U srpnju ove godine dodijeljene su četiri Fieldsove medalje, priznanja koja u matematici imaju težinu Nobelove nagrade. Ovogodišnji dobitnici, tri muškarca i jedna žena, vjerojatno su ujedno posljednji laureati prije nego što matematika prođe kroz duboku transformaciju potaknutu umjetnom inteligencijom. S obzirom na to da se medalje dodjeljuju jednom u četiri godine, a velike AI kompanije otvorene matematičke probleme u zadnje vrijeme rješavaju kao na traci, nameće se pitanje koje bi donedavno pripadalo domeni znanstvene fantastike: tko će zaslužiti Fieldsovu medalju 2030. godine? Čovjek koji je godinama rješavao veliki problem, čovjek koji je znao postaviti pravo pitanje sustavu umjetne inteligencije ili možda sam stroj?

Pitanje je sasvim ozbiljno. Jedan od ovogodišnjih dobitnika, Jacob Tsimerman, uzeo je dopust sa Sveučilišta u Torontu i radi u OpenAI-ju. I dalje je sveučilišni profesor, no promijenio je predmet istraživanja: sada pokušava razumjeti što se događa kada strojevi matematičke probleme počnu rješavati bolje i brže od ljudi. Tsimerman očekuje da bi AI mogao iznenaditi i sposobnošću osmišljavanja novih načina razmišljanja, unatoč ograničenjima koja proizlaze iz načina na koji su modeli trenirani. Njegov izbor dobro oslikava prekretnicu na kojoj se nalazi matematika, a uskoro bi se na njoj mogle naći i mnoge druge struke.

Kad AI počne rješavati velike matematičke probleme

Da bi se razumjela prekretnica na kojoj se nalazi matematika, dovoljno je navesti da se u zadnjih nekoliko mjeseci ove godine nanizao doista impresivan niz rješenja otvorenih matematičkih pitanja. Svako od tih rješenja koja AI kompanije gotovo nenametljivo prijavljuju još bi donedavno bilo vrhunac nečije matematičke karijere. Kruna tog niza, a ujedno i njegov najsporniji trenutak, stigla je nakon objave OpenAI-ja da je riješio Navier–Stokesov problem, jedan od sedam takozvanih Milenijskih problema, koje je Clay Mathematics Institute još 2000. proglasio najtežima i najvažnijima u matematici i za svaki ponudio milijun dolara nagrade.

Navier–Stokesove jednadžbe opisuju strujanje vode i zraka, od krvi u arterijama do zraka oko avionskog krila. Matematičari više od stoljeća pokušavaju utvrditi mogu li se u trodimenzionalnom toku pojaviti točke u kojima se uredno rješenje odjednom otme kontroli. OpenAI tvrdi da je deset tisuća specijaliziranih agenata pronašlo dokaz da je takav lom moguć. Clayev institut ocijenio je da se problem čini riješenim, ali službena potvrda traži objavu u odgovarajućem časopisu, najmanje dvije godine javne provjere i zaseban postupak ocjenjivanja. Konačnu ćemo presudu zato čekati godinama. U međuvremenu se razvio i spor o autorstvu jer su dvojica matematičara koja su uz pomoć AI modela radila na srodnom pristupu i svoje rezultate objavila netom nakon OpenAI-ja upozorila na moguće korištenje njihovih ideja od strane OpenAI-ja.

Na reakciju matematičara na sva ova događanja nije trebalo dugo čekati. Početkom rujna 25 dobitnika Fieldsove medalje, dakle sam vrh struke, potpisalo je otvoreno pismo upozoravajući da bi umjetna inteligencija mogla potkopati temelje matematike. Njihov prigovor zadire u samu narav matematičkog znanja. Smatraju da AI kompanije otvorene probleme koriste ponajprije kao testove kojima mjere i pokazuju snagu svojih modela. Uspješni rezultati povećavaju prestiž i tržišnu vrijednost kompanija, što postaje osobito važno uoči nadolazećih javnih ponuda dionica za koje u ovom trenutku nitko ne zna hoće li biti uspješne.

Takav pristup, upozoravaju potpisnici, šteti matematici jer je svodi na proizvodnju odgovora. Potvrđivanje ili opovrgavanje hipoteze samo je jedan dio matematičkog istraživanja. Vrijednost dokaza obuhvaća i put kojim se do njega dolazi, jer upravo taj put često stvara nove pojmove, otvara čitava područja istraživanja i uči sljedeću generaciju kako misliti. Jedan od potpisnika otvorenog pisma, Hugo Duminil-Copin, to je slikovito sažeo: iskrcati nekoga helikopterom na vrh Everesta nije isto što i popeti se na njega.

Laboratorij koji stane u računalo

Zašto se taj val novih spoznaja pojavio baš u matematici? Razlog za to je jednostavan: sustavi umjetne inteligencije mogu samostalno, bez ljudske intervencije, verificirati matematičke hipoteze. Drugim riječima, matematika je jedina znanost koja je čisto misaona i čiji cijeli „laboratorij” stane u računalo. AI može nevjerojatnom brzinom pregledavati stručnu literaturu, povezivati rezultate iz udaljenih područja, isprobavati tisuće pristupa i istog trena odbacivati one koji vode u slijepu ulicu. Stroj može i korak po korak utvrditi je li dokaz logički ispravan, i to gotovo trenutačno, bez laboratorija, uzoraka, ispitanika ili višemjesečnog čekanja na rezultate. Ciklus od ideje do verifikacije rezultata u matematici uslijed primjene umjetne inteligencije stoga postaje toliko brz da ga ljudi možda uskoro više neće moći ni pratiti.

U drugim znanostima, koje će i same sve odreda morati proći vlastitu transformaciju uvjetovanu pojavom umjetne inteligencije, situacija je malo drugačija. U fizici, kemiji ili biologiji ni najljepša teorija nije dovoljna dok se ne provjeri odgovara li stvarnom svijetu, za što trebaju teleskopi, akceleratori, reagensi, dugotrajna klinička ispitivanja i ono najvažnije – ljudi. U društvenim znanostima još je teže jer ljudi mijenjaju ponašanje, a okolnosti se rijetko ponavljaju. Ondje posljednju riječ uvijek ima stvarnost i ljudsko tumačenje.

Međutim, ono što se događa u matematici predstavlja svojevrsni uvid u budućnost mnogih od nas. AI neće jednostavno „ukinuti radna mjesta”, nego će zanimanja najprije rastaviti na zadatke i preuzeti one koji se mogu jasno zadati, brzo ponoviti i pouzdano provjeriti. Dobar primjer za to je matematičar Ernest Ryu, koji je uz pomoć umjetne inteligencije riješio otprilike četrdeset godina staro pitanje o Nesterovljevoj ubrzanoj gradijentnoj metodi, jednom od temeljnih postupaka za brzu optimizaciju koji, među ostalim, stoji i u pozadini treniranja samih AI modela. AI model koji je koristio Ryu nije napisao dokaz; ponudio je mnoštvo pristupa, od kojih su brojni bili pogrešni, a Ryu je prepoznao onaj jedan koristan i pretvorio ga u rigorozan dokaz. Upravo tako, sa strojem kao neumornim izvorom pokušaja i čovjekom koji prosuđuje i preuzima odgovornost, sve će više izgledati bilo koji intelektualni rad.

Kako ćemo stvarati nove stručnjake?

Najneposrednija posljedica ovakve sve intenzivnije suradnje između čovjeka i stroja, međutim, neće biti nestanak profesora, nego slabljenje tradicionalnog načina na koji se postaje stručnjak. Mladi matematičar, programer, ekonomist ili pravnik obično uči tako da godinama obavlja jednostavnije poslove: rješava zadatke, radi pomoćne izračune, pregledava literaturu, piše prve verzije tekstova i griješi pod nadzorom iskusnijih kolega. U nekom ne tako davnom svijetu Ryu bi imao nekoliko mlađih kolega asistenata. No danas su Ryuu potrebni samo AI asistenti da bi riješio problem.

Drugim riječima, zbog pojave AI-ja ni kompanije ni znanstvene organizacije više neće trebati toliko početnika, dok istodobno bez obavljanja tih početničkih zadataka mlada osoba na početku svoje karijere ne može razviti znanje, iskustvo i prosudbu potrebne da jednoga dana učinkovito nadzire AI. Mogli bismo stoga, ako ne promijenimo obrazovni sustav, dobiti mnogo korisnika moćnih AI sustava, ali premalo ljudi koji dovoljno razumiju domenu za koju su se školovali da prepoznaju kada AI sustav griješi.

Zato obrazovanje ne bi smjelo jednostavno zaključiti da učenici više ne trebaju znati računati, dokazivati, programirati ili pisati jer to može obaviti AI. Temeljna znanja i dalje su potrebna, samo im se mijenja svrha: više ih ne učimo zato da bi čovjek cijeli život ručno obavljao svaki korak, nego da bi mogao postaviti dobar problem, procijeniti AI-jevo rješenje i otkriti pogrešnu pretpostavku. Kao što kalkulator nije ukinuo potrebu za razumijevanjem brojeva, AI neće ukinuti potrebu za razumijevanjem matematike, ali će smanjiti vrijednost samog mehaničkog izvođenja analitičkog postupka. Isti zaključak podjednako vrijedi i za sva druga područja znanosti i intelektualnog rada.

Na nekom budućem tržištu rada za intelektualne poslove stoga ćemo dobiti novu podjelu rada: čovjek bira pitanja i pojmove, a stroj obavlja najveći dio pretraživanja, računanja i dokazivanja. Ljudi s dubokim znanjem postat će produktivniji i cjenjeniji, a obrazovanje će se okrenuti razumijevanju, kritičkoj provjeri i razvijanju onoga što AI struka zove „ukusima i prosudbama”. Izazov će pak biti osigurati kontinuiranu ponudu novih domenskih stručnjaka i u tom će smislu trebati napraviti prilagodbe i u obrazovnom sustavu i u samim kompanijama. Još će veći izazov biti što napraviti s viškom radne snage koju će u tom procesu zamijeniti AI. I to, naravno, pod uvjetom da se umjetna inteligencija ne otme našoj kontroli te da ne završimo u nekom scenariju nalik na onaj iz filmske trilogije Matrix.

Stare i nove oskudice

Valja nam zaključiti da za veliko ubrzanje znanosti umjetna inteligencija ne mora riješiti problem koji bi svakom čovjeku zauvijek ostao nedostižan. Dovoljno je da u nekoliko sati obavi posao za koji kvalificirani stručnjaci preopterećeni drugim istraživanjima naprosto nemaju dovoljno vremena. Mnoga znanstvena pitanja danas ostaju otvorena ne zato što nadilaze ljudsku inteligenciju, nego zato što je koncentrirana pažnja vrhunskih stručnjaka izrazito oskudan resurs. AI mijenja ekonomiku intelektualnog rada jer se njegova pažnja može umnožavati: na isti se problem mogu usmjeriti tisuće agenata koji paralelno čitaju literaturu, testiraju hipoteze i odbacuju slijepe ulice.

Ali oskudica time ne nestaje u potpunosti, nego se transformira iz jednog u drugi oblik. Umjesto ljudskih sati i pažnje stručnjaka, ograničavajući resursi postaju čipovi, podatkovni centri, električna energija, rashladna voda i, na kraju, ljudska sposobnost rasuđivanja i provjere goleme količine rezultata koje je proizveo AI. Međunarodna agencija za energiju tako procjenjuje da bi globalna potrošnja električne energije podatkovnih centara mogla porasti s približno 485 teravatsati u 2025. na oko 950 teravatsati 2030. godine, dok bi se potrošnja centara posebno usmjerenih na AI mogla utrostručiti. Ne znamo koliko je energije potrošeno na rješenje Navier–Stokesa, niti postoji jedna vjerodostojna brojka za cijenu svakog AI odgovora. Znamo samo da milijarde upita i tisuće paralelnih istraživačkih agenata pretvaraju električnu energiju u novu sirovinu ekonomije znanja.

Za četiri godine Fieldsova će medalja, po sadašnjim pravilima, i dalje završiti oko vrata čovjeka. Sve će teže biti utvrditi što je taj čovjek unio u otkriće: pravo pitanje, presudnu ideju ili sposobnost da među tisućama strojnih pokušaja prepozna onaj koji vrijedi. U svijetu u kojem se inteligencija može umnažati, moguće je da najoskudniji resurs neće biti ni čip ni električna energija, nego ljudska prosudba – sposobnost da postavimo prava pitanja, prepoznamo najsmislenije odgovore te za njih preuzmemo potpunu ljudsku i nimalo umjetnu odgovornost.