Gervigreind hefur náð mikilvægi áfanga á sviðum eins og skákunum, þar sem leikir fela venjulega í sér um 40 leikja. Rannsakendur hafa nú skapað nýtt gervigreindarlíkan sérfræðings sem miðar að því að takast á við sum af þeim flóknustu stærðfræðivandamálum í heiminum, sem krafist er þúsunda til milljóna skrefa. Þeir leggja til að þessi háþróaði reiknirit geti að lokum hjálpað til við að greina sjaldgæf en áhrifamikil atvik, eins og fellibylji og fjármálakreppur. Möguleikar gervigreindar til að leysa stærðfræðivandamál eru að fá aukna athygli. Til dæmis, AlphaProof frá Google DeepMind náði sambærilegum árangri og silfurverðlaunahafi á alþjóðlegu stærðfræðikeppninni 2024, á meðan o3 kerfið frá OpenAI sýndi sterkar niðurstöður á ýmsum stærðfræði- og forritunarviðum. Í nýlegri, ósnertri rannsókn, skoðaði teymi frá California Institute of Technology flókin stærðfræðivandamál sem hafa undanfarið ruglað fagmenn í stærðfræði í áratugi. Sergei Gukov, prófessor við Caltech, tók fram að meðan vandamál í stærðfræðikeppninni krafist að jafnaði um 30 eða 40 skref, stefna þeir að flóknari áskorunum sem krafist er miklu fleiri skrefa. Gukov lýsti yfir von um að gervigreind gæti að lokum tekist á við Millennium Prize vandamál, þó hann viðurkenndi að þetta gæti verið of metnaðarfullt.

Eins og er beinist athyglin að vandamálum sem hafa ruglað fræðimenn í mörg ár. Eitt af þeim efnum sem skoðað voru var Andrews-Curtis tilgátan, mál í samsettri hópkenningu sem var fyrst lögð fram fyrir 60 árum og líkt við flókið afbrigði af Rubik's kubb. Þó að megin tilgátan væri ekki sönnuð, voru AI-kerfið árangursrík í að afsanna tengd mögulega andmæli sem höfðu verið ósvarað í 25 ár, sem styrkti giltis tilgátuna. Rannsakendurnir stefndu að óvæntum lausnum við þessi flóknu stærðfræðivandamál, sem hefðbundin líkön eins og DeepSeek eða ChatGPT áttu í erfiðleikum með að finna. Í stað þess að leita að venjulegum svörum, leituðu þeir að „of-leikjum“ eða einstökum skrefjum sem eru tölfræðilega sjaldgæf. Með því að nýta styrkingarnám, þjálfuðu þeir gervigreindina á sífellt erfiðari vandamálum, sem þeir náðu að gera á skilvirkan hátt á einu GPU. Gukov lagði áherslu á að nýju reikniritin gætu haft notkunarsvið yfir og ofan við hreina stærðfræði, eins og að greina sjaldgæfar afbrigðilegar staðreyndir eða „svört svan“ atvik sem gætu haft miklar afleiðingar. Með því að bæta spágeta fyrir þessar sjaldgæfu atvik, gæti rannsóknin aðstoðað við betri samfélagslegar undirbúning og aðgerðir gegn afleiðingum.