On the mechanical creation of mathematical concepts

Dit paper stelt dat wiskundige ontdekking voortkomt uit het creëren van expliciete concepten die de taal van het probleem oplossen verruimen, een stap die huidige AI-systemen nog niet kunnen zetten omdat ze uitsluitend werken met impliciete concepten binnen een vast vocabulaire.

De kern

Hoe Wiskunde Werkt: Van Zoeken naar Nieuwe Woorden

Stel je voor dat wiskunde oplossen een beetje lijkt op het vinden van de weg door een enorm, donker bos. Dit artikel van Asvin G. vertelt ons hoe mensen en computers dit bos doorkruisen, en waarom computers soms vastlopen waar mensen juist een nieuwe kaart kunnen tekenen.

Hier is de kern van het verhaal, vertaald naar alledaagse taal:

1. Twee manieren om te zoeken: De "Intuïtie" en de "Rekenmachine"

Elke keer als we een probleem oplossen (of het nu schaken is of een wiskundig raadsel), gebruiken we twee dingen:

• Je voorafkennis (Priors): Dit is je ervaring. Een schaker kent patronen ("dat is een gevaarlijke opening") en een wiskundige kent technieken. Het is als een kompas dat je vertelt welke kant je op moet.
• Het zoeken (Local Search): Dit is het daadwerkelijke rekenen of proberen. Je kijkt: "Als ik hierheen ga, wat gebeurt er dan?"

In schaken werkt dit perfect. Een computer (zoals AlphaGo) heeft een enorm kompas en kan miljarden zetten vooruitrekenen. Hij hoeft geen nieuwe regels te bedenken; hij gebruikt alleen zijn ervaring om de beste zetten te kiezen.

2. Het probleem: Soms is je kompas niet genoeg

In wiskunde is het bos echter veel groter en complexer. Soms loop je vast in een doodlopende weg, ongeacht hoe goed je kompas is.

Het voorbeeld van het kapotte schaakbord:
Stel je hebt een schaakbord waar twee hoekjes zijn afgezaagd. Kun je de rest bedekken met dominostenen?

• De oude manier: Je probeert dominostenen te leggen. Als het niet lukt, probeer je een andere plek. Je blijft maar proberen, maar je komt er niet uit. Je "woordenboek" (domino's leggen) is te beperkt.
• De nieuwe manier: Een wiskundige bedenkt plotseling een nieuw concept: kleuren. Als je het bord zwart-wit kleurt, zie je dat de twee verwijderde hoekjes dezelfde kleur hebben. Elke domino dekt altijd één zwart en één wit vakje. Omdat er nu een oneven aantal vakjes van de ene kleur is, is het onmogelijk.

De les: De wiskundige heeft niet beter gezocht; hij heeft een nieuw woord (kleuren) bedacht dat de hele situatie veranderde. In schaken hoef je zoiets nooit te doen; in wiskunde is het vaak noodzakelijk.

3. Wat is een "concept"?

Het artikel zegt dat een goed concept twee dingen doet:

1. Het maakt het zoeken sneller: In plaats van 1000 dominostenen te proberen, tel je in één seconde de kleuren.
2. Het opent nieuwe deuren: Door het concept "graaf" (punten en lijnen) te bedenken, kon de wiskundige Euler niet alleen de bruggen van Königsberg oplossen, maar ook later vragen beantwoorden over netwerken, sociale media en zelfs Google's zoekalgoritme.

Een goed concept is als het uitvinden van de Arabische cijfers (1, 2, 3...) in plaats van Romeinse cijfers (I, V, X...). Met Romeinse cijfers is vermenigvuldigen een nachtmerrie; met onze huidige cijfers is het iets dat een kind kan leren. Het is een nieuw gereedschap dat de hele wereld veranderde.

4. Mensen vs. Computers: De grote verschillen

Hier wordt het interessant voor de toekomst:

• Computers (AI): Ze zijn supersterk in het zoeken binnen een bestaand systeem. Ze kunnen miljarden berekeningen per seconde doen. Maar ze hebben moeite om nieuwe woorden of nieuwe concepten te bedenken. Ze zijn als een schaker die elke zet kan berekenen, maar niet kan bedenken dat je het spelbord zelf kunt veranderen.
• Mensen: We zijn slecht in rekenen. Ons geheugen is klein en we worden snel moe. Daarom zijn we verslaafd aan concepten. We bedenken slimme afkortingen en nieuwe theorieën zodat we niet hoeven te rekenen, maar alleen hoeven te begrijpen.

Het dilemma:
Stel een computer lost het beroemde "Riemann-hypothese"-raadsel op. Hij levert een bewijs van 10.000 pagina's dat technisch perfect is. Maar als je het leest, begrijp je niet waarom het waar is. Het is als een recept dat perfect werkt, maar waar je geen idee hebt van de ingrediënten.

• Is dat nog steeds wiskunde?
• Als het doel is om te weten wat waar is: Ja.
• Als het doel is om te begrijpen en nieuwe ideeën te krijgen: Misschien niet.

5. De toekomst: Twee mogelijke werelden

De schrijver ziet twee paden voor de toekomst:

1. De Vertalers: Computers die niet alleen de antwoorden vinden, maar ook uitleggen hoe ze erop kwamen. Ze vertalen hun complexe berekeningen naar mooie, menselijke concepten die we kunnen begrijpen.
2. De Splitsing: Computers doen de zware, saaie bewijzen voor ons (voor de industrie en technologie), en mensen doen wiskunde als een spel. Net zoals we nu nog steeds schaken met vrienden, ook al kunnen computers ons verslaan, doen mensen wiskunde voor het plezier van het begrijpen en het sociale contact.

Conclusie:
Wiskunde is niet alleen het vinden van het juiste antwoord. Het is het vinden van de juiste woorden om de wereld te beschrijven. Computers zijn geweldige zoekers, maar mensen zijn de dromers die de nieuwe kaarten tekenen. De toekomst van wiskunde hangt af van hoe we samenwerken: de kracht van de machine met de creativiteit van de mens.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "On the Mechanical Creation of Mathematical Concepts" van Asvin G., in het Nederlands.

Probleemstelling

Het artikel adresseert de fundamentele vraag in hoeverre kunstmatige intelligentie (AI) het proces van wiskundige ontdekking volledig kan automatiseren. Hoewel de 20e eeuw werd gekenmerkt door de automatisering van het verifiëren van bewijzen (via formalisatie en computertbewijzen), zien we in de 21e eeuw een verschuiving naar het automatiseren van het ontdekken van bewijzen.

Het kernprobleem is dat bestaande AI-systemen (zoals AlphaGo en Large Language Models) uitstekend zijn in het uitvoeren van lokale zoekopdrachten binnen een vast vocabulaire (priors), maar moeite hebben met de creatie van nieuwe concepten die nodig zijn om complexe problemen op te lossen. In tegenstelling tot spelletjes zoals schaak of Go, waar het bestaande vocabulaire en de regels voldoende zijn, vereist wiskunde vaak dat de solver tijdens het oplossen van een specifiek probleem een nieuw taalgebruik of nieuwe concepten creëert (bijvoorbeeld het invoeren van "kleuring" bij het beschadigde schaakbordprobleem of "graaftheorie" bij de bruggen van Königsberg). De vraag is of AI-systemen dit vermogen tot expliciete conceptcreatie kunnen ontwikkelen.

Methodologie

De auteur presenteert een theoretisch raamwerk om wiskundig probleemoplossen te analyseren, gebaseerd op drie elementen:

1. Priors: Voorkennis en heuristieken die de zoekruimte inperken.
2. Lokale zoekopdracht (Local Search): Het berekenen van specifieke stappen binnen een gegeven probleem.
3. Informatie-extractie en updates: Het proces waarbij de solver informatie uit de zoekresultaten haalt om het begrip (en de priors) bij te werken.

De auteur onderscheidt twee vormen van concepten binnen dit raamwerk:

• Impliciete concepten: Veranderen de prioriteit van bestaande stappen (zoals het "snijden" van de zoekboom) zonder de taal zelf te veranderen. Dit is voldoende voor spelletjes zoals Go (zoals AlphaGo).
• Expliciete concepten: Veranderen de taal zelf door nieuwe primitieven of bewegingen in te voeren die eerder niet beschikbaar waren. Dit is essentieel voor wiskundige doorbraken (bijv. Euler's graaftheorie).

Het artikel analyseert historische voorbeelden (Königsberg, beschadigd schaakbord, priemgetallen) en vergelijkt het menselijke proces van "belief-updating" (Bayesiaanse updates van geloof in conjectures) met de huidige AI-architecturen. De auteur betoogt dat wiskunde experimenteel van aard is: men voert berekeningen uit, observeert uitkomsten, en past het theoretisch kader aan.

Belangrijkste Bijdragen

1. Het onderscheid tussen Impliciete en Expliciete Conceptcreatie:
   De paper definieert wiskundige vooruitgang niet alleen als het vinden van een oplossing, maar als het reshaping van de zoekruimte door nieuwe concepten te introduceren. Impliciete concepten (priors) zijn effectief voor domains met een vast vocabulaire, maar expliciete concepten zijn noodzakelijk wanneer het probleem niet oplosbaar is binnen de huidige taal.

2. Een Kwalificatie voor "Goede" Concepten:
   De auteur stelt vijf eigenschappen voor die bepalen of een concept waardevol is voor de zoekruimte:

   • Informatiedichtheid: Eén stap in de nieuwe taal levert meer informatie op dan vele stappen in de oude.
   • Breedte: Het concept werkt voor een hele familie van problemen, niet slechts één.
   • Decomposeerbaarheid: Het breekt complexe problemen op in controleerbare sub-problemen.
   • Generativiteit: Het opent nieuwe vragen die in de oude taal niet gesteld konden worden (bijv. de vraag naar het aantal kanten in een graaf).
   • Transfer: Het onthult structurele overeenkomsten tussen ogenschijnlijk verschillende domeinen (bijv. de connectie tussen combinatoriek en topologie via Euler's formule).

3. Kritiek op Huidige AI-Paradigma's:
   De paper stelt dat het dominante Reinforcement Learning (RL) paradigma zich richt op het leren van impliciete concepten (priors) via beloningen. Voor complexe wiskundige problemen is echter "expliciet leren" nodig: het extraheren van benoemde patronen uit zoekresultaten en het creëren van nieuw vocabulaire.

4. De Mens-Machine Trade-off:
   Mensen zijn beperkt in rekenkracht en daarom afhankelijk van zware conceptuele scaffolding om zoekruimtes beheersbaar te maken. AI-systemen hebben echter enorme rekenkracht en kunnen oplossingen vinden door brute kracht of complexe zoekstrategieën zonder dat deze conceptueel begrijpelijk zijn voor mensen. Dit leidt tot een fundamenteel verschil in wat een "bewijs" voor hen betekent.

Resultaten en Observaties

• Beperking van Huidige AI: Systemen zoals AlphaProof en LLMs opereren binnen een vast raamwerk tijdens een enkele sessie. Ze kunnen zoeken en verifiëren, maar ze creëren geen nieuwe axioma's of definities tijdens het oplossen van een enkel probleem op de manier waarop Euler dat deed.
• De Rol van Conceptcreatie: De grootste sprongen in de wiskundige geschiedenis (zoals de invoering van complexe getallen, coördinaten of de zeta-functie) kwamen voort uit het veranderen van de taal, niet uit het optimaliseren van zoekstrategieën binnen de oude taal.
• De "Black Box" van Bewijzen: AI kan mogelijk bewijzen genereren die correct zijn maar voor mensen onbegrijpelijk zijn (zoals het vierkleurenprobleem bewijs). Als het doel van wiskunde het bouwen van begrip is, dan mist een puur computationeel bewijs iets essentieels.

Significantie en Toekomstvisie

Het artikel is significant omdat het de discussie over AI en wiskunde verlegt van "kan een machine een bewijs vinden?" naar "kan een machine een nieuw concept creëren dat de manier waarop we wiskunde doen fundamenteel verandert?".

De auteur schetst twee mogelijke toekomstscenario's:

1. Explainable AI: Machines die niet alleen theorema's bewijzen, maar deze ook kunnen "uitleggen" door patronen te extraheren die voor mensen betekenisvol zijn. Dit vereist dat AI menselijk begrip en intuïtie nabootst.
2. Bifurcatie van Wiskunde: Een splitsing waarbij machines de zware, computationele theorema's voor toepassingen bewijzen, terwijl mensen wiskunde blijven bedrijven als een "spel" of creatieve activiteit gericht op begrip en samenwerking, vergelijkbaar met hoe mensen vandaag de dag nog steeds schaken spelen ondanks superieure engines.

De conclusie is dat de toekomst van wiskunde niet alleen een technische uitdaging is, maar een keuze over wat we waarderen: puur waarheid en correctheid, of begrip en conceptuele innovatie. De auteur pleit voor het ontwikkelen van systemen die in staat zijn tot expliciete conceptcreatie, omdat dit de enige weg is om de complexiteit van diepe wiskundige problemen echt te doorgronden.