これが私を何年もワクワクさせてきたアイデアなんだ。「科学的リファクタリング」って呼んでるんだけど、もし上に向かって推論して、いくつかの普遍的な定数を変えたらどうなるんだろう？ どこでもπの代わりにタオを使ったらどうなるんだろう？ こういう楽しい質問は、通常はものすごい知的努力が必要だけど、思考の機械化と自動化が進めば、実際に試してみることができるかもしれないね！

既存の証明を再構成する部分には賛成だよ。それがここでの価値だと思う。ただ、LLMが言うことを確認するのはまだかなり面倒かもしれないけど、少なくとも人間がこの作業の半分をやるのを待つよりはマシだよ。言語で表現できるすべてのトピックにおいて、LLMの価値は、出力を読む人間から異なる視点を引き出すために物事をシャッフルすることだと思う。これがAIを理解して実用化するための唯一の現実的な方法だよ。タオを尊敬してるけど、彼のAI使用についてのコメントは、リンクされた投稿を注意深く読まないと誤解を招くかもしれないと感じてる。

これがAGIじゃないなら、何がAGIなの？複雑な数学的定理を証明できるAIがあれば、すぐにAGIに繋がるのは避けられない気がする。

既存の証明を人間には面倒だったり隠れていたりする方法で再構成すること。素人からすると、それってあんまりAIっぽくないよね？数学はかなり論理的だから、効果的にこの領域を検索するアルゴリズムはすでに十数個あるはずだよね？

既存の証明を再構成することと、既存の方法を組み合わせること、そして「本当に新しい」数学との間には、実際の境界はないと思うよ。

これは独立したHNスレッドに値するよね！これを提出して、hn@ycombinator.comにメールして、SCPに載せてもらうことはできる？（https://news.ycombinator.com/item?id=26998308）追記：あ、https://news.ycombinator.com/item?id=46296801を見て気づいたけど、あなたがCEOなんだね！それなら、あなたか、あなたの組織で最も適切だと思う人が、これを提出して、何なのか、どうやって試すのが一番簡単で楽しいかを説明するテキストを添えてもらえるといいな。

コンテキスト: 2025年に純粋数学の博士号を取得して、データサイエンティストに転職したんだ。今はMLや統計の研究もしてる。私にとって、深い研究ツールは、分野を移行する際に今持っている研究アイデアについての文献レビューを素早く追いつくために欠かせないものになってる。あまり詳しくないけど、比較的確立されたルーチンの数学（約5年前の標準的なランダム行列理論の結果など）にもかなり役立ってる。ユーティリティの幅は、期待されるものとかなり一致してる気がするよ：ルーチンプログラミング > 応用ML研究 > 統計/応用数学研究 > 純粋数学研究。約1年前には、私の数学研究分野にはまだ役に立たなかったけど、状況は急速に変わってきてる。

物理や数学の学位は持ってないけど、AIが助けてくれるのは、目の前の仕事に集中できるようにしてくれることなんだ。山のような教科書やウィキペディアのページ、科学論文を掘り返して、どこかで見たけど場所を記憶してない方程式を探す必要がなくなるから、毎日何日も節約できるよ。それでも、見つけたら参考文献を確認するけど、ソフトウェアが生成するものにはエラーが入り込むことがあるからね。大きなエラーもあるし（それは簡単に見つけられるけど）。だから、ここには価値があるし、かなりのものだけど、プロンプトの構造を考えるのにかなりの前思考が必要だし、出力に対しても超懐疑的で、細かくチェックできる能力が求められるよ。データをたくさん入力してクエリを作成し、その答えを批判的に使わないと、砂の上に城を築いていることに気づいたときには、痛い目に遭って時間を無駄にすることになるよ。

他の人が言ったように、Deep Researchは非常に貴重だよ。でも、仮説を生成するのは研究の最前線ではあまり良くない。ガードレールなしのChatGPT 4.0は、短い間に本当に素晴らしい仮説を生成してくれたけど、その後はこの方向では使えないほど抑制されちゃった。