تِرنس تائو: ریاضیات به سوی همکاری‌های کلان ماشین-انسان حرکت می‌کند

تصور کنید پژوهشی ریاضی که زمانی سال‌ها تلاش یک نابغه را می‌طلبید، اکنون در چند روز توسط تیمی از انسان‌ها و مدل‌های استدلالی حل شود. تِرنس تائو، برنده مدال فیلدز، معتقد است ما در حال ورود به عصر «ریاضیات کلان» (Big Mathematics) هستیم؛ آینده‌ای که در آن انسان‌ها و ماشین‌ها در همکاری‌های غیرمتمرکز و مقیاس‌بزرگ فعالیت می‌کنند. او باور دارد که هوش مصنوعی در حال کاتالیز کردن این گذار بنیادین است و تکنولوژی را از محاسبات ساده به سمت استدلالی مستقل و اصیل می‌برد که قادر به حل مسائل حل‌نشده ریاضی است.

برای دهه‌ها، کامپیوترها صرفاً شتاب‌دهنده‌ای برای ریاضیدانان بودند، اما معماری شهود و تایید نهایی همیشه در دست انسان بود. با این حال، بر اساس گزارش وب‌سایت spectrum.ieee.org، چشم‌انداز این حوزه بین سال‌های ۲۰۲۴ تا ۲۰۲۶ به شدت تغییر کرد. سامانه‌های هوش مصنوعی از ابزارهای ساده تشخیص الگو به ماشین‌های استدلالی تکامل یافتند که قادر به اکتشافات مستقل هستند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تکامل مدل‌های استدلالی اشاره کردیم، هوش مصنوعی اکنون می‌تواند مسیرهای اکتشافی جدیدی را پیدا کند که پیش از این تنها در دسترس ذهن‌های برتر بشری بود.

مدل استدلالی (Reasoning Model) — شبیه شطرنج‌بازی که قبل از هر حرکت، چند گام جلوتر را در ذهن خود می‌سنجد — اکنون در سطح رقابتی با برترین ذهن‌های بشر قرار گرفته است. طبق اعلام منابع رسمی، دستاوردهای اخیر در سه محور اصلی رخ داده است:

• المپیاد جهانی ریاضی (IMO): تابستان گذشته، سامانه‌های Google DeepMind و OpenAI با حل ۶ مورد از دشوارترین مسائل سطح دبیرستان، استاندارهای مدال طلا را کسب کردند و نشان دادند که دیگر تنها دستیار نیستند، بلکه با خرد انسانی رقابت می‌کنند.
• سامانه Aletheia: در اوایل سال ۲۰۲۶، این سیستم آزمایشی از Google DeepMind توانست به‌طور مستقل پژوهشی در سطح دکترا درباره «ثابت‌های ساختاری در هندسه حسابی» تولید کند که کاملاً قابلیت انتشار در مجلات علمی را داشت.
• هندسه ترکیبی: یک سیستم چندمنظوره از OpenAI اخیراً حدس مهمی را در این رشته رد کرد؛ دستاوردی که به گفته ریاضیدانان ارشد، اگر توسط انسان نوشته شده بود، به دلیل اهمیت علمی‌اش شایسته چاپ در معتبرترین مجلات علمی جهان بود.

یکی از بزرگ‌ترین موانع در ریاضیات، «فرمالیزه کردن» (Formalization) یا همان تبدیل اثبات‌های انسانی به کدهای قابل خواندن برای ماشین بود. ریاضیدانان پیش از این از ابزارهای دستیار اثبات (Proof Assistants) مانند Isabelle، Lean و Rocq برای تایید صحت منطقی استفاده می‌کردند، اما این فرآیند ترجمه اثبات انسانی به کد ماشین، بسیار دشوار و زمان‌بر بود و به عنوان یک گلوگاه شناخته می‌شد.

اکنون هوش مصنوعی در حال خودکارسازی این ترجمه است. به نقل از گزارش‌های فنی، در فوریه ۲۰۲۶، عامل استدلالی Gauss که توسط شرکت Math, Inc. توسعه یافته، توانست اثباتی را فرمالیزه کند که مارینا viaزوفسکا در سال ۲۰۲۲ برای آن مدال فیلدز دریافت کرد. Gauss ابتدا به انسان‌ها کمک کرد تا مسئله «بسته‌بندی کره» (Sphere-packing) در ۸ بُعد را در عرض چند روز حل کنند و سپس در مدت تنها دو هفته، مورد ۲۴ بُعدی را به‌طور کامل و مستقل فرمالیزه کرد. این رویکرد انتقال منطق پیچیده به ساختارهای سخت‌گیرانه و قابل تایید، مشابه تجربه‌ای است که الکس بویارسکی با انتقال منطق به سخت‌افزار برای تامین امنیت تراکنش‌ها به دست آورد.

این پیشرفت‌ها در سپتامبر ۲۰۲۵ و طی دوازدهمین مجمع لورات‌های هایدلبرگ، موجی از اضطراب ملموس را میان پژوهشگران جوان ایجاد کرد. یانگ-هویی هه از مؤسسه علوم ریاضی لندن هشدار داد که اگر هوش مصنوعی در نهایت تمام مراحل حدس زدن، اثبات و تایید را بر عهده بگیرد، ریاضیدانان انسانی احتمالاً به «کشیشانِ پیشگوها» (Priests to Oracles) تبدیل می‌شوند؛ کسانی که صرفاً دستورات ماشین را تفسیر می‌کنند بدون اینکه خود فرآیند خلق مفهوم را درک کنند.

این وضعیت جامعه ریاضی را به دو جریان متضاد تقسیم کرده است:

• عمل‌گرایان (Pragmatists): افرادی مانند جرمی اویگاد از دانشگاه کارنیگی ملون استدلال می‌کنند که هدف غایی ریاضیات صرفاً یافتن پاسخ برای بزرگ‌ترین پرسش‌ها، مانند «مسائل جایزه هزاره»، است؛ فارغ از اینکه این پاسخ توسط انسان پیدا شده باشد یا هوش مصنوعی.
• انسان‌گرایان (Humanists): در مقابل، آکشای ونکاتش و مایا فریزر معتقدند ارزش واقعی ریاضیات در «تلاش و جدال برای فهمیدن» نهفته است. آن‌ها استدلال می‌کنند که یک اثبات تولید شده توسط AI تنها زمانی مفید است که برای انسان قابل درک و comprehensible باقی بماند.

تِرنس تائو هیچ‌کدام از این دو دیدگاه (ترس از جایگزینی یا نادیده گرفتن قدرت AI) را نمی‌پذیرد. او هوش مصنوعی را ابزاری می‌بیند که تکالیف پیچیده را به قطعات کوچک و قابل مدیریت تقسیم می‌کند. در این مدل، انسان «جهت خلاق» و مدیریت استراتژیک را تعیین می‌کند و هوش مصنوعی «کارگری فنی» و اجرای عملیاتی را انجام می‌دهد.

تائو اشاره می‌کند که ۱۰۰ سال پیش، مقالات ریاضی تقریباً به‌طور انحصاری تک‌نویس بودند. اما امروز او با غریبه‌هایی در سراسر دنیا به‌صورت آنلاین همکاری می‌کند و پیش‌بینی می‌کند که در آینده، برخی از این همکاران، عامل‌های هوشمند AI باشند. او تاکید می‌کند که کلید این تحول، لایه «تایید رسمی» (Formal Verification) است؛ اگر یک اثبات کدنویسی و تایید شود، اعتبار نویسنده — خواه انسان باشد یا ماشین — در درجه دوم قرار می‌گیرد و حقیقت منطقیِ نتیجه است که اهمیت دارد.

با این حال، منتقدان نسبت به خطر «آتروفی یا تحلیل رفتن ذهنی» (Intellectual Atrophy) هشدار می‌دهند. ونکاتش نگران است که اگر دانشجویان با استفاده از هوش مصنوعی مستقیماً به جوابها جهش کنند، آن جدال ذهنی که برای ساختن «شهود ریاضی» ضروری است را از دست دهند. همچنین ریسک «نخبه‌گرایی» (Elitism) شدید وجود دارد؛ جایی که تنها سازمان‌های بسیار ثروتمند توان مالی تامین مدل‌های اختصاصی و گران‌قیمت مورد نیاز برای پژوهش‌های سطح بالا را داشته باشند.

این تغییرات بنیادین، جامعه علمی را مجبور می‌کند تا با یک پرسش عمیق روبرو شود: آیا ریاضیات درباره «نتیجه» است یا درباره «فرآیند انسانیِ تکامل منطقی»؟ در حالی که هوش مصنوعی شیوه انجام ریاضیات را دگرگون می‌کند، ماهیت آموزش ریاضی نیز اکنون تحت بازنگری قرار گرفته است.

گام بعدی شما

• اگر پژوهشگر هستید، یادگیری زبان Lean را شروع کنید تا بتوانید خروجی‌های مدل‌های استدلالی را اعتبارسازی کنید.
• بررسی کنید کدام بخش‌های تکراری در تحلیل داده‌های شما می‌تواند به عامل‌های استدلالی سپرده شود.
• به دنبال ابزارهایی باشید که لایه تایید منطقی (Formal Verification) دارند تا ریسک توهم مدل را به صفر برسانید.

اما این تحول در ریاضیات تنها پیش‌درآمدی است برای تغییر در سایر علوم سخت؛ اثر این روند بر فیزیک نظری را در گزارش بعدی بررسی خواهیم کرد.