AI แก้โจทย์คณิตศาสตร์ได้เร็วขึ้น แต่คำถามใหม่คือ ใครยัง “เข้าใจ” คำตอบนั้นอยู่?

เมื่อ AI ทำโจทย์เลขระดับมัธยมได้ คนถามว่าเด็กจะยังต้องเรียนคณิตศาสตร์ไหม

เมื่อ AI เริ่มทำโจทย์โอลิมปิกได้ คนถามว่ามันเก่งกว่ามนุษย์หรือยัง

แต่เมื่อ AI เริ่มเข้าไปแตะโจทย์ที่นักคณิตศาสตร์ระดับโลกติดกันมาหลายสิบปี คำถามกลับเปลี่ยนไปอีกครั้ง

ไม่ใช่แค่ว่า

“AI แก้ได้หรือเปล่า?”

แต่เป็น

“ถ้ามันได้คำตอบที่ถูก แล้วมนุษย์ยังไม่เข้าใจว่าคำตอบนั้นสอนอะไรเรา — เราได้ความรู้ใหม่แล้วจริงหรือยัง?”

คำถามนี้ไม่ใช่ปรัชญาลอย ๆ อีกต่อไป

เมื่อไม่นานมานี้ OpenAI ประกาศว่าระบบ AI ภายในของบริษัทสามารถสร้าง proof สำหรับปัญหา Navier–Stokes existence and smoothness ซึ่งเป็นหนึ่งในเจ็ด Millennium Prize Problems พร้อม formalize proof ในระบบ Lean เพื่อให้คอมพิวเตอร์ช่วยตรวจสอบทางตรรกะได้

ฟังดูเหมือนข่าวความก้าวหน้าครั้งใหญ่ของ AI และคณิตศาสตร์

แต่ถัดจากนั้นไม่นาน วงการคณิตศาสตร์กลับเริ่มตั้งคำถามที่ลึกกว่าเรื่อง “แก้ได้หรือยัง”

Terence Tao เผยแพร่แถลงการณ์ชื่อ A Severe Misalignment of AI in Mathematics โดยมีผู้ลงชื่อเริ่มต้นเป็นผู้ได้รับ Fields Medal 25 คน เพื่อเตือนว่าเป้าหมายของบริษัท AI กับเป้าหมายของวงการคณิตศาสตร์อาจเริ่มเบี่ยงออกจากกัน

เพราะการมีคำตอบที่ถูก หรือมี proof ที่ตรวจได้ ไม่ได้แปลว่ามนุษย์ได้ insight หรือ ความเข้าใจเชิงแนวคิด ตามมาด้วยเสมอไป

คำตอบที่ถูก กับความเข้าใจ อาจไม่ใช่สิ่งเดียวกัน

ในคณิตศาสตร์ การมี proof ที่ถูกต้องคือเรื่องใหญ่มาก

proof คือเหตุผลว่าทำไมข้อสรุปหนึ่งจึงตามมาจากสมมติฐานและกฎที่กำหนดไว้ และถ้าถูก formalize ในระบบอย่าง Lean คอมพิวเตอร์ก็สามารถตรวจโครงสร้างตรรกะได้ละเอียดมาก

แต่สิ่งที่นักคณิตศาสตร์เรียกว่า understanding หรือ insight มักต้องการมากกว่านั้น

เราไม่ได้อยากรู้แค่ว่า “มันจริง”

เราอยากรู้ด้วยว่า

• ทำไมวิธีนี้ถึงใช้ได้
• อะไรคือไอเดียสำคัญจริง ๆ
• ส่วนไหนเป็นเทคนิคเฉพาะจุด และส่วนไหนคือหลักการใหม่
• วิธีนี้นำไปใช้กับปัญหาอื่นได้หรือไม่
• มันเชื่อมกับสิ่งที่มนุษย์เคยเข้าใจมาก่อนอย่างไร

ตรงนี้เองที่เกิดช่องว่างขึ้นมา

AI อาจสร้างคำตอบที่ถูกได้ แต่ไม่ได้แปลว่าได้สร้างความเข้าใจในแบบที่มนุษย์เอาไปสอน ต่อยอด หรือเปลี่ยนวิธีคิดของทั้งวงการได้แล้ว

🔍 มีคำตอบถูก ไม่ได้แปลว่ามีความเข้าใจแล้ว

ลองแยกเป็น 4 ชั้นแบบง่าย ๆ

1) คำตอบถูก — ได้ผลลัพธ์ที่ถูกต้อง

2) Proof ตรวจได้ — มีเหตุผลเชิงตรรกะที่ผ่านการตรวจสอบ

3) Insight / ความเข้าใจ — รู้ว่าทำไมมันถึงจริง และอะไรคือหัวใจของเรื่อง

4) ถ่ายทอดและต่อยอด — อธิบาย สอน เชื่อมกับความรู้เดิม และสร้างไอเดียใหม่จากมันได้

ปัญหาที่แถลงการณ์ของนักคณิตศาสตร์กำลังชี้ก็คือ

AI อาจพาเราไปถึงข้อ 1 และข้อ 2 ได้เร็วมาก แต่โลกวิชาการยังต้องการข้อ 3 และข้อ 4 ด้วย

เพราะถ้าไม่มีความเข้าใจ มนุษย์ก็อาจมี theorem เพิ่มขึ้น มี proof เพิ่มขึ้น แต่ไม่ได้มีความรู้ในความหมายที่ “เอาไปใช้คิดต่อ” เพิ่มในอัตราเดียวกัน

เมื่อ proof มีมากกว่าที่มนุษย์จะอ่านไหว

โลกคณิตศาสตร์ในอดีตเคยอยู่ในยุคที่ proof เป็นของหายาก

การหา proof ของปัญหายากสักชิ้น อาจใช้เวลาหลายปี หลายคน และการอ่านทำความเข้าใจก็ยังพออยู่ในความสามารถของชุมชนวิชาการ

แต่ถ้า AI ทำให้โลกเข้าสู่ภาวะที่ proof ถูกผลิตออกมาได้เร็วมาก จนมนุษย์อ่านไม่ทัน วิเคราะห์ไม่ทัน หรือสกัดไอเดียหลักออกมาไม่ทัน โครงสร้างเดิมของวงการก็อาจเริ่มรับไม่ไหว

นั่นทำให้โจทย์เปลี่ยนจาก

“เราจะหา proof ได้อย่างไร?”

ไปสู่

“ใน proof จำนวนมหาศาล เราควรเข้าใจอะไรจากมันบ้าง?”

นี่ไม่ใช่แค่ปัญหาทางเทคนิค แต่เป็นปัญหาเรื่องความหมายของความรู้

🧠 สิ่งที่นักคณิตศาสตร์เตือน ไม่ใช่ “หยุดใช้ AI”

จุดสำคัญมากคือ แถลงการณ์เหล่านี้ไม่ได้บอกว่า AI ไม่มีประโยชน์ หรือ AI ทำคณิตศาสตร์ไม่ได้

หลายฝ่ายยอมรับตรงกันว่า AI กำลังเก่งขึ้นเร็วมาก และอาจกลายเป็นเครื่องมือที่ทรงพลังอย่างยิ่งในงานวิจัย

สิ่งที่ถูกตั้งคำถามคือ เราจะใช้ AI เพื่ออะไร และจะวัดความสำเร็จของมันอย่างไร

ถ้าเราให้รางวัลแค่ “ใครตอบได้ก่อน” อย่างเดียว วงการอาจค่อย ๆ เลื่อนไปสู่การสะสมคำตอบ โดยไม่ได้ใส่ใจกับการสร้างความเข้าใจในแบบที่มนุษย์รับช่วงต่อได้

และนั่นอาจทำให้เป้าหมายของ AI บริษัทเทคโนโลยี และชุมชนวิชาการ เริ่มไม่ตรงกัน

Navier–Stokes ยังไม่ใช่ “ปิดคดี” อย่างเป็นทางการ

อีกจุดที่ต้องล็อกความจริงไว้ให้ชัดคือ

ตอนนี้ยังไม่ควรเขียนว่า Millennium Prize Problem ข้อนี้ถูกปิดอย่างเป็นทางการแล้ว

ภาษาที่แม่นกว่าคือ

OpenAI ประกาศ solution และเผยแพร่ proof สำหรับปัญหานี้

แต่การยอมรับในระดับทางการยังต้องผ่านขั้นตอนของชุมชนคณิตศาสตร์และกติกาของ Clay Mathematics Institute ซึ่งต้องใช้เวลา การตรวจสอบ และการยอมรับในวงกว้าง

ดังนั้นประเด็นของข่าวนี้จึงไม่ใช่แค่ว่า “แก้ได้แล้วหรือยัง”

แต่อยู่ที่ว่า

ถ้าเครื่องเริ่มสร้างคำตอบระดับโลกได้เร็วมาก ระบบการตรวจสอบ ความเข้าใจ การให้เครดิต และการสอนความรู้นั้น จะตามทันหรือไม่

📚 ถ้าเครื่องตอบได้เก่งขึ้น มนุษย์อาจยิ่งต้องเก่งเรื่อง “ความหมาย”

นี่อาจเป็นประเด็นที่น่าสนใจที่สุดของเรื่องทั้งหมด

เพราะในอนาคต หน้าที่ของนักคณิตศาสตร์อาจไม่ได้หายไป แต่เปลี่ยนไป

จากคนที่ใช้เวลาส่วนใหญ่เพื่อ “หา proof”

ไปเป็นคนที่ต้องตอบคำถามว่า

• proof ไหนสำคัญจริง
• แนวคิดไหนใหม่จริง
• ผลลัพธ์ไหนเป็นเพียงกรณีเฉพาะ
• อะไรคือแก่นที่ควรถูกสอนต่อ
• และสิ่งนี้เปลี่ยนวิธีคิดของทั้งวงการอย่างไร

ถ้า AI ผลิต theorem ได้เป็นหมื่นเป็นแสน สิ่งที่มีค่าที่สุดอาจไม่ใช่การสร้างข้อที่มากขึ้นอีกหนึ่งข้อ

แต่อาจเป็นความสามารถในการมองออกว่า

ในคำตอบมหาศาลเหล่านั้น อะไรคือ “ความเข้าใจ” ที่มนุษย์ควรเก็บไว้

🧩 ปัญหานี้ไม่ได้จบที่คณิตศาสตร์

จริง ๆ แล้วสิ่งที่เกิดขึ้นในวงการคณิตศาสตร์อาจเป็นภาพตัวอย่างล่วงหน้าของอีกหลายวงการ

ลองเปลี่ยนจาก proof เป็นเรื่องอื่น

AI อาจเขียนโค้ดที่ผ่านทุก test แต่ทีมวิศวกรไม่มีใครเข้าใจสถาปัตยกรรมของมันดีพอ

AI อาจเสนอโมเดลวิทยาศาสตร์ที่แม่นมาก แต่คนยังอธิบายไม่ได้ว่ากลไกที่แท้จริงคืออะไร

AI อาจช่วยค้นพบคำตอบเชิงนโยบายที่ดูมีประสิทธิภาพ แต่ผู้กำหนดนโยบายอธิบายเหตุผลต่อสาธารณะไม่ได้

ทุกกรณีมีปัญหาเดียวกันซ่อนอยู่:

เรามีคำตอบมากขึ้น แต่ไม่ได้แปลว่าเราเข้าใจโลกมากขึ้นในสัดส่วนเดียวกัน

และนั่นทำให้คำถามของวงการคณิตศาสตร์ครั้งนี้น่าฟังกว่าการถามว่า “AI จะมาแทนคนหรือไม่”

เพราะคำถามจริงอาจเป็น

“ในโลกที่เครื่องตอบได้เก่งขึ้นเรื่อย ๆ มนุษย์ยังจะมีบทบาทตรงไหนในกระบวนการสร้างความรู้?”

สรุปสั้น ๆ: อนาคตอาจไม่ใช่การแย่งกันตอบ แต่เป็นการแย่งกัน “เข้าใจ”

AI อาจพาเราสู่ยุคที่คำตอบจำนวนมหาศาลถูกสร้างขึ้นได้รวดเร็วมาก

แต่ยิ่งคำตอบมากขึ้นเท่าไร สิ่งที่มีค่าก็อาจยิ่งไม่ใช่การมีคำตอบเพียงอย่างเดียว

สิ่งที่มีค่าคือคนที่สามารถบอกได้ว่า

อะไรสำคัญ
ทำไมมันถึงจริง
มันเปลี่ยนสิ่งที่เราเคยเข้าใจตรงไหน
และมนุษย์ควรเอาความรู้นั้นไปต่ออย่างไร

เพราะสุดท้าย ต่อให้เครื่องพิสูจน์ theorem ได้มากแค่ไหน คำถามที่ยากกว่าอาจยังเป็นของมนุษย์อยู่ดีว่า

“แล้วทั้งหมดนี้หมายความว่าอะไร?”

หมายเหตุ: บทนี้อ้างอิงจากการประกาศของ OpenAI และแถลงการณ์ของนักคณิตศาสตร์ร่วมสมัย ภาษาที่ใช้จึงระวังไม่สรุปเกินหลักฐาน โดยเฉพาะสถานะของปัญหา Navier–Stokes ซึ่งยังไม่ควรถือว่าได้รับการรับรองอย่างเป็นทางการจาก Clay Mathematics Institute แล้ว