¿Puede la IA generativa resolver el problema no resuelto de la informática?

¿Puede la IA generativa resolver el problema no resuelto de la informática? es perfilado por BTW Media porque la evidencia publicada lo vincula con la infraestructura de internet, la gobernanza, las dependencias operativas o la visibilidad del mercado.

• Los investigadores aprovechan GPT-4 de OpenAI para profundizar en la antigua cuestión, utilizando un método socrático para involucrar a la IA en discusiones matizadas.
• El estudio sugiere que los modelos de lenguaje grandes como GPT-4 pueden descubrir nuevos conocimientos, ofreciendo perspectivas de descubrimientos significativos en diversos campos.
• Los investigadores pretenden demostrar que P no es igual a NP guiando a GPT-4 a través de múltiples iteraciones, empleando personajes e indicaciones intrincadas para explorar las matemáticas detrás de la conjetura.

Lea también:¿Cuál es el propósito de una supercomputadora?

Investigadores utilizan GPT-4 de OpenAI para adentrarse en el debate P vs. NP, sugiriendo el potencial de la IA para descubrir avances revolucionarios.

¿Qué papel puede jugar la IA en la resolución del dilema P vs. NP?

¿Es P igual a NP? Planteada hace casi 50 años, esta cuestión profundiza en las capacidades de las computadoras, pero a pesar de décadas de escrutinio, sigue sin respuesta. Ahora, la IA generativa se une a la búsqueda.

En su estudio titulado “Modelo de lenguaje grande para la ciencia: un estudio sobre P vs. NP”, el autor principal Qingxiu Dong y sus colegas aprovechan el modelo de lenguaje grande GPT-4 deOpenAI. Utilizando lo que denominan el método socrático, involucran a GPT-4 en múltiples interacciones de chat.

Lea también:Samsung integra la IA generativa de Google en la serie S24

¿Cómo podrían los modelos de lenguaje grandes dar forma a la futura investigación científica?

Dong et al. afirman que su trabajo demuestra cómo los modelos de lenguaje grandes pueden descubrir nuevos conocimientos, lo que podría conducir a avances científicos — un concepto que denominan “LLMs para la Ciencia”.

A lo largo de 97 iteraciones de indicaciones, los autores guían a GPT-4 a través de consultas detalladas sobre las complejidades de P = NP, precediendo cada indicación con una declaración contextual para guiar las respuestas de GPT-4. Empleando personajes, como “filósofo sabio” o “matemático experto en teoría de la probabilidad”, incitan a GPT-4 a adoptar roles específicos.

Su táctica consiste en llevar a GPT-4 a refutar la igualdad de P y NP. Lo hacen asumiendo inicialmente la igualdad, presentando un ejemplo y luego revelando sus fallos — un método conocido como prueba por contradicción.