जल्दबाज़ी में घोषणा: Alessandro Masullo GRH
Generalized Riemann Hypothesis के कथित मानव-केवल प्रमाण की 12 साल में बनी लगभग 940-पृष्ठीय “जल्दबाज़ी में घोषणा” Anthropic द्वारा AI-सहायता प्राप्त प्रमाण सार्वजनिक करने के तुरंत बाद सामने आई, जिससे प्राथमिकता, श्रेय, और भरोसे पर तीखी बहस छिड़ गई। टिप्पणीकार इस पर विचार करते हैं कि मानव पांडुलिपि की स्पष्ट त्रुटियाँ सुधारी जा सकती हैं या नहीं, 250,000-पृष्ठीय Lean औपचारिकीकरण का एक छोटी, अधिक बोधगम्य प्रमाण की तुलना में कितना महत्व है, और बड़े पुरस्कारों तथा इतिहास के लिए वैध या प्रथम प्रमाण किसे माना जाए। इसके नीचे व्यापक चिंताएँ हैं: कि व्यावसायिक LLMs चुपचाप प्रगति पर चल रहे शोध को निगल सकते हैं, कि गणितज्ञों को जल्दी प्रकाशित करने या उन AI औज़ारों पर निर्भर होने के लिए मजबूर किया जाएगा जिन्हें वे नियंत्रित नहीं करते, और कि frontier models गणितीय कार्य और मान्यता की प्रकृति को बदल रहे हैं.
मानव GRH मसौदा और समय
- लगभग 900 पृष्ठों का, “पूरी तरह मानव” GRH/RH मसौदा, जिस पर करीब 12 साल तक काम किया गया था, AI-सहायता प्राप्त GRH/RH घोषणा के बाद जल्दबाज़ी में जारी किया गया।
- मसौदा कई जगह स्पष्ट रूप से अधूरा है (जैसे, भूमिका वाला भाग गायब है), और महीनों से वरिष्ठ गणितज्ञों के बीच निजी तौर पर घूम रहा था।
- कई लोग इस समय-निर्धारण को इस तरह देखते हैं कि AI परिणाम की छाया में न रहें या उस पर नकल का आरोप न लगे; अन्य लोगों को बड़े AI प्रमाणों के बाद आने वाली “me-too” घोषणाएँ चिढ़ाने वाली लगती हैं।
शुद्धता और शुरुआती आलोचनाएँ
- कई टिप्पणीकारों के अनुसार, अलग-अलग LLMs और मानव पाठकों ने जल्दी ही स्पष्ट त्रुटियाँ, खाली जगहें, या संदिग्ध चरण पाए; यहाँ तक कि मसौदा स्वयं भी स्वीकार करता है कि इसमें अभी और काम चाहिए।
- यह स्पष्ट नहीं कि ये समस्याएँ छोटी और ठीक करने योग्य हैं या तर्क को मूल रूप से ही तोड़ देती हैं।
- कुछ लोग “मैंने इसे LLM में डाल दिया और वह कहता है कि यह गलत है” जैसी बातों को निम्न-गुणवत्ता की टिप्पणी मानते हैं; अन्य लोग तर्क देते हैं कि LLMs अब प्रथम-पास प्रमाण जाँचक के रूप में बहुत प्रभावी हैं।
प्राथमिकता, श्रेय, और शैक्षणिक प्रोत्साहन
- इस पर तीखी बहस है कि लेखक को “पहले प्रकाशित कर देना चाहिए था” या पारंपरिक मानदंड—अर्थात् RH/GRH जैसी प्रसिद्ध समस्या पर एक सुसज्जित, जाँचा-परखा प्रमाण आने तक प्रतीक्षा करना—ज़्यादा उचित है।
- गणितज्ञों को डर है कि उन्हें अन्य मनुष्यों द्वारा और अब AI द्वारा भी पछाड़ दिया जाएगा, जिससे पहले और कम परिष्कृत प्रकाशनों की ओर धक्का मिलता है।
- सुंदर, अंतर्दृष्टिपूर्ण मानव प्रमाणों को महत्व देने और पहली औपचारिक शुद्धता को महत्व देने (जैसे विशाल Lean प्रमाणपत्र) के बीच तनाव है।
AI की भूमिका, प्रशिक्षण डेटा, और नैतिकता
- यह व्यापक संदेह है कि व्यावसायिक LLMs गोपनीय या अर्ध-निजी कार्य को भी निगल सकते हैं (जैसे, अपलोड किए गए मसौदे, ईमेल, स्थानीय फ़ाइलों तक एजेंट की पहुँच), और इस तरह विचारों को AI-सहायता प्राप्त प्रमाणों में “धो” सकते हैं।
- अन्य लोग इसे निराधार अटकलबाज़ी कहते हैं, और AI-सहायता प्राप्त तथा मानव प्रमाणों के बीच बताई गई पद्धतिगत भिन्नताओं की ओर इशारा करते हैं।
- “हम आपके डेटा पर प्रशिक्षण नहीं लेते” वाले चेकबॉक्सों पर गहरा अविश्वास है; स्थानीय/ओपन-वेट मॉडल और मजबूत गोपनीयता गारंटियों की माँग की जा रही है।
गणित पर प्रभाव और प्रस्तावित अनुकूलन
- मिश्रित भावनाएँ हैं: तेज़ सफलताओं को लेकर उत्साह बनाम यह निराशा कि मानव श्रम के वर्षों को AI-सहायता प्राप्त काम हफ़्तों में पछाड़ सकता है।
- डर है कि शुद्ध मानव खोज पुरानी पड़ती जा रही है; कुछ लोग कहते हैं कि बुनियादी शोध को AI उपकरणों को अपनाना चाहिए, जबकि अन्य “मानव-केवल” क्षेत्रों की रक्षा चाहते हैं।
- सुझावों में शामिल हैं: मध्यवर्ती परिणाम प्रकाशित करना, प्रगति पर चल रहे काम पर समय-मुद्रांकन या हैश लगाना, प्रमाण ऑडिटिंग के लिए व्यवस्थित रूप से AI का उपयोग करना, और AI-भारी युग के लिए अनुदान/श्रेय प्रणालियों में सुधार करना।