Περίληψη

Η Google DeepMind παρουσίασε ένα νέο AI “co-mathematician” βασισμένο στο Gemini 3.1, σχεδιασμένο να βοηθά μαθηματικούς σε άλυτα προβλήματα. Παράλληλα, AI σύστημα από το University of Warwick εντόπισε πάνω από 100 εξωπλανήτες σε δεδομένα της NASA, δείχνοντας ότι η AI επιταχύνει πλέον και την επιστημονική ανακάλυψη.

Κύρια σημεία

• Η Google DeepMind παρουσίασε AI co-mathematician για ερευνητικά μαθηματικά
• Το σύστημα λειτουργεί με πολλούς agents, όπως τα AI coding environments
• Ένας coordinator agent σπάει το πρόβλημα σε παράλληλες εργασίες
• Sub-agents γράφουν κώδικα, ψάχνουν βιβλιογραφία και δοκιμάζουν αποδείξεις
• Καθηγητής της Oxford χρησιμοποίησε στρατηγική από rejected output για να λύσει άλυτο πρόβλημα
• Το σύστημα πέτυχε 48% στο FrontierMath Tier 4 benchmark
• Ξεπέρασε σημαντικά το Gemini 3.1 Pro, που είχε 19% raw score
• Η AI φαίνεται να ενισχύει κορυφαίους ερευνητές αντί απλώς να τους αντικαθιστά
• Το RAVEN εντόπισε πάνω από 100 εξωπλανήτες σε δεδομένα NASA TESS
• Βρήκε επίσης πάνω από 2.000 νέους πιθανούς υποψήφιους εξωπλανήτες
• Η AI αυξάνει την ακρίβεια ανακάλυψης πλανητών χωρίς νέο hardware
• Η Ελλάδα αναφέρεται ότι προτείνει συνταγματικές προστασίες για την AI

Sentiment δείκτης

Πολύ θετικό / επιστημονικά αισιόδοξο
→ Η AI παρουσιάζεται ως επιταχυντής επιστημονικής ανακάλυψης, με εφαρμογές σε μαθηματικά, αστρονομία και έρευνα.

Αναλυτική περίληψη

Η βασική είδηση είναι ότι η Google DeepMind εισάγει ένα νέο είδος AI συνεργάτη για τα μαθηματικά. Αντί να ζητάμε από ένα μοντέλο απλώς “να δώσει την απάντηση”, το σύστημα λειτουργεί σαν ομάδα ερευνητών. Ένας κεντρικός agent οργανώνει το πρόβλημα και το χωρίζει σε διαφορετικές κατευθύνσεις έρευνας, ενώ άλλοι agents ψάχνουν βιβλιογραφία, γράφουν κώδικα και δοκιμάζουν αποδείξεις.

Αυτό θυμίζει τον τρόπο που τα σύγχρονα AI coding tools βοηθούν developers: δεν δίνουν μόνο μία απάντηση, αλλά δημιουργούν ένα περιβάλλον εργασίας όπου η AI μπορεί να δοκιμάζει, να αποτυγχάνει, να επανεξετάζει και να βελτιώνει.

Το πιο εντυπωσιακό στοιχείο είναι ότι ο καθηγητής Marc Lackenby από την Oxford κατάφερε να λύσει ένα ανοιχτό πρόβλημα από το Kourovka Notebook, αφού εντόπισε μια πολύ έξυπνη στρατηγική μέσα σε απόδειξη που το ίδιο το σύστημα είχε απορρίψει. Αυτό δείχνει ότι η AI μπορεί να παράγει χρήσιμες ιδέες ακόμη και όταν η τελική της απάντηση δεν είναι σωστή.

Στο benchmark FrontierMath Tier 4, το σύστημα της DeepMind σημείωσε 48%, υπερδιπλασιάζοντας το raw score του Gemini 3.1 Pro. Αυτό δείχνει ότι η agentic προσέγγιση μπορεί να ξεπεράσει σημαντικά την απλή χρήση ενός μοντέλου.

Παράλληλα, στην αστρονομία, το σύστημα RAVEN από το University of Warwick ανέλυσε τέσσερα χρόνια δεδομένων από το NASA TESS, καλύπτοντας 2,2 εκατ. άστρα, και επιβεβαίωσε πάνω από 100 εξωπλανήτες. Ανάμεσα σε αυτούς, 31 δεν είχαν εντοπιστεί ποτέ ξανά, ενώ βρέθηκαν και χιλιάδες νέοι πιθανοί υποψήφιοι.

Το σημαντικό εδώ είναι ότι οι ανακαλύψεις δεν προήλθαν από νέο τηλεσκόπιο ή νέο hardware, αλλά από καλύτερη ανάλυση δεδομένων με AI. Αυτό σημαίνει ότι τεράστια ποσότητα επιστημονικής γνώσης μπορεί ήδη να “κρύβεται” σε υπάρχοντα datasets, περιμένοντας τα σωστά μοντέλα για να αποκαλυφθεί.

Συνολικά, το περιεχόμενο δείχνει ότι η AI μπαίνει σε μια νέα φάση: από εργαλείο παραγωγικότητας γίνεται εργαλείο επιστημονικής ανακάλυψης. Στα μαθηματικά, στην αστρονομία και στην έρευνα γενικότερα, η AI αρχίζει να λειτουργεί σαν ενισχυτής ανθρώπινης σκέψης — όχι απαραίτητα αντικαταστάτης, αλλά συνεργάτης που μπορεί να ανοίξει νέες κατευθύνσεις.