Kunstig intelligens har oppnådd betydelige milepæler innen områder som sjakk, der spill vanligvis involverer rundt 40 trekk. Forskere har nå utviklet en ny AI-modell tilpasset for å takle noen av verdens mest utfordrende matematiske problemer, som krever tusenvis til millioner av steg. De foreslår at denne avanserte algoritmen muligens kan hjelpe med å identifisere sjeldne, men innflytelsesrike hendelser, som orkaner og finanskriser. AIs potensial i å løse matematiske problemer får stadig mer oppmerksomhet. For eksempel presterte Google DeepMinds AlphaProof på nivå med en sølvmedaljevinner ved den internasjonale matematiske olympiaden i 2024, mens OpenAIs o3-system viste sterke resultater på ulike matematiske og programmeringsbenchmarker. I en nylig, upublisert studie, undersøkte et team fra California Institute of Technology komplekse matematiske problemer som har forvirret profesjonelle matematikere i flere tiår. Sergei Gukov, en professor ved Caltech, påpekte at selv om matematiske olympiadeproblemer generelt involverer rundt 30 eller 40 steg, sikter de mot mer avanserte utfordringer på forskningsnivå som involverer et langt større antall steg. Gukov uttrykte håp om at AI til slutt kan takle Millennium Prize-problemer, selv om han innrømmet at dette kan være en overambisiøs målsetting.

For øyeblikket er fokuset på problemer som har forvirret forskere i mange år. Et av temaene som ble studert var Andrews-Curtis-formodningen, et kombinatorisk gruppe-teoretisk problem foreslått for 60 år siden, sammenlignet med en kompleks versjon av en Rubiks kube. Selv om hovedformodningen ikke ble bevist, klarte AI-en å motbevise relaterte potensielle moteksempler som hadde vært uløste i 25 år, og dermed styrket gyldigheten av formodningen. Forskerne hadde som mål å finne uventede løsninger på disse komplekse matematiske problemene, som tradisjonelle modeller som DeepSeek eller ChatGPT hadde vanskelig for å finne. I stedet for typiske svar, søkte de etter "super-trekk", eller unike sekvenser av steg som er statistisk sjeldne. Ved å bruke forsterkningslæring trente de AI-en på stadig mer krevende problemer, og klarte dette effektivt på en enkelt GPU. Gukov fremhevet at de nye algoritmene kan ha anvendelser utover ren matematikk, som å identifisere sjeldne anomalier eller "svart svane"-hendelser som kan ha betydelige konsekvenser. Ved å forbedre prediksjonskapasitetene for disse sjeldne hendelsene, kan forskningen bidra til bedre samfunnsforberedelse og strategier for reduksjon av skadevirkninger.