Кратко
- Microsoft сообщает о более чем 100 кандидатных подходах, которые исследователи отбирали, отсекали и перенаправляли.
- Рекурсивный метод, повторное уточнение и контроль накопленных ошибок отнесены к человеческому математическому вкладу; ИИ помогал с поиском, выводами, написанием и внутренними проверками.
- В раскрытии использования ИИ названы GPT-6 Astra, GPT-5.6 Sol, Claude Fable 5 и Fable 5.1. Контролируемого рейтинга этих моделей нет.
- По словам Microsoft, попытки без руководства с несколькими моделями и примерно сопоставимым общим бюджетом токенов не достигли той же цели. Точные бюджеты и полные журналы запусков в изученных материалах не приведены.
Полезно спросить, как был организован поиск
ИИ может предложить правдоподобное математическое направление, не зная, разрушит ли небольшой дефект всё построенное на нём. Рассказ от 21 октября полезен тем, что объясняет этапы между генерацией кандидата и принятием аргумента. Исследователи проверяли промежуточные результаты, отсекали бесперспективные ветви и передавали полезные результаты в следующий раунд. Сообщается о более 100 подходах, а не об одном непрерывном ответе модели.
В нашей интерпретации отбор сам являлся существенной частью вычисления. Учебный пример: агент предлагает более сильное неравенство, молча предполагая гладкость, которой задача не гарантирует. Человек может отвергнуть ветвь или превратить недостающее условие в отдельную лемму. Это иллюстрация, не наблюдавшийся эпизод проекта KLS. Она объясняет, почему объём текста и математический прогресс — разные показатели.
На что действительно распространяется геометрическое утверждение
Гипотеза KLS, предложенная в 1995 году, касается логарифмически вогнутых распределений в пространствах высокой размерности. Неформально она спрашивает, обнаруживают ли сечения гиперплоскостями самые узкие места распределения с точностью до постоянного множителя по сравнению с неограниченными сечениями. Множитель не должен ухудшаться с ростом размерности. Авторы заявляют универсальную верхнюю границу константы KLS и соответствующее неравенство Пуанкаре для изотропных логарифмически вогнутых мер.
Область действия важна. Изотропная нормализация задаёт масштаб ковариации, но не делает любой набор данных или нейросетевое представление частью этого класса. Геометрия узких мест влияет на исследование распределения случайными блужданиями, связывая теорему с выборкой и оптимизацией. Измеренного ускорения продукта из этого не следует. Независящая от размерности теоретическая граница и быстрая реализация — разные достижения, особенно при значимых константах и алгоритмических накладных расходах.
Нужно было контролировать стоимость повторных уточнений
Введение описывает цепочку всё более сильных оценок. Границы полиномиальных флуктуаций улучшают оценки кривизны, а лучшие оценки кривизны снова усиливают полиномиальные границы. Повторение даёт логарифмические уточнения. Следующий шаг — повторить весь большой процесс, не останавливаясь на первой очень медленно растущей границе.
Улучшение одной части может добавить потери в другой. Само повторение не устанавливает универсальную константу, если потери бесконтрольно накапливаются. Согласно обзору авторов, они уменьшают допустимые потери по этапам, сохраняя ограниченной их сумму. Это изложение их аргумента, не наше независимое доказательство. Microsoft прямо относит рекурсивную структуру, повторное применение и анализ ограниченной ошибки к вкладу исследователей. Помощь ИИ в вычислениях нельзя превращать в авторство всех концептуальных шагов.
Сравнение с неуправляемым ИИ информативно, но ограниченно
В раскрытии указаны GPT-6 Astra, GPT-5.6 Sol, Claude Fable 5 и Fable 5.1 как инструменты проекта. Microsoft также сообщает об отдельной серии попыток без руководства с несколькими ведущими моделями и примерно тем же общим бюджетом токенов; цель достигнута не была. Не установлено, что каждый названный инструмент участвовал в одинаковом сравнении. Ни один изученный источник не содержит воспроизводимой таблицы результатов по моделям.
Мы считаем это основанием исследовать ценность человеческого руководства, а не объявлять общий предел автономной математики. Одна сложная задача, одно распределение усилий и ретроспективный рассказ не определяют поведение всех систем при любой стратегии. Для воспроизведения нужны запросы, правила остановки, определения бюджета, неудачные траектории и сопоставимые процедуры проверки. Одни токены также не учитывают человеческое время и экспертизу, затраченные на оценку каждой ветви.
Даты и заявления о проверке необходимо разделять
arXiv фиксирует первую подачу 1 октября и версию 2 от 4 октября; публичный рассказ появился 21 октября. Версия 1 ещё сохраняла зависимость от размерности через итерированный логарифм, а версия 2 уже заявляет универсальную постоянную границу. Поэтому упоминание 31-летней задачи не означает появления результата впервые в день публикации блога. Новое в нашем материале — описанный процесс сотрудничества и распределение ответственности.
Microsoft сообщает также о независимо разработанных доказательствах и последующей формализации в Lean 4. По её словам, авторы уже проверили сокращённый аргумент в Lean и планируют опубликовать сокращённый текст вместе с верификацией после заключительной проверки. Мы не изучали эти доказательства и не запускали верификацию. Формальный проверяющий устанавливает то, что поддерживают конкретное утверждение и его зависимости; упоминание инструмента не заменяет их изучения. Практический вывод для команд ИИ — хранить промежуточные решения, отличать предложенные аргументы от проверенных результатов и раскрывать ответственных за корректность. Статья прямо оставляет эту ответственность людям-авторам.
Почему это важно
Анализ AISubHub: переносимая идея — исследовательский цикл с явной человеческой проверкой промежуточных результатов. Математический результат касается определённого класса распределений и не доказывает общего роста точности ИИ или скорости приложений.
Ограничения и доступность
Мы прочитали полный материал Microsoft, историю версий arXiv, введение статьи и раскрытие использования ИИ. Мы не проверяли независимо 140-страничное доказательство, не запускали формальную верификацию и не изучали отдельно упомянутые доказательства. Утверждения о проверке остаются атрибутированы авторам и Microsoft.
Источники и подтверждения
Дата источника: · Источник проверен:
Дополнительные материалы
Материалы подготовлены с помощью ИИ и сверены с указанными первоисточниками. Заявления поставщиков атрибутированы; публикация не означает рекомендацию.