AI-Forschungsskandale: OpenAIs Navier-Stokes und Anthropics Enzym-Nachweis entfachen Prioritätsstreitigkeiten mit Wissenschaftlern

Am 8. September sagte OpenAI, ein internes Modell habe einen Beweis dafür produziert, dass die dreidimensionalen Navier-Stokes-Gleichungen unter glatter externer Zwang eine Endzeit-Singularität entwickeln können.Am 23. September sagte Anthropic, dass ungefähr 950 Claude-Agenten ein zuvor uncharakterisiertes Enzymsystem - array-associated reverse transcriptases oder ARTs - in Viren identifiziert hatten, die Bakterien infizieren.

Tristan Buckmaster, ein Mathematiker an der New York University, hatte ungefähr ein Jahr mit Levent Alpöge, einem Anthropic Mathematiker, verbracht, um ein verwandtes Flüssigkeitsdynamik-Programm auf das gleiche Preisproblem zu schieben. Mario Rodríguez Mestre, ein PhD-Kandidat für Computational Biology an der Universität Kopenhagen, sagt, dass seine Gruppe die Enzyme Anthropic namens ARTs seit 2022 studiert hat und sie "Jumbotrons" nennt.

Kein Forscher hat Beweise dafür produziert, dass ein Unternehmen bestimmte Entwürfe oder Gespräche liest.Die Streitigkeiten sind über Priorität und Herkunft und darüber, was "unabhängige Entdeckung" sogar bedeuten kann, wenn das Werkzeug und der Wettbewerber die gleiche Organisation sind.

Ein Beweis, ein Preis und ein Telefonat

Die Navier-Stokes-Gleichungen beschreiben, wie sich Flüssigkeiten bewegen, und seit der Gründungsarbeit von Jean Leray im Jahr 1934 haben Mathematiker gefragt, ob ursprünglich glatter dreidimensionaler Fluss in endlicher Zeit bis zu unendlicher Geschwindigkeit explodieren kann. Das Clay Mathematics Institute legte im Jahr 2000 einen Preis von 1 Million US-Dollar auf die Frage.

Die Methode war die Geschichte an sich. OpenAI sagte, dass etwa 10.000 gleichzeitige Agenten für ungefähr 88 Stunden arbeiteten und ungefähr 130 Milliarden Output-Token erzeugten, und dass ein separater Pass mit GPT-6 Astra 17 Stunden damit verbrachte, das Argument im Lean-Proof-Assistent zu überprüfen.Eine externe Schätzung, von der University of Michigan Ingenieur Karthik Duraisamy, stellte vergleichbare Computing bei etwa 6 Millionen US-Dollar zu Einzelhandelskursen - mehrmals der Preis OpenAI sagt, dass es nicht beanspruchen wird.

Er und Alpöge, die als eine persönliche Zusammenarbeit ohne institutionelle Unterstützung arbeiteten, hatten am 15. August das getan, was Buckmaster als „echten Fortschritt“ bezeichnete, und verifizierten es in Lean am 22. August mit einem Nischenansatz, der auf der Arbeit von Diego Córdoba und Luis Martínez-Zoroa gebaut wurde. Sie veröffentlichten ihre Prämints, mit Lean-Formalisierungen, am 7. September – dem Tag vor der Ankündigung von OpenAI – und deckten die unkomprimierbare poröse Mediengleichung, das zweidimensionale Boussinesq-System und die dreidimensionale Euler-Gleichung ab, mit einem vierten Ergebnis auf hypo-dissipativen Navier-Stokes, der seine Lean-Checklaufzeit zurückhielt. Am 3. September schick

OpenAI leugnet diesen Account. Bubeck nannte die Behauptungen „falsch und entzündlich“ und beschrieb später eine Bemerkung als „schlechte Wörterwahl“. Chief Research Officer Mark Chen sagte, dass keine Person oder Agent die Benutzerdaten durchsucht habe, um das Problem zu lösen. Die eigene Aussage des Unternehmens enthält den Satz, der das Argument am Leben hält: Obwohl unwahrscheinlich, kann es „nicht ausschließen, dass de-identifizierte Daten, die aus ihrer Verwendung unserer Produkte stammen, unsere Modelle verbessert haben.“ Terence Tao, der auf Mastodon schreibt, nannte die Buckmaster-Alpöge-Arbeit „eine bemerkenswerte Leistung“ und sagte, er sah kein grundlegendes Hindernis für die Erweiterung ihres Ansatz

Das Enzym behauptet, und ein vierjähriger Kopf beginnt

Anthropics Vorabdruck vom 23. September beschrieb eine Suche, die mit einem einzigen High-Level-Prompt begann: Finden Sie ungewöhnliche Umkehrtranscriptasen - Enzyme, die RNA in DNA kopieren - in einer Datenbank von ungefähr 1,9 Milliarden Proteingruppen. Rund 950 Agenten laufen für ungefähr 21 Stunden und verbrauchen ungefähr 210 Millionen Token. Der Swarm sammelte mehr als 200.000 Umkehrtranscriptasen, schrumpfte sie auf ungefähr 3.500 Kandidaten-Systeme und sandte etwa 20 der vielversprechendsten für die menschliche Überprüfung. Ein Agent markierte eine Umkehrtranscriptase neben einer langen Reihe von gleichmäßig gespaltenen DNA-Wiederholungen in Jumbo-Phagen, einer Struktur, die die Verwendung von CRIS

Was ART tut, ist unbekannt. Die Aktivität des Enzyms wurde nicht demonstriert, und weder die Rolle des Partnerproteins noch jede Gene-Editing-Funktion wurde gezeigt. Anthropic selbst sagte, dass die zugrunde liegende umgekehrte Transkription in früheren Studien einer Jumbo-Phage aufgetreten war; seine Behauptung ist, dass Claude als erster den wiederholten Array und ein benachbarten Protein als ein System erkannte. Eine Neuanalyse der veröffentlichten Daten aus einer Staphylococcus lentus-Phage-Infektion zeigte, dass die Transkripte des Arrays bis zu 8% der Phage-RNA 15 Minuten nach der Infektion ausmachten - Beweise für Aktivität, nicht für Funktion. Feng Zhang, ein CRISPR-Pionier am

Dann sprach der Meister. „Er sagte:Die New York TimesSeine Kopenhagen-Gruppe hatte die gleichen Enzyme seit 2022 studiert und hatte Entwürfe und Dissertationsmaterialien mit Claude über drei Jahre der Verwendung geteilt. Er ist ein Co-Erfinder auf einem 2023 ReNegade Therapeutics-Patent, das verwandte umgekehrte Transkripten abdeckt. „Die wichtigste Frage ist nicht ‚Waren ARTs bereits bekannt?‘ Sie waren es“, sagte er. Die Frage, fügte er hinzu, ist, ob Claude seinen Weg zum Ergebnis begründet hat oder teilweise von seiner eigenen Arbeit geleitet wurde. Anthropic antwortete, dass Claude „nicht auf irgendwelchen Benutzer-Transkripten geschult wurde“ und dass sein Molekularbiologie-Team keinen solchen Zugang hat, und sagte, er sei sich der zuvor veröffentlichten Arbeit, die das

Was die Wiederholungen verändert haben

Mathematiker hatten jetzt etwa sechs Wochen mit dem OpenAI-Papier, und das Bild verlagerte sich.Amerikanischer WissenschaftlerAm 13. Oktober schlossen mehrere Gruppen, die den Beweis durchlaufen, dass es schließlich nicht dem Córdoba-Martínez-Zoroa-Programm folgt, das Buckmaster und Alpöge verfolgt haben. Gonzalo Cao-Labora, ein Mathematiker der EPFL in Lausanne, sagte es klar: „Wenn Sie in die Details gehen, ist es ein anderer Ansatz.“ Die Ähnlichkeit, die den Kampf auslöste, kann oberflächlich sein.

Das löst nicht die Frage der Herkunft, es bewegt es. Das Ergebnis hängt immer noch von einer unphysischen, fein angepassten Kraft ab, die die Flüssigkeit in einen Blitz bewegt, weshalb das nicht gezwungene Problem offen bleibt. Auf der Verifizierungsseite tauchte eine separate Sorge auf: Eine Oktober-Audit von Forschern, darunter Alexander Bastounis, argumentierte, dass das Lean-Repository von OpenAI nicht treu mit dem geschriebenen Manuskript übereinstimmt, wobei ein Derivative-Unvereinbarkeit in Lemma 8.6 und eine andere Ungleichheit in einem Einzigartigkeitsargument zitiert wurde. Camillo De Lellis vom Institute for Advanced Study sagte Scientific American: „Ich sehe ehrlich gesagt keine faktische Lösung

Das Feld antwortet zurück

Am 11. September veröffentlichten 25 Fields Medalists einen offenen Brief mit dem Titel „A Severe Misalignment of AI in Mathematics“, in dem sie argumentierten, dass die Ziele von KI-Unternehmen und der mathematischen Gemeinschaft „sehr misaligned“ sind und dass berühmte Probleme als Modellbenchmarks „die Wissenschaft der Mathematik beeinträchtigen“. Hugo Duminil-Copin’s Image – jemanden auf dem Gipfel des Everest in die Luft zu werfen, ist nicht dasselbe wie es zu klettern – nahm den Widerspruch auf. Der schärfste Punkt des Briefes war, dass die wertvollsten Ressourcen des Berufs Studenten und Ideen sind. OpenAI antwortete, indem sie eine unabhängige Beratungsgruppe für Mathematik und KI einberief, die am Institute for

Die Französische Mathematische Gesellschaft hat eine Erklärung herausgegeben, in der sie das, was sie bibliographische Plünderung und Energiekosten nennt, zusammen mit "Gerüchten über Zwang" markiert.Ein 16. September-Editorial in Nature forderte KI-Unternehmen und die wissenschaftliche Gemeinschaft auf, sich auf zuverlässige, transparente Wege zur Anerkennung von Beiträgen zu einigen.Die Naturam 7. Oktober: Sandra Laurentino von der Universität Münster nennt nun Variablen um, bevor sie Code in ein Modell einfügen, und Samuel Mehr von der Universität Auckland schrieb eine Laborpolitik, die Studenten verbietet, geschütztes Material in kommerzielle Werkzeuge hochzuladen.Willkommen, eine Erklärung der UK Research Funders Policy Group unterzeichnet, verbietet Bewertern, vertrauliche Förderanträge in generative AI einzufügen, und berichtete im Juni, dass etwa ein Viertel der Bewerber für seine frühen Karrierepreise mit generativer KI veröffentlicht wurden.

Was das für Ihr Labor bedeutet

In fünf Wochen sagten zwei Forscher, dass das angekündigte Ergebnis eines Unternehmens wie eine Arbeit aussah, die sie bereits mit dem Werkzeug dieses Unternehmens geteilt hatten; in keinem Fall hat jemand gezeigt, dass ein bestimmtes Gespräch oder Entwurf gelesen oder direkt verwendet wurde.

Diese Asymmetrie – man kann nicht beweisen, was innerhalb des Modells passiert ist, und der Verkäufer kann den indirekten Einfluss nicht vollständig widerlegen – ist das, was dieNeue Standards der HerkunftEs ist auch der Grund, warum die Zeitungen ihreGenerative-AI-Politiken für Peer ReviewFür ein Arbeitslabor sind die praktischen Schritte weniger dramatisch als die Schlagzeilen. Eine Postdoc, mit der ich arbeite - rufe sie Dr. R - hörte auf, unveröffentlichte Zahlen in ein Konsumenten-Chatfenster zu fügen, in der Woche, in der der Kopenhagen-Streit gebrochen wurde.

• Verwenden Sie Enterprise- oder API-Ebenen, die Inputs im Allgemeinen standardmäßig aus dem Training ausschließen, und bestätigen Sie dies schriftlich.
• Überprüfen Sie, ob ein Opt-Out eine Feedback-Ausnahme hat, die immer noch ein Gespräch in das Training leiten kann.
• Halten Sie lokale Aufzeichnungen über Anrufe, hochgeladene Dateien, Modellversionen und Ausgaben - die Auditspur, die die Dashboards Ihnen nicht geben.
• Umbenennen von Variablen und Streifenidentifikatoren, bevor etwas ein Modell berührt, wie Laurentino tut.

Ein nächster Schritt

Bevor Sie Ihren nächsten Förderzyklus oder die Einreichung von Handschriften einreichen, setzen Sie sich mit den KI-Konten Ihres Labors nieder und erhalten Sie vier Antworten schriftlich: Ob Inputs Train Modelle haben, ob das Opt-out eine Feedback-Ausnahme hat, wie lange die Aufforderung beibehalten wird und wer innerhalb des Anbieters gespeicherte Gespräche überprüfen kann.

Photo by Brecht Corbeel on Unsplash