Inteligjenca artificiale humbet përballë njerëzve në një test shumë sfidues të matematikës

Inteligjenca artificiale është vënë përballë testit më të vështirë dhe më rigoroz matematikor të zhvilluar deri më sot, por nuk ka arritur të mposhtë ekspertët njerëzorë. 

Katër modele të ndryshme, përfshirë ChatGPT 5.5 Pro, morën pjesë në provë, por asnjëri nuk arriti të zgjidhte saktë të 10 problemet.

Rezultatin më të mirë e shënoi modeli i zhvilluar nga ETH Zurich, i cili arriti të zgjidhte 6 nga 10 detyrat. Pas tij u rendit modeli i University of California, Los Angeles, ndërsa ChatGPT i OpenAI zuri vendin e tretë. 

Në fund të renditjes mbeti modeli i Princeton University, i bazuar në Gemini të Google.

Vlerësimi u realizua në kuadër të projektit First Proof, një nismë e pavarur që synon të ndjekë zhvillimin e aftësive të inteligjencës artificiale në kërkimin matematikor dhe që publikon rezultatet në platformën e vet.

Problemet e përdorura në test nuk ishin bërë publike më parë, as në punime shkencore dhe as në internet, me qëllim shmangien e mundësisë që modelet të mbështeteshin në materiale të mësuara gjatë trajnimit. Më pas, një grup prej 30 matematikanësh analizoi dhe vlerësoi përgjigjet e dhëna.

Një tjetër kriter ishte që modelet pjesëmarrëse të ishin të aksesueshme publikisht. Për këtë arsye, OpenAI ishte e vetmja kompani e madhe teknologjike e përfshirë në test. 

Dy nga tre sistemet e tjera mbështeteshin gjithashtu në ChatGPT, por përdornin mekanizma të automatizuar ku përgjigjet kontrolloheshin dhe përmirësoheshin nga chatbot-e të tjerë përmes cikleve të shumta komunikimi.

Studiuesit e ETH zhvilluan edhe një analizë paraprake për të kuptuar arsyet pse disa nga problemet mbetën të pazgjidhura. 

Në disa raste, modelet nuk arritën të identifikonin idenë kyçe që do t’i çonte drejt zgjidhjes, ndërsa në raste të tjera metoda fillestare ishte e saktë, por sistemet nuk arritën të menaxhonin me sukses të gjitha hollësitë e nevojshme për përgjigjen përfundimtare.