OpenAI के गणितीय दावे AI की सत्यापन अड़चन को उजागर करते हैं

WIRED रिपोर्ट प्रक्रिया को लेकर frontier AI लैब्स और पेशेवर गणितज्ञों के बीच बढ़ते टकराव का वर्णन करती है। OpenAI की प्रवक्ता Lindsay McCallum ने WIRED को बताया कि 28 अगस्त को कंपनी ने एक नए आंतरिक मॉडल को प्रशिक्षित करना शुरू किया और “Navier—Stokes Millennium Prize problem को हल करने” के अलावा, मॉडल ने “गणित के अधिकांश क्षेत्रों में 100 से अधिक लंबे समय से खुले पड़े समस्याओं को हल किया।”

यह एक असाधारण दावा है, और यह एक नाज़ुक संदर्भ में आता है। Navier–Stokes समस्या Millennium Prize Problems में से एक है, ऐसी समस्याओं की श्रेणी जिनके समाधान के लिए आम तौर पर विशेषज्ञों की लंबी जाँच-परख चाहिए होती है। हमने इस दावे के आसपास सत्यापन के दाँव-पेंच OpenAI के Navier–Stokes प्रमाण दावे में कवर किए थे: मुख्य परिणाम मायने रखता है, लेकिन “मॉडल ने एक तर्क दिया” से “क्षेत्र ने प्रमेय स्वीकार कर लिया” तक की राह ही कठिन हिस्सा है।

WIRED ने यह भी रिपोर्ट किया कि OpenAI ने लोगों से कहा था कि वह GitHub पर अनसुलझी समस्याओं के सैकड़ों समाधान जारी करने की योजना बना रहा है। McCallum ने WIRED को बताया कि कंपनी अगले गणितीय परिणामों को “ज़िम्मेदारी से जारी करने” पर काम कर रही है और Institute for Advanced Study में Advisory Group on Mathematics and Artificial Intelligence की सलाह और सार्वजनिक सिफ़ारिशों का उपयोग कर रही है। उन्होंने यह भी कहा कि OpenAI ने रिलीज़ का समय तय नहीं किया है।

यह अंतर मायने रखता है। GitHub रिलीज़ सॉफ़्टवेयर के लिए उपयोगी होती है। वह frontier गणित के लिए अपने आप सही इकाई नहीं बन जाती। गणितज्ञ कोड, formal proofs, outlines और papers पढ़ सकते हैं, लेकिन हर format अलग सवाल का जवाब देता है। क्या तर्क काम करता है? मुख्य विचार किसका था? यह किन पूर्व कार्यों पर निर्भर करता है? कौन-से हिस्से नए हैं और कौन-से पुनर्संयोजन हैं? अन्य शोधकर्ताओं को किसे उद्धृत करना चाहिए?

अगस्त की बैठक में शामिल Northwestern University की गणितज्ञ Bryna Kra ने WIRED को बताया कि उपस्थित लोगों ने OpenAI से कहा कि परिणाम केवल blog post या tweet में प्रकाशित न किए जाएँ, बल्कि ऐसे papers लिखे जाएँ जिन्हें गणितज्ञ “आत्मसात, पचा और उपयोग” कर सकें। Kra ने WIRED से कहा: “ज़ाहिर है, उस input को नज़रअंदाज़ किया गया।”

स्रोत सामग्री में सबसे स्पष्ट तकनीकी उदाहरण सैकड़ों परिणामों का विवादित batch नहीं है। यह OpenAI का पहले का unit distance परिणाम है।

Erdős unit distance problem मोटे तौर पर पूछता है कि किसी समतल में बिंदुओं के कितने जोड़े ठीक एक unit दूरी पर हो सकते हैं। Paul Erdős ने परिकल्पना की थी कि सर्वोत्तम संभव व्यवस्था बिंदुओं की संख्या से बस थोड़ा तेज़ बढ़ेगी। Ars Technica के अनुसार, OpenAI के मॉडल ने पारंपरिक grid-आधारित तरीकों से अधिक जटिल बिंदु व्यवस्था बनाकर उन्हें गलत साबित किया।

Ars इस method को ज्ञात गणितीय विचारों का चतुर पुनर्संयोजन बताता है। मॉडल ने एक high-dimensional grid का उपयोग किया, उसे दो आयामों में project किया, और अधिक समृद्ध संरचना बनाने के लिए algebraic integers का उपयोग किया। Ars के आकलन में, परिणाम ने वास्तव में नई techniques पेश नहीं कीं। बाद में मानवीय गणितज्ञों ने काम को साफ़ किया और आगे बढ़ाया।

यह संयोजन महत्वपूर्ण है: इतना स्वायत्त कि मायने रखे, लेकिन जादू नहीं। AI सिस्टम ने एक ऐसा प्रमाण खोजा जिसने एक बड़ी खुली परिकल्पना को हल किया, फिर भी परिणाम को साहित्य में रखने के लिए मानवीय व्याख्या, सरलीकरण, विस्तार और स्थान-निर्धारण की ज़रूरत रही।

शोध में AI के लिए निकट भविष्य की यह सबसे यथार्थवादी तस्वीर है: मॉडल व्यापक रूप से खोज करते हैं, उपक्षेत्रों को जोड़ते हैं, और ऐसी proof strategies पर मेहनत करते हैं जो लोगों के लिए उबाऊ होतीं; मनुष्य तय करते हैं कि कौन-से सवाल मायने रखते हैं, प्रस्तुति सुधारते हैं, काम की जाँच करते हैं, और अगली परत बनाते हैं। यह विभाजन हमेशा कायम रहे, यह ज़रूरी नहीं, लेकिन दी गई रिपोर्टिंग में मौजूदा सबूत साफ़ replacement story की तुलना में hybrid story का अधिक समर्थन करते हैं।

यह वैसा भी है जैसा इंजीनियर software agents में देख रहे हैं। production के सबसे कठिन सवाल केवल “क्या मॉडल जवाब बना सकता है?” नहीं हैं। वे हैं “क्या हम उसका मूल्यांकन कर सकते हैं, उसे दोहरा सकते हैं, उसका श्रेय तय कर सकते हैं, और उसे सुरक्षित रूप से कार्य करने दे सकते हैं?” यही कारण है कि evaluation design केंद्रीय हो गया है, छोटे golden sets से लेकर pass@k जैसे repeated-run measures तक; अगर आप engineering वाला संस्करण चाहते हैं, तो LLM evaluation से शुरू करें।

WIRED जिस प्रतिक्रिया की रिपोर्ट करता है, वह सरल अर्थ में AI-विरोधी नहीं है। कहानी में उद्धृत कई गणितज्ञ बेहतर tools से उत्साहित दिखते हैं। उनकी चिंता संस्थागत शक्ति और वैज्ञानिक प्रक्रिया को लेकर है।

WIRED लिखता है कि कुछ academics को लगता है कि गणित OpenAI और Anthropic के लिए model capability दिखाने की दौड़ में एक proving ground बन गया है। New York University में visiting math professor Nestor Guillen ने WIRED को बताया कि गणितज्ञों में AI कंपनियों के प्रति “माफिया-जैसे व्यवहार की धारणा” है। OpenAI की McCallum ने जवाब दिया: “हम इस वर्णन से सहमत नहीं हैं।”

WIRED द्वारा वर्णित सबसे गंभीर विवाद New York University के प्रोफेसर Tristan Buckmaster और Anthropic कर्मचारी Levent Alpöge से जुड़ा है। WIRED की रिपोर्ट है कि OpenAI ने सितंबर में एक Millennium Prize problem पर काम करने के लिए हज़ारों agents तैनात किए, जब उसे “अफवाहें” सुनाई दीं कि अन्य लोग करीब हैं। Buckmaster ने OpenAI पर आरोप लगाया कि उसने Alpöge के साथ किए उनके काम से आगे निकलकर दावा करने की कोशिश की, ऐसा काम जिसे इस जोड़ी ने अभी प्रकाशित नहीं किया था लेकिन विकसित करने में मदद के लिए OpenAI tools का उपयोग कर रही थी।

WIRED में उनके जवाब के विवरण के अनुसार, OpenAI researcher Sébastien Bubeck ने Alpöge को authorship से बाहर करने के लिए कहने से इनकार किया। फिर भी, यह episode दिखाता है कि attribution कठिन क्यों हो जाता है जब शोधकर्ता proprietary tools का उपयोग करते हैं, labs कुछ usage देख सकती हैं, और internal models को बड़े scale पर adjacent problems की ओर निर्देशित किया जा सकता है।

समुदाय पहले ही प्रतिक्रिया दे रहा है। WIRED ने Hexagon का उल्लेख किया है, जो मुख्यतः AI-जनित गणितीय material के लिए एक repository है, और Palomar का, जो machine-verified mathematics की registry है। वह Leiden declaration का भी हवाला देता है, जिसमें 4,000 से अधिक गणितज्ञों ने AI कंपनियों से गणितज्ञों के standards पूरा करने की माँग की है।

दिशा स्पष्ट है: अगर AI-जनित गणित प्रचुर हो जाता है, तो गणित को provenance, review और verification के लिए नया infrastructure चाहिए। GitHub उसका हिस्सा हो सकता है। वह पूरी प्रक्रिया नहीं हो सकता।

कोई प्रमाण इसलिए स्वीकार नहीं होता कि एक शक्तिशाली मॉडल ने उसे output कर दिया। वह इसलिए स्वीकार होता है क्योंकि एक समुदाय उसे जाँच सकता है।

बाहर से उस सामाजिक परत को कम आँकना आसान है। गणित अक्सर शुद्ध logic जैसा दिखता है: proof valid है या नहीं। व्यवहार में, proof को readable, contextualized और existing work से connected भी होना पड़ता है। किसी field को यह जानना होता है कि कौन-से lemmas असली काम कर रहे हैं, कौन-सी assumptions छिपी हैं, कौन-से citations गायब हैं, और कौन-से claims reuse करने के लिए पर्याप्त मजबूत हैं।

AI volume बदलकर उस system पर दबाव डालता है। एक कठिन proof चुनौती है। सैकड़ों claimed solutions queueing problem हैं। अगर केवल थोड़े-से experts हर result का evaluation कर सकते हैं, तो एक बड़ा batch release करना lab के नज़रिए से progress और field के नज़रिए से debris जैसा backlog बना सकता है।

AI builders के लिए यह उपयोगी analogy है: review capacity के बिना capability operational risk बनाती है। 200 pull requests खोलने वाला coding agent पाँच reviewable pull requests खोलने वाले agent से कम helpful हो सकता है। हज़ारों candidate claims बनाने वाले research agent को triage चाहिए। tools के बीच actions लेने वाले business agent को approval points, audit logs और rollback paths चाहिए। यही pattern human-in-the-loop अनुमोदनों में और long-running agent work में दिखता है, जहाँ context, state और oversight एक impressive answer से अधिक मायने रखते हैं।

गणित विवाद इस बात की preview है कि जब generation evaluation से सस्ता हो जाता है तो क्या होता है।

गणित एक शुरुआती stress test है क्योंकि उसमें असामान्य गुण हैं। समस्याएँ स्पष्ट रूप से कही जा सकती हैं। प्रमाणों को कभी-कभी formal रूप से check किया जा सकता है। प्रतिष्ठा named open questions हल करने से जुड़ी है। और समुदाय में priority, attribution और publication के मजबूत norms हैं।

अन्य fields भी उसी दबाव के किसी संस्करण का सामना करेंगे जहाँ ये तीन conditions हों:

Software पहले से वहाँ है। Code जल्दी generate किया जा सकता है, लेकिन correctness, security, maintainability और ownership अब भी review माँगते हैं। Scientific literature भी करीब है: AI hypotheses या analyses labs द्वारा उन्हें test करने से तेज़ी से propose कर सकता है। Legal और medical work अधिक constrained हैं, लेकिन fluent output और costly verification के बीच वही asymmetry साझा करते हैं।

सीख यह नहीं है कि हर model को default रूप से धीमा कर दिया जाए। सीख यह है कि bottleneck के आसपास institutions और systems design किए जाएँ। अगर कोई model 1,000 plausible artifacts बना सकता है, तो product question बनता है: कौन-से 10 एक human को दिखने चाहिए, किस क्रम में, किस evidence के साथ, और किन constraints के तहत?

Practical agent systems के लिए भी design center यही है। Multi-agent workflows को routing, memory, tools और escalation paths चाहिए, लेकिन उन्हें boundaries भी चाहिए: क्या automatically चल सकता है, किसे review चाहिए, और बाद की inspection के लिए क्या log होता है। अगर आप उस दिशा में बना रहे हैं, तो engineering problems prompt cleverness की तुलना में multi-agent orchestration से अधिक overlap करती हैं।

रिपोर्टिंग norms की एक छोटी सूची की ओर इशारा करती है जो friction घटा सकती है।

पहला, केवल announcements नहीं, papers release करें। Blog posts results समझा सकते हैं, लेकिन जब claim एक theorem हो तो उन्हें scholarly object की जगह नहीं लेनी चाहिए।

दूसरा, capability demos को scientific claims से अलग रखें। “हमारे model ने यह proof बनाया” और “community ने यह result स्वीकार किया” अलग statements हैं। उन्हें अलग रखना lab और field दोनों की रक्षा करता है।

तीसरा, provenance disclose करें। अगर बाहरी mathematicians ने AI tools का उपयोग किया, अगर lab के पास user interactions तक access था, या अगर competing work के बारे में सुनने के बाद internal agents deploy किए गए, तो attribution story को footnote से अधिक चाहिए।

चौथा, registries और verification infrastructure का उपयोग करें। WIRED रिपोर्ट करता है कि mathematicians ने OpenAI को Hexagon और Palomar जैसे tools उपयोग करने के लिए प्रोत्साहित किया है। अगर वे tools पर्याप्त नहीं हैं, तो labs को process के इर्द-गिर्द रास्ता निकालने के बजाय उसे बेहतर बनाने में मदद करनी चाहिए।

पाँचवाँ, human-reviewable cadence पर release करें। सैकड़ों results का dump spectacle को maximize कर सकता है। वह understanding को maximize नहीं करता।

अगर कोई identity crisis है, तो यह नहीं कि mathematicians अब मायने नहीं रखते। यह है कि profession को शायद अपने scarce work को फिर से परिभाषित करना पड़े। अच्छे सवाल पूछना, standards तय करना, results verify करना, credit assign करना, और isolated proofs को usable theory में बदलना—ये सब तब अधिक महत्वपूर्ण हो जाते हैं जब machines अधिक candidate answers बना सकती हैं।

यह बदलाव असहज है। यह परिचित भी है। हर mature field filters विकसित करती है जब production सस्ता हो जाता है। AI गणित को वे filters public में बनाने के लिए मजबूर कर रहा है।

और स्पष्ट AI news और practical guides के लिए, NeuraLIA Labs newsletter को subscribe करें।

• केंद्रीय मुद्दा केवल यह नहीं है कि AI कठिन गणितीय समस्याएँ हल कर सकता है या नहीं, बल्कि यह है कि गणितीय समुदाय उसी गति से परिणामों को verify और absorb कर सकता है या नहीं।
• OpenAI ने reportedly लंबे समय से लंबित समस्याओं पर बड़ी प्रगति का दावा किया है, जिनमें Navier–Stokes और 100 से अधिक अन्य open questions शामिल हैं, लेकिन acceptance expert scrutiny पर निर्भर करती है।
• Erdős unit distance result एक संभावित near-term pattern दिखाता है: AI systems महत्वपूर्ण proofs खोज सकते हैं, जबकि humans अब भी उन्हें simplify, contextualize और extend करते हैं।
• गणितज्ञों की चिंताएँ process, provenance, attribution, publication norms और review systems पर अत्यधिक भार डालने के जोखिम पर केंद्रित हैं।
• वही generation-versus-verification bottleneck software, science, law, medicine और agentic AI workflows में दिखाई दे रही है।

यह उस अंतर को कहते हैं जिसमें AI systems plausible proofs या claims तेज़ी से generate कर सकते हैं, लेकिन experts उन्हें verify, contextualize, attribute और reuse बहुत धीमी गति से कर पाते हैं।

OpenAI ने reportedly दावा किया है कि एक internal model ने Navier–Stokes Millennium Prize problem हल कर दी, लेकिन article इस बात पर ज़ोर देता है कि ऐसा दावा accepted होने से पहले community verification ज़रूरी है।

उनकी चिंताओं में publication standards, authorship, provenance, priority disputes और यह संभावना शामिल है कि AI-generated results के बड़े batches expert review पर अत्यधिक दबाव डाल सकते हैं।

चर्चित reporting के अनुसार, एक OpenAI model ने known ideas को उपयोगी तरीके से recombine करके Erdős unit distance conjecture को गलत साबित किया, जिसके बाद human mathematicians ने work को साफ़ किया और आगे बढ़ाया।

Software, scientific research, legal work और medical work सभी समान दबाव का सामना करते हैं क्योंकि AI outputs जल्दी produce कर सकता है जबकि validation महँगा और consequential रहता है।