La recherche en IA et le problème de la priorité : les affirmations d'OpenAI sur Navier-Stokes et d'Anthropic sur Enzyme suscitent des contestations d

Le 8 septembre, OpenAI a déclaré qu'un modèle interne avait produit une preuve que les équations tridimensionnelles Navier-Stokes peuvent développer une singularité de temps fini sous une contrainte externe lisse.Le 23 septembre, Anthropic a déclaré qu'environ 950 agents Claude avaient identifié un système d'enzyme auparavant non caractérisé - des transcriptases inverses associées à l'échelle, ou ARTs - dans des virus qui infectent des bactéries.

Tristan Buckmaster, un mathématicien de l'Université de New York, avait passé environ un an avec Levent Alpöge, un mathématicien anthropique, poussant un programme de fluidodynamique connexe vers le même problème de prix. Mario Rodríguez Mestre, un doctorant en biologie informatique à l'Université de Copenhague, dit que son groupe a étudié les mêmes enzymes Anthropic appelées ARTs depuis 2022, les appelant "jumbotrons".

Aucun chercheur n’a produit de preuves qu’une entreprise lit des projets ou des conversations spécifiques.Les disputes concernent la priorité et la provenance, et ce que la « découverte indépendante » peut même signifier lorsque l’outil et le concurrent sont la même organisation.

Une preuve, un prix et un appel téléphonique

Les équations Navier-Stokes décrivent comment les fluides se déplacent, et depuis le travail fondateur de Jean Leray en 1934, les mathématiciens ont demandé si un flux tridimensionnel initialement lisse peut exploser à une vitesse infinie dans le temps fini.L'institut de mathématiques de l'argile a mis un prix de 1 million de dollars sur la question en 2000.Le résultat d'OpenAI est plus étroit que les premières titres suggérés: la société a prouvé une explosion dans le temps fini pour la variante forcée du problème - déclarations de l'argile C et D - où une force extérieure lisse est autorisée à agiter le fluide.Les équations physiques non forcées, déclarations A et B, restent ouvertes.

La méthode était l'histoire en elle-même. OpenAI a déclaré qu'environ 10 000 agents simultanés ont travaillé pendant environ 88 heures et ont généré environ 130 milliards de jetons de sortie, et qu'un passage séparé avec GPT-6 Astra a passé 17 heures à vérifier l'argument dans l'assistant de preuve Lean. Une estimation extérieure, de l'ingénieur de l'Université du Michigan Karthik Duraisamy, a mis le calcul comparable à environ 6 millions de dollars US au détail - plusieurs fois le prix OpenAI dit qu'il ne réclamera pas.

Il et Alpöge, travaillant comme une collaboration personnelle sans soutien institutionnel, avaient fait ce que Buckmaster appelait « progrès réel » le 15 août et l’avaient vérifié en Lean le 22 août, en utilisant une approche de niche construite sur le travail de Diego Córdoba et Luis Martínez-Zoroa. Ils ont posté leurs prénoms, avec des formalisations Lean, le 7 septembre – le jour précédant l’annonce d’OpenAI – couvrant l’équation médiatique poreuse incompréhensible, le système de Boussinesq bidimensionnel et les équations d’Euler tridimensionnelles, avec un quatrième résultat sur l’hypo-dissipation de Navier–Stokes. Ils ont tenu leurs prénoms

Bubeck a qualifié les allégations de «fausses et inflammatoires» et décrit plus tard une remarque comme «une mauvaise sélection de mots». Chief research officer Mark Chen a déclaré qu’aucune personne ou agent n’a recherché les données des utilisateurs pour résoudre le problème.La déclaration de la société contient la phrase qui maintient l’argument vivant: bien que peu probable, il «ne peut exclure que les données désidentifiées dérivées de leur utilisation de nos produits aient contribué à améliorer nos modèles.»Terence Tao, écrivant sur Mastodon, a appelé le travail Buckmaster-Alpöge «une réalisation remarquable» et a déclaré qu’il ne voyait aucun obstacle fondamental à étendre leur approche vers le problème complet

L'enzyme revendique, et une tête de quatre ans commence

La pré-impression d’Anthropic du 23 septembre a décrit une recherche qui a commencé avec une simple demande de haut niveau : trouver des transcriptases inverse inhabituelles – enzymes qui copient l’ARN en ADN – dans une base de données d’environ 1,9 milliard de clusters de protéines. Environ 950 agents ont couru pendant environ 21 heures et consommé environ 210 millions de jetons. Le swarm a recueilli plus de 200.000 transcriptases inverse, les a rétréci à environ 3500 systèmes candidats, et a envoyé environ 20 des plus prometteurs pour l’examen humain.

Ce que fait ART est inconnu. L'activité de l'enzyme n'a pas été démontrée, et ni le rôle de la protéine partenaire ni aucune fonction d'édition des gènes n'a été montré. Anthropic lui-même a déclaré que la transcription inverse sous-jacente était apparue dans les études antérieures d'un phage jumbo; sa revendication est que Claude a été le premier à reconnaître l'échelle répétée et une protéine voisine en tant que système. Une réanalyse des données publiées d'une infection à phage de Staphylococcus lentus a montré que les transcriptions de l'échelle comprenaient autant que 8% de l'ARN phage 15 minutes après l'infection - preuve d'activité, pas

Puis le maître a parlé, il a ditLe New York Timesson groupe de Copenhague avait étudié les mêmes enzymes depuis 2022 et avait partagé des projets et du matériel de thèse avec Claude au cours de trois ans d'utilisation. Il est un co-inventeur sur un brevet 2023 ReNegade Therapeutics couvrant les transcriptions inverses connexes. "La question la plus importante n'est pas 'Etaient les ARTs déjà connus?' Ils étaient ", a-t-il dit. La question, a-t-il ajouté, est de savoir si Claude a raisonné son chemin vers le résultat ou s'est guidé en partie par son propre travail. Anthropic a répondu que Claude "n'avait pas été formé sur les transcriptions des utilisateurs" et que son équipe de biologie moléculaire n'avait pas un tel accès, et a dit qu'il n'était

Ce que les lectures ont changé

Les mathématiciens ont maintenant environ six semaines avec le papier OpenAI, et le tableau a changé.Scientifique américainLe 13 octobre, plusieurs groupes travaillant à travers la preuve ont conclu qu'il ne suit pas, après tout, le programme Córdoba-Martínez-Zoroa que Buckmaster et Alpöge ont poursuivi. Gonzalo Cao-Labora, un mathématicien de l'EPFL à Lausanne, l'a dit clairement: "Quand vous allez aux détails, c'est une approche différente."

Cela ne résout pas la question de la provenance; il la déplace. Le résultat dépend toujours d'une force anaphysique, finement ajustée qui agite le fluide dans une explosion, ce qui explique pourquoi le problème non forcé reste ouvert. Une préoccupation distincte est apparue du côté de la vérification: un audit d'octobre publié par des chercheurs, y compris Alexander Bastounis, a affirmé que le dépôt Lean d'OpenAI ne correspond pas fidèlement au manuscrit écrit, citant un défaut dérivé dans Lemma 8.6 et une inégalité différente dans un argument d'unité. Camillo De Lellis de l'Institut pour l'étude avancée a déclaré à Scientific American: "Je ne vois pas honnêtement une résolution factuelle

Le champ répond à

Le 11 septembre, 25 Fields Medalists a publié une lettre ouverte, « A Severe Misalignment of AI in Mathematics », affirmant que les objectifs des sociétés d’IA et de la communauté mathématique sont « sérieusement désalignés », et que se précipiter sur des problèmes célèbres en tant que référentiels de modèle est « dommageable pour la science des mathématiques ». L’image d’Hugo Duminil-Copin – laisser tomber quelqu’un sur le sommet de l’Everest n’est pas la même chose que de l’escalader – a capturé l’objection. Le point le plus aigu de la lettre était que les ressources les plus précieuses de la profession sont les étudiants et les idées. OpenAI a répondu en convoquant un

La préoccupation s’est étendue au-delà des mathématiques.La Société mathématique française a publié une déclaration marquant ce qu’elle appelle le pillage bibliographique et les coûts énergétiques, ainsi que les « rumeurs de coercition ».Un éditorial du 16 septembre dans Nature a exhorté les entreprises de l’IA et la communauté scientifique à s’entendre sur des moyens fiables et transparents de reconnaître les contributions.natureSandra Laurentino de l'Université de Münster renomme maintenant les variables avant de coller le code dans un modèle, et Samuel Mehr de l'Université d'Auckland a écrit une politique de laboratoire interdisant aux étudiants de télécharger du matériel protégé sur des outils commerciaux.Bienvenue, une déclaration signataire du Groupe de politique des fondateurs de recherche du Royaume-Uni, interdit aux critiques d'introduire des demandes de subvention confidentielles dans l'IA générative, et a rapporté en juin qu'environ un quart des candidats à ses prix de carrière précoces ont été divulgués en utilisant l'IA générative.

Ce que cela signifie pour votre laboratoire

Dans cinq semaines, deux chercheurs ont déclaré que le résultat annoncé d'une entreprise ressemblait à un travail qu'ils avaient déjà partagé avec l'outil de cette entreprise; dans aucun cas, personne n'a montré qu'une conversation ou un projet spécifique avait été lu ou utilisé directement.L'exception est ce que les entreprises se reconnaissent elles-mêmes: OpenAI dit qu'il ne peut pas exclure que l'utilisation désidentifiée ait aidé à améliorer ses modèles, et la note d'Anthropic montre que l'agent swarm a manqué la répétition en dix répétitions.

Cette asymétrie – vous ne pouvez pas prouver ce qui s’est passé à l’intérieur du modèle, et le vendeur ne peut pas complètement réfuter l’influence indirecte – est ce quiNouvelles normes de provenanceC’est aussi la raison pour laquelle les journaux continuent de s’enrichir.Politiques générative-AI pour la revue par les pairsPour un laboratoire de travail, les étapes pratiques sont moins dramatiques que les titres. Une postdoc avec laquelle je travaille - appelle-la Dr. R - a arrêté de coller des chiffres non publiés dans une fenêtre de discussion des consommateurs la semaine où le litige de Copenhague a éclaté.

• Utilisez des niveaux d'entreprise ou d'API, qui excluent généralement les entrées de la formation par défaut, et confirmez cela par écrit.
• Vérifiez si un opt-out a une exception de rétroaction qui peut toujours diriger une conversation vers la formation.
• Gardez des enregistrements locaux des prompts, des fichiers téléchargés, des versions de modèle et des sorties - la piste d'audit que les tableaux de bord ne vous donnent pas.
• Renommez les variables et les identifiants de bande avant que quelque chose ne touche un modèle, comme le fait Laurentino.

Une prochaine étape

Avant votre prochain cycle de subvention ou de soumission de manuscrit, asseyez-vous avec les comptes d'IA de votre laboratoire et obtenez quatre réponses par écrit: si les modèles d'entrée de train, si l'opt-out a une exception de rétroaction, combien de temps les prompts sont conservés et qui à l'intérieur du fournisseur peut examiner les conversations stockées.

Photo by Brecht Corbeel on Unsplash