OpenAI GPT-5.6 Sol megcáfolt egy 25 éves statisztikai sejtést
Az OpenAI legújabb modellje segítségével egy pennsylvaniai statisztikusprofesszor megoldott egy negyedszázada nyitott tudományos kérdést, amely korábban még egyetlen kutatónak sem sikerült bizonyítani.
Edgar Dobriban, a pennsylvaniai egyetem Wharton School-jának docense az OpenAI GPT-5.6 Sol Pro modellt felhasználva cáfolta meg azt a feltételezést, amely szerint a Benjamini-Hochberg eljárás megbízhatóan működik korrelált, normális eloszlású adatok esetén is. Az 1995-ben kifejlesztett módszer a hamis pozitív eredmények arányát szabályozza, és több mint 130 ezer hivatkozást gyűjtött össze az elmúlt évtizedekben.
Dobriban egy olyan statisztikai modellt konstruált az AI segítségével, amely bizonyítottan meghaladja a kívánt hibahatárt. Az eredményt szimulációk is megerősítették, és a kutató nyilvánosságra hozta a felhasznált kódot is. Az eltérés az elméleti szinten jelentős, bár gyakorlati következményei még vizsgálat alatt állnak, és az eljárás általános használhatóságát nem vonja kétségbe.
A megoldás különlegessége, hogy a GPT-5.6 Sol Pro mindössze 90 perc alatt érte el az eredményt, miközben az előző verzió, a GPT-5.5 több mint 20 óra munkája után sem tudott megoldást találni. A Berkeley-i statisztikus, Will Fithian szerint ez az egyik legérdekesebb nyitott probléma volt a szakterületen, és az AI-megoldás a mesterséges intelligencia fejlődésének újabb bizonyítéka.
A kutatók azonban továbbra is vitatják, hogy az AI valóban új tudást hoz-e létre, vagy csak a meglévő módszereket kombinálja újszerűen. Dobriban szerint az eredmény ismert megközelítések szokatlan kombinációja, amely a modell képességét mutatja az összekapcsolásban, de nem feltétlenül jelent alapvetően új matematikai ismeretet.
Forrás: The Decoder — „OpenAIs GPT-5.6 Sol widerlegt angeblich 25 Jahre alte Vermutung der Statistik - The Decoder”
Ez az összefoglaló a fenti forrás alapján, mesterséges intelligenciával készült. Szerkesztőségi ellenőrzésen nem esett át; a részletekért olvasd el az eredeti cikket.