تصور کنید در دنیایی زندگی میکنید که پاسخ تمام مسائل پیچیده ریاضی در دسترس است، اما هیچ انسانی نمیفهمد این پاسخها چگونه به دست آمدهاند. این همان کابوسی است که ترنس تائو (Terence Tao)، یکی از تاثیرگذارترین ریاضیدانان عصر حاضر، از وقوع آن هشدار میدهد.
به باور تائو، ریاضیات با بحرانی سیستمی روبروست که نه مربوط به «حقیقت»، بلکه مربوط به «ارزش» است. او هشدار میدهد که ابزارهای هوش مصنوعی بهسرعت به آستانهای میرسند که بتوانند بخش بزرگی از وظایف پژوهشی را با هزینه کم و موفقیت قابلقبول انجام دهند.
زمینه تاریخی
این تغییر یادآور بحران بنیادین سالهای ۱۹۰۰ تا ۱۹۳۰ است؛ زمانی که پارادوکس راسل و قضایای گودل، ریاضیدانان را مجبور کردند تمام پیشفرضهای خود را به شکلی سختگیرانه بازسازی کنند. آن دوران چارچوبی را ایجاد کرد که یک قرن پابرجا ماند. امروز، آزمون فشار متفاوت است: ما اکنون باید «چارچوب تا حد زیادی ضمنی از ارزشها و شیوههای ریاضی» را تعریف کنیم. این شامل آن است که چه چیزی «سهم علمی» محسوب میشود، چه چیزی پاداش میگیرد و آیا میتوان گفت که یک ماشین واقعاً «کار» را انجام داده است یا خیر.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت و استدلال مدلهای زبانی اشاره کردیم، تکیه بر خروجی بدون درک فرآیند، ریسکهای بزرگی دارد. در این راستا، نتایج پروژه نخستین اثبات (First-Proof Project) شواهد تکاندهندهای ارائه میدهد. طبق گزارش این پروژه، در دور دوم آزمایشها، ۱۰ مسئله پژوهشی منتشرنشده توسط چهار سیستم هوش مصنوعی تحت شرایط کنترلشده بررسی شدند. نتیجه این بود که ۷ مسئله از ۱۰ مورد، حداقل یک نمره قبولی دریافت کردند؛ به این معنا که راه حل اساساً بینقص بود یا تنها به بازبینیهای جزئی نیاز داشت. این نتایج با هزینهای بین دهها تا صدها دلار برای هر مسئله به دست آمد. این دستاوردها در کنار موفقیت مدل Astra در حل ۱۰ چالش دیرینه ریاضی، نشان میدهد که مرزهای توانایی ماشینها در استدلال ریاضی بهسرعت در حال جابجایی است.
تائو بر اساس این یافتهها، سه ریسک حیاتی را نام میبرد:
- فراوانی اثباتها: هوش مصنوعی سریعتر از توان خواندن و جذب انسان، اثبات تولید میکند. برای مثال، پایگاه داده مسائل اردوش (Erdős problem database) اکنون دهها پاسخ تولیدشده توسط AI دارد که هیچ متخصص انسانی داوطلب بازبینی آنها نشده است.
- تله صیقلخوردگی: متون تولیدشده توسط مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — بیش از حد روان هستند. این روانی، «اصطکاک طبیعی» (تغییرات در نمادگذاری و بازنویسیها) را حذف میکند؛ همان اصطکاکی که به خواننده انسانی کمک میکند بخشهای سخت یک اثبات را تشخیص دهد. تائو اشاره میکند که «اشتباهات» انسانی در شرح مطالب میتواند برای خواننده واقعاً مفید باشد.
- قانون گودهارت: وقتی یک معیار (مانند بنچمارک) تبدیل به هدف شود، دیگر معیار خوبی نیست. مدلها به جای پیشرفت عمیق در ریاضیات، به دنبال «ظاهرِ درست» برای کسب پیروزیهای تبلیغاتی هستند که با انگیزههای صنعتی برای دستیابی به نتایج قابل نقلقول همسو است.
استانداردها و تدابیر حفاظتی
برای مقابله با این روند، تائو به اعلامیه لایدن درباره هوش مصنوعی و ریاضیات اشاره میکند که در ژوئن ۲۰۲۶ و با حمایت اتحادیه بینالمللی ریاضیات منتشر شد. او یک قانون سختگیرانه پیشنهاد میدهد: اگر نویسندگان نتوانند یک ارائه تخصصی، دقیق و مستند از نتایج خود ارائه دهند، اثر آنها نباید چاپ شود.
از نظر تائو، اثباتی که هیچ انسانی نتواند آن را توضیح دهد، حتی اگر توسط ماشین تایید شده باشد، «ناقص» است. این موضوع بهویژه برای آموزش ریاضیدانان جوان حیاتی است؛ جایی که استفاده از AI باید محدود بماند تا «جنبههای کاهشناپذیر انسانی» این حرفه حفظ شود. هدف از آموزش، صرفاً تولید تکالیف درست نیست.
کاربردهای فعلی
در حال حاضر تائو از AI برای جستوجوی متون، رسم نمودار، تکمیل متن و تبدیل اسلایدها به فرمت مقاله استفاده میکند. اما او در کنار همکارانی چون تیموتی گاورز و پیتر سارناک تاکید میکند که مدلها هنوز در خلق ایدههای واقعاً نو ناتواناند. خطر اصلی نه در ناتوانی AI، بلکه در این است که موفقیت آن، تعریف ما از «ریاضیات» را تغییر دهد.
باید منتظر ماند و دید آیا استانداردهای اعلامیه لایدن در مجلات بزرگ پذیرفته میشوند یا خیر، زیرا جامعه ریاضیات باید تصمیم بگیرد که آیا تایید رسمی (Formal Verification) به تنهایی برای توجیه انتشار یک اثر کافی است یا خیر.
گام بعدی شما
- اگر پژوهشگر هستید، استانداردهای اعلامیه لایدن را برای ارزیابی آثار تولیدشده توسط AI مطالعه کنید.
- در یادگیری ریاضیات، تمرکز خود را از «رسیدن به جواب» به «تبیین گامبهگام منطق» تغییر دهید.
- ابزارهای AI را به عنوان دستیار سازماندهی متن به کار ببرید، نه به عنوان منبع استدلال نهایی.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو