Widerlegung der Unit-Distance-Vermutung durch OpenAI
Ein internes Reasoning-Modell von OpenAI hat die Unit-Distance-Vermutung, die vom ungarischen Mathematiker Paul Erdős aufgestellt wurde, widerlegt. Dies berichtet OpenAI und veröffentlicht gleichzeitig ein Begleitpapier, das von neun externen Mathematikern verfasst wurde, die den Beweis nachvollzogen, zusammengefasst und kommentiert haben.
Die Fragestellung ist relativ einfach formuliert: Es geht darum, eine bestimmte Anzahl von Punkten auf einem Blatt Papier zu platzieren. Die zentrale Frage lautet, wie viele Punktpaare dabei maximal genau einen Zentimeter voneinander entfernt sein können. Erdős vermutete bereits 1946, dass eine einfache Anordnung in einem leicht verzerrten Quadratraster nahezu optimal sei. Diese Vermutung führte zu einer Zahl von Paaren, die nur geringfügig schneller wächst als die Anzahl der Punkte selbst. Um diese Annahme zu widerlegen, hatte Erdős laut dem Mathematiker Thomas Bloom eine Belohnung von 500 US-Dollar ausgesetzt. Das Problem gilt als eines der bekanntesten und am leichtesten verständlichen in der kombinatorischen Geometrie, wie im Standardwerk „Research Problems in Discrete Geometry“ vermerkt ist.
Neue Erkenntnisse nach acht Jahrzehnten
Das OpenAI-Modell hat eine neuartige Anordnung von Punkten entwickelt, die signifikant mehr Paare mit einem Abstand von einem Zentimeter erzeugt als das traditionelle Quadratraster. Will Sawin von der Princeton University schätzt den Vorteil auf etwa ein Prozent zusätzliche Paare pro Verdopplung der Punktanzahl. Obwohl dies zunächst gering erscheint, ist es im Kontext des Problems von großer Bedeutung, da Erdős‘ Vermutung besagte, dass ein solcher Zuwachs nahezu unmöglich sei. Dennoch ist das Problem damit nicht vollständig gelöst: Eine theoretische Obergrenze, die seit 1984 bekannt ist, liegt weiterhin deutlich über den Ergebnissen der neuen Konstruktion. Diese Entwicklungen stehen im Einklang mit den Erkenntnissen, dass KI-Modelle menschliche Unterstützung benötigen, um komplexe Probleme zu lösen.
Zusätzlich zeigt die Forschung, dass neue Trainingsdatensätze entscheidend sind, um die Leistung von KI-Systemen zu verbessern. In diesem Zusammenhang ist es auch interessant, wie virtuelle Agenten Akrobatik lernen, was die Möglichkeiten der KI weiter erweitert.
„`
Quellen: the-decoder
Bildquelle: KI generiert
