L’IA générative peut-elle résoudre le problème non résolu de l’informatique?

« L’IA générative peut-elle résoudre le problème non résolu de l’informatique? » est profilé par BTW Media parce que des preuves publiées le lient à l’infrastructure internet, à la gouvernance, aux dépendances opérationnelles ou à la visibilité sur le marché.

• Des chercheurs exploitent GPT-4 d’OpenAI pour approfondir la question de longue date, en utilisant une méthode socratique pour engager l’IA dans des discussions nuancées.
• L’étude suggère que les grands modèles de langage comme GPT-4 peuvent découvrir de nouvelles perspectives, offrant des perspectives de découvertes significatives dans divers domaines.
• Les chercheurs visent à démontrer que P n’est pas égal à NP en guidant GPT-4 à travers de multiples itérations, en employant des personnages et des invites complexes pour explorer les mathématiques derrière la conjecture.

Lire aussi:Quel est le but d’un supercalculateur?

Des chercheurs utilisent GPT-4 d’OpenAI pour explorer le débat P = NP, suggérant le potentiel de l’IA à faire des découvertes révolutionnaires.

Quel rôle l’IA peut-elle jouer pour résoudre le dilemme P = NP?

P est-il égal à NP? Posée il y a près de 50 ans, cette question plonge profondément dans les capacités des ordinateurs, pourtant malgré des décennies d’examen, elle reste sans réponse. Aujourd’hui, l’IA générative se joint à la quête.

Dans leur étude intitulée « Large Language Model for Science: A Study on P vs. NP », l’auteur principal Qingxiu Dong et ses collègues exploitent le grand modèle de langage GPT-4 d’OpenAI. En utilisant ce qu’ils appellent la méthode socratique, ils engagent GPT-4 dans de multiples interactions de chat.

Lire aussi:Samsung intègre l’IA générative de Google dans la série S24

Comment les grands modèles de langage pourraient-ils façonner la recherche scientifique future?

Dong et al. affirment que leur travail démontre comment les grands modèles de langage peuvent découvrir de nouvelles perspectives, pouvant conduire à des percées scientifiques — un concept qu’ils appellent «LLMs for Science».

À travers 97 itérations d’invites, les auteurs guident GPT-4 à travers des enquêtes détaillées sur les subtilités de P = NP, en préfaçant chaque invite par une déclaration contextuelle pour guider les réponses de GPT-4. En employant des personnages, tels que « philosophe sage » ou « mathématicien compétent en théorie des probabilités », ils amènent GPT-4 à adopter des rôles spécifiques.

Leur tactique consiste à amener GPT-4 à réfuter l’égalité de P et NP. Pour ce faire, ils supposent d’abord l’égalité, présentent un exemple, puis en révèlent les défauts — une méthode connue sous le nom de preuve par l’absurde.