Les LLM ont montré une capacité remarkable à générer des démonstrations mathématiques, telles que des solutions à temps fini aux équations de Navier–Stokes et des propositions de démonstration de l'hypothèse quasi-Riemann, signalant un potentiel d'accélération de la découverte dans la science et la technologie. Cependant, leur intégration dans les écosystèmes STEM présente un choix critique : une ‘âge d’or’ où les LLM empower une nouvelle génération de scientifiques, développent de nouvelles expertises et préservent une enquête ouverte et collaborative, ou un ‘âge sombre’ où les gains à court terme en sortie coûtent la réduction de l'activité scientifique humaine indépendante, la concentration de la production de connaissances entre peu de mains, et aboutissent finalement à la création de connaissances étrangères à la compréhension humaine. L'auteur argue que la réalité probablement mélange les deux scénarios.
Un défi clé réside dans la lutte des LLM pour traduire des preuves formelles complexes (par exemple, en Lean) en langage naturel compréhensible — malgré la génération de preuves avec des centaines de milliers de lignes de code correct, leurs rendus en langage naturel sont souvent sales et nécessitent une étude intensive pour être compris. Cela soulève une question fondamentale : si les humains ne peuvent pas comprendre les preuves, quelle est la valeur des mathématiques au-delà du benchmarking des LLM ? Les mathématiques, profondément enracinées dans la cognition humaine — des concepts innés de nombre, d'espace et de temps aux systèmes culturellement évolués — risquent de devenir déconnectées de la construction de sens humain si elles ne sont pas soigneusement supervisées. L'article se termine par huit points examinant les choix qui façonnent ce résultat et appelle à des propositions concrètes pour orienter vers un avenir où la technologie renforce, plutôt que de remplacer, l'intuition mathématique humaine.
Source: Hacker News · Résumé par HeadlinesBriefing