Matematikawan AI kali ini bukan hanya datang untuk memecahkan soal.
Sebelumnya, tim Profesor Liu Yang, Direktur Institut Riset Industri Cerdas (AIR) Universitas Tsinghua, merilis sistem agen cerdas yang ditujukan untuk penelitian matematika—
AIM.
Berbeda dengan banyak agen sebelumnya yang berfokus pada pemecahan soal, AIM tidak hanya menjawab soal matematika, tetapi juga mencoba terlibat dalam pekerjaan penelitian yang lebih awal:
Ia dapat membantu peneliti mengembangkan ide, mengorganisir teorema, menghasilkan draf bukti, dan menyerahkan konten ini kepada manusia untuk ditinjau lebih lanjut.
Dan baru-baru ini, seputar AIM, mahasiswa program bersama AIR-Sekolah Qiuzhen Wang Yanqiao dan Asisten Profesor Liu Jinpeng dari Sekolah Qiuzhen, menyelesaikan penelitian algoritma kuantum mutakhir yang melibatkan AI secara mendalam—
Sign Embedding Quantum Algorithms for Matrix Equations and Matrix Functions.
Penelitian ini dimulai dari sebuah intuisi yang kabur: dapatkah pendekatan rasional menjadi prinsip desain algoritma kuantum?
Dalam proses penelitian, AI pertama-tama membantu peneliti manusia memaparkan jalur kandidat, kemudian manusia memilih arah, mengaudit asumsi, dan memperbaiki penurunan. AIM kemudian terlibat dalam tahap selanjutnya untuk mengorganisir teorema, menghasilkan draf bukti, dan menganalisis kompleksitas.
Pada akhirnya, tim penelitian mengusulkan Sign Embedding Quantum Algorithms (Algoritma Kuantum Penyematan Tanda), yang membentuk sebuah makalah algoritma kuantum sepanjang 84 halaman.
Dapat dikatakan, dibandingkan dengan sebelumnya yang terutama menyelesaikan masalah matematika terbuka yang diberikan oleh peneliti, kali ini, AIM mulai terlibat dalam perumusan dan eksplorasi arah masalah penelitian.
Bagaimana ini dilakukan?
Kemampuan Matematika AI Sedang Beralih dari "Memecahkan Soal" ke "Penelitian"
Dalam beberapa tahun terakhir, AI terus membuat kemajuan dalam penalaran matematika, pencarian algoritma, pengujian konjektur, dan bantuan pembuktian.
Banyak kasus yang ada terutama berfokus pada tugas yang relatif jelas: diberikan sebuah proposisi yang perlu dibuktikan atau dibantah, sebuah fungsi tujuan yang perlu dioptimalkan, atau ruang pencarian yang dapat dieksekusi dan diberi skor oleh program.
Namun, dalam penelitian matematika mutakhir yang nyata, kemajuan penting sering terjadi sebelum teorema formal muncul.
Peneliti mungkin pertama-tama memiliki intuisi yang kabur, analogi lintas bidang, atau preferensi teknik yang belum terbentuk, kemudian secara bertahap menilai apa yang harus diubah menjadi masalah, asumsi apa yang harus digunakan, jalur mana yang harus diambil, dan akhirnya membentuk keluarga teorema seperti apa.
Tahap ini seringkali sulit dievaluasi dengan jawaban standar atau indikator numerik tunggal, namun secara langsung mempengaruhi nilai dan arah penelitian.
Seputar pertanyaan "dapatkah AI membantu pembentukan masalah", penelitian ini memberikan contoh observasi yang cukup lengkap:
AI dan AIM ditempatkan dalam siklus penelitian yang diawasi oleh peneliti manusia, terlibat baik dalam eksplorasi dan penurunan, maupun menerima audit, revisi, dan integrasi yang berkelanjutan.
Dari Meta-Ide ke Keluarga Teorema yang Dapat Diaudit
Patut dicatat bahwa penelitian ini tidak dimulai dari teorema algoritma kuantum yang telah didefinisikan dengan tepat, melainkan berasal dari intuisi makroskopik yang diajukan oleh peneliti manusia:
Pendekatan rasional memiliki keunggulan dalam menangani fungsi tipe-langkah, terutama fungsi tanda, dapatkah pemikiran ini menjadi prinsip desain algoritma kuantum?
Dalam eksplorasi awal, peneliti berinteraksi dengan model AI umum untuk memperluas intuisi ini menjadi serangkaian arah penelitian kandidat dan dimensi perbandingan.
Kemudian, peneliti manusia melakukan penyaringan berdasarkan selera matematika, kelayakan teknis, dan kontribusi potensial, secara bertahap memfokuskan pada rute "Sign-Embedding" (Penyematan Tanda).
AIM pada tahap selanjutnya berfungsi sebagai bagian dari sistem penelitian kolaboratif manusia-AI, membantu mengorganisir rute yang telah dipilih menjadi tujuan teorema yang dapat diaudit dan bahan penurunan.
Makalah algoritma kuantum akhir yang terbentuk terdiri dari 84 halaman, gambar di bawah ini menunjukkan peran yang dimainkan oleh AI/AIM dalam proses pembentukan makalah tersebut.
Perlu dijelaskan bahwa fungsi perluasan rute divergen, pengorganisasian arah kandidat, dan perbandingan yang dilakukan melalui dialog AI umum pada tahap awal, telah lebih lanjut dikonsolidasikan menjadi kemampuan yang sistematis dalam AIM v2 berikutnya.
Artinya, kasus ini tidak hanya menunjukkan proses penelitian spesifik, tetapi juga mencerminkan evolusi AIM dari bantuan interaktif menuju dukungan alur kerja penelitian yang lebih lengkap.
Alur Kerja Kolaboratif Manusia-AI: Eksplorasi AI Berthroughput Tinggi di Bawah Pengawasan Nilai Manusia
Dari sudut pandang penelitian AI, fokus penelitian ini bukan pada menunjukkan "penemuan matematika otomatis penuh", melainkan pada menyajikan alur kolaboratif manusia-AI yang dapat dilacak, diaudit, dan digunakan kembali.
Seluruh proses dapat diringkas menjadi lima tahap.
Perluasan Rute Divergen (Divergent Route Expansion): Peneliti manusia menyediakan meta-ide inti atau intuisi penelitian makroskopik, AI memperluasnya menjadi banyak masalah kandidat, rute teknis, dan koneksi lintas bidang, membantu peneliti melihat ruang penelitian sekitarnya lebih cepat.
Pengawasan Nilai Manusia (Human Value Gate): Menghadapi cabang kandidat yang dihasilkan AI, peneliti manusia melakukan penyaringan dan fokus berdasarkan penilaian akademik, nilai masalah, dan kelayakan teknis, memutuskan arah mana yang layak untuk dilanjutkan.
Pembentukan dan Penurunan Teorema (Theorem Formation and Derivation): Setelah rute utama ditentukan, AIM membantu mengubah pemikiran tingkat tinggi menjadi pernyataan teorema, dekomposisi lema, draf bukti, dan ekspresi kompleksitas yang dapat diaudit.
Audit dan Perbaikan Kompleksitas (Complexity Audit and Repair): Dalam penelitian algoritma kuantum, pembuktian yang benar tidak secara otomatis berarti kontribusi algoritma cukup; apakah asumsi alami, model akses masuk akal, kompleksitas terlalu longgar, semua perlu diperiksa berulang kali. Proses perbaikan, pengoptimalan, atau rekonstruksi dapat terus dilakukan dengan bantuan kemampuan penurunan, perbandingan, dan penulisan ulang AI/AIM, tetapi penilaian kunci dan konfirmasi akhir harus ditanggung oleh peneliti manusia.
Validasi dan Integrasi (Validation and Integration): Semua pernyataan matematika, bukti, asumsi, estimasi kompleksitas, dan pernyataan kontribusi akhirnya perlu diperiksa, dipilih, ditulis ulang, dan diintegrasikan oleh peneliti manusia sebelum dapat dimasukkan ke dalam makalah publik.
Menghubungkan Penemuan, Pembangkitan Penurunan, dan Pemeriksaan Hati-hati
Secara keseluruhan, makna AIM bukanlah untuk menggantikan matematikawan manusia dalam menyelesaikan penelitian secara independen, melainkan meningkatkan kepadatan eksplorasi dan efisiensi penurunan dalam sebuah siklus yang diawasi manusia.
AI/AIM dapat dengan cepat memperluas rute kandidat, mengorganisir hubungan antara konsep terkait, dan menghasilkan bukti serta draf kompleksitas yang dapat ditinjau;
Peneliti manusia bertanggung jawab memutuskan rute mana yang bernilai penelitian, asumsi mana yang dapat diterima, dan penurunan mana yang perlu diperbaiki.
Model kolaboratif ini membuat proses penelitian lebih mendekati "pembangkitan kandidat throughput tinggi + pengawasan nilai manusia + bantuan audit dan perbaikan AI + integrasi akhir manusia".
Keunggulannya bukan pada menjadikan keluaran AI langsung menjadi kesimpulan akhir, melainkan pada mengubah eksplorasi rute yang sulit dijelajahi, pengorganisasian koneksi, dan penurunan lokal menjadi bahan perantara yang dapat diperiksa, dibandingkan, dan direvisi bertahap.
Untuk penelitian AI4Math dan AI Scientist, ini juga memberikan petunjuk: sinyal umpan balik dalam penelitian teoretis seringkali bukan skor eksperimen, melainkan penilaian matematika.
Sistem perlu mendukung memori jangka panjang, manajemen rute, pencatatan asumsi, audit kompleksitas, dan pemeriksaan sanggahan, sehingga peneliti manusia dapat lebih efektif mengontrol arah, menemukan kesalahan, dan menstabilkan hasil akhir.
Sign Embedding Quantum Algorithms (Algoritma Kuantum Penyematan Tanda)
Sebagai hasil teknis yang terbentuk dari proses kolaboratif ini, Wang Yanqiao dan Liu Jinpeng mengusulkan "Sign Embedding Quantum Algorithms" untuk sejenis masalah persamaan matriks dan fungsi matriks, termasuk persamaan Sylvester, Lyapunov, Riccati, serta objek seperti akar kuadrat matriks, invers akar kuadrat, dan rata-rata geometrik.
Masalah-masalah ini memiliki posisi mendasar dalam aljabar linier numerik, teori kontrol, sistem dinamis, dan komputasi ilmiah.
Bagi pembaca non-kuantum, inti dari makalah ini dapat dipahami sebagai: pertama-tama mengompresi berbagai masalah matriks terstruktur ke dalam fungsi tanda atau proyeksi tanda dari suatu matriks perluasan,
kemudian mewujudkan objek yang sesuai melalui primitif algoritma kuantum seperti pendekatan rasional dan invers pergeseran. Rute "sematan dulu, pendekatan kemudian" ini memberikan cara pengorganisasian yang terpadu untuk berbagai masalah yang tampak berbeda.
Kontribusi teknis makalah kuantum ini termasuk: membangun asumsi dan pernyataan kompleksitas yang dapat digunakan dalam kondisi input yang lebih umum seperti non-normal, tidak dapat didiagonalisasi;
Mengembangkan keluaran dari keadaan vektor tunggal menjadi penyandian blok matriks yang dapat dipanggil oleh sirkuit kuantum hilir; dan melalui penskalaan, penyeimbangan ulang, dan audit kompleksitas lapisan implementasi invers pergeseran, membentuk kerangka kerja aljabar linier kuantum keluaran operator yang lebih sistematis.
Penilaian Manusia dan Produktivitas AI dalam Penelitian Teoretis
Secara keseluruhan, penelitian ini menyajikan cara yang lebih realistis bagi partisipasi AI dalam penelitian matematika:
AI dapat membantu peneliti memperluas rute lebih cepat, menyusun hubungan, membuat draf bukti, dan melakukan analisis kompleksitas awal, sehingga mengurangi biaya eksplisit sebagian penurunan dasar dan eksplorasi lokal dalam penelitian teoretis.
Namun, pada saat yang sama, apakah arah penelitian layak untuk didalami, apakah asumsi alami dan masuk akal, apakah hasil memiliki nilai teoretis yang cukup, tetap bergantung pada penilaian profesional dan pemeriksaan berkelanjutan oleh peneliti.
Seiring dengan kemampuan agen cerdas untuk dengan cepat menghasilkan banyak rute kandidat, draf bukti, dan ekspresi teknis, fokus kerja ilmuwan teoretis juga mungkin berubah.
Setelah sebagian biaya penurunan yang rumit dikompresi, peneliti dapat mencurahkan lebih banyak energi untuk pemilihan arah, definisi masalah, pengawasan asumsi, dan audit hasil.
Dengan kata lain, menilai "masalah apa yang benar-benar layak diteliti", serta mengidentifikasi rute yang tampak masuk akal tetapi memiliki kondisi tersembunyi, kelemahan teknis, atau kontribusi yang tidak memadai, akan menjadi kemampuan yang lebih kritis.
Hal ini juga memberikan wawasan penting bagi pengembangan AIM selanjutnya. Di masa depan, yang layak ditingkatkan bukan hanya kemampuan pembuktian titik tunggal atau penurunan lokal, tetapi juga kemampuan sistem yang mendukung seluruh proses penelitian:
Misalnya, mencatat dan membandingkan rute penelitian yang berbeda, mengelola asumsi kunci secara eksplisit, mempertahankan jejak penurunan yang dapat diaudit, menemukan kondisi tersembunyi dan celah kompleksitas, serta mendukung peneliti dalam menyelesaikan perbaikan, pengoptimalan, dan rekonstruksi berikutnya dengan bantuan AI.
Kasus ini menunjukkan bahwa nilai AI dalam penelitian teoretis mutakhir, sedang berangsur-angsur meluas dari bantuan tugas lokal ke dalam alur penelitian yang lebih lengkap.
AIM mengorganisir kemampuan perluasan rute, penemuan hubungan, perancangan bukti, dan umpan balik audit, sehingga kemampuan pembangkitan dan penurunan AI dapat lebih baik melayani penilaian arah dan pengawasan matematika peneliti manusia.
Cara kolaboratif seperti ini memberikan kemungkinan baru untuk meningkatkan efisiensi penelitian teoretis dan memperluas wawasan penelitian.
Tautan Terkait
Laporan penerapan sistem AIM: From Meta Idea to Advanced Mathematical Discovery: Human-AI Co-Discovery of Sign-Embedding Quantum Algorithms(https://arxiv.org/abs/2606.24899)
Makalah Algoritma Kuantum: Sign Embedding Quantum Algorithms for Matrix Equations and Matrix Functions (http://arxiv.org/abs/2604.25333)
Repositori AIM:https://github.com/TheoryFoundry/AIMv2AIM
Blog:https://ai-mathematician.net
Artikel ini dari akun WeChat publik "量子位", penulis: Tim AIR Tsinghua
