テレンス・タオとChatGPT: ヤコビアン予想の反例を解体する

エキスパート主導のAIプロンプトによる数学的発見

テレンス・タオのChatGPTとの相互作用は、高レベルの数学における大規模言語モデル（LLM）の有用性がユーザーの専門知識に大きく依存していることを示している。具体的で専門用語が多いプロンプトを提供し、象徴的検証の進行を通じてモデルを導くことで、タオはAIを使ってヤコビアン予想の複雑な反例をより単純な心的モデルにマッピングした。

観察者はタオのアプローチがカジュアルな使用とは異なることに気づいた；彼は高レベルの戦略的方向性を維持しながら、特定の象徴的計算を「ブルートフォース」するためにAIを使用する。これにより、数学者は結果の一般化や、証明の核心メカニズムを説明するより単純な副結果を見つけることに集中できる。

ヤコビアン反例の象徴的検証

共有された会話の中で、ChatGPTは多項式同型写像とヤコビアンが定数である後のマップを検証するために使用された。このプロセスは3つの主要な段階で展開された：

1. 多項式同型写像の検証

ChatGPTは、写像 $\Phi: \mathbb{A}^{3} \rightarrow X$ とその逆写像 $\Psi: X \rightarrow \mathbb{A}^{3}$ が互いに逆の多項式同型写像であることを確認した。ここで $X$ は次の式で定義される：

$$X = \left{ (a, b, c, d, e) \in \mathbb{C}^{5} : a^{2} e - a b d + c b^{2} = 1 , a d + b c = 1 \right}$

$b, c, d,$ および $e$ を $a, y, z$ の式で展開することにより、モデルは $X$ の定義式が恒等的に満たされることを確認し、$X \cong \mathbb{A}^{3}$ を証明した。

2. ケラー写像の構築

タオの指導に従い、モデルは $\Phi$ と写像 $F(a,b,c,d,e) = (ac, ad + bc, ae + bd, be)$ を合成し、定数座標 ($ad+bc=1$) を破棄した。これにより、多項式写像 $G: \mathbb{C}^{3} \rightarrow \mathbb{C}^{3}$ が得られた：

• $G_{1} = a - \frac{3}{2} a^{2} y + a^{3} z$
• $G_{2} = \frac{1}{2} y - 3 a z + 6 a y^{2} - 6 a^{2} y z + \frac{9}{2} a^{2} y^{3} - 3 a^{3} y^{2} z$
• $G_{3} = - 2 z + 4 y^{2} - 6 a y z + 7 a y^{3} - 6 a^{2} y^{2} z + 3 a^{2} y^{4} - 2 a^{3} y^{3} z$

ChatGPTはこれらの式を象徴的に微分し、ヤコビアン行列の行列式が定数であることを確認した：$\det DG \equiv -1$。

3. 元の反例へのマッピング

最後に、モデルはこの構築された写像 $G$ が、入力および出力座標の線形変換を通じて元のヤコビアン予想の反例 $F_{orig}$ と等価であることを示した。$a = z_{1}, y = z_{2}, z = -\frac{1}{2} z_{3}$ と設定することにより、モデルは次のように示した：

$$F_{orig} = B \circ G \circ A$$

ここで $A$ と $B$ は線形写像である。これにより、この因子分解構成が元の写像を正確に復元したことが確認された。

テクニカルコミュニティからの洞察

ハッカー・ニュースコミュニティでの議論は、AIと高度な数学の交差点におけるいくつかの重要なポイントを浮き彫りにした：

未解決問題の「認知的危険」

一人の寄稿者は、ヤコビアン予想がLLMにとって「認知的危険」であると指摘した。モデルの訓練データには予想が未解決であるという事実が含まれているため、ユーザーの証明の主張に疑いを持つ傾向があるかもしれない。しかし、専門家によって特定の象徴的チェックを実行するように導かれると、モデルは問題の状況に関する内部の「知識」に関わらず、数学を検証することができる。

AIとしての共同作業者

ユーザーは、LLMがツールよりもむしろ同僚として機能していることを観察した。PDFの取り込み、コードの執筆、長期的なコンテキスト保持の能力により、スーパージーニアスのサウンドボードとして機能し、象徴的操作の摩擦を軽減することができた。

専門化の壁を打ち破る

一部の人々は、AIが数学者がこの分野の極端な専門化を克服するのに役立つと主張した。孤立した数学的領域の間の橋渡しとして機能することで、LLMは研究者がどの単一の人間にもマスターするには濃すぎる異なるサブフィールド間の概念をつなぐ手助けになるかもしれない。

"現代のAIは数学者にとって救世主のように感じられる。これは凡人には想像もできない方法で境界を打ち破り、概念をつなげる手助けとなる。"

モデルのパフォーマンスのサマリー

会話から、モデルは次のことができることが明らかになった：

• 高忠実度の象徴的操作: エラーなく複雑な多項式の展開と微分を行うことができる。
• 適応的なトーン: ユーザーの技術的専門知識レベルに合わせることができる。
• 注意点を考慮した推論: ユーザーのプロンプトが潜在的な誤りにつながるとき、修正と警告を提供することができる。