دانیل لیت: ضرورت تغییر هدف دکترا از رساله به دفاع شفاهی

تصور کنید با چند صد دلار و یک لپ‌تاپ، هر کسی بتواند مقاله‌ای در سطح معتبرترین مجلات ریاضی جهان، مانند Annals of Mathematics، بنویسد. طبق استدلال دانیل لیت در ۱۴ سپتامبر ۲۰۲۶، ما به نقطه‌ای رسیده‌ایم که تولید متن ریاضی به‌طور بنیادین از درک ریاضی جدا شده است.

این تغییر در حالی رخ می‌دهد که سیستم‌های هوش مصنوعی طی سه سال گذشته، از کلنجار رفتن با جمع‌های ساده به کسب مدال طلای المپیاد جهانی ریاضی (IMO) در سال گذشته رسیده‌اند. اکنون وارد عصری می‌شویم که ماشین‌ها به‌طور خودکار پرسش‌های باز بزرگ را حل می‌کنند و زنجیره سنتی «قضیه-اثبات» دیگر سیگنالی برای سنجش مهارت انسان نیست. لیت بر این باور است که سیستم‌های هوش مصنوعی که در اکثر یا تمام جنبه‌های ریاضیات به‌طور مستحکم «فوق‌بشری» هستند، به‌زودی در دسترس ما خواهند بود. این دیدگاه با تحلیل‌های ترنس تائو همسو است که هشدار داده بود فراوانی اثبات‌های تولید شده توسط AI می‌تواند بزرگ‌ترین بحران تاریخ ریاضیات را رقم بزند.

زمینه و ریشه بحران

به نقل از لیت، جامعه ریاضیات هنوز بر سر اهداف نهایی خود اتفاق‌نظر ندارد. برخی ریاضیات را نوعی بازی یا شعر می‌بینند و برخی دیگر آن را نفوذ به قلمرو افلاطونی می‌دانند. در این میان، برخی تحت تأثیر روحیه دیوید هیلبرت هستند؛ کسی که به‌طور مشهوری اعلام کرد: «Wir müssen wissen – wir werden wissen» (باید بدانیم و خواهیم دانست). هیلبرت هرگونه پذیرش مفهوم ignorabimus (چیزی که هرگز قابل دانستن نیست) را رد می‌کرد. دیدگاه کامل هیلبرت بر این تأکید داشت که ما نباید باور کنیم کسانی که سقوط فرهنگ را پیش‌بینی می‌کنند درست می‌گویند، یا بپذیریم که برخی مسائل در علوم طبیعی به‌سادگی ناشناخته باقی می‌مانند.

برخی دیگر معتقدند هدف اصلی، تجسم عشق به ریاضیات و انتقال این اشتیاق به نسل بعدی است. از نظر لیت، اهداف محوری دو مورد است: تولید ریاضیات باکیفیت و تربیت ریاضی‌دانان باکیفیت. او تأکید می‌کند که این امر شامل یک مسئولیت اجتماعی گسترده‌تر برای آموزش تفکر ریاضی به عموم مردم نیز می‌شود.

سازوکار اتوماسیون

دهه‌هاست که جامعه ریاضیات ارزش‌های خود را از طریق عملِ «اثبات قضایا» عملیاتی کرده است. چه در یک رساله دکترا و چه در مقالات داوری‌شده در مجلات تخصصی، وجود یک قضیه اثبات‌شده به عنوان معیار اصلی برای هر دو موردِ «پیشرفت ریاضیات» و «تخصص پژوهشگر» عمل کرده است.

اما لیت معتقد است این معیار اکنون شکسته شده است. اگر ماشینی بتواند تمام حدس‌ها و اثبات‌های نظریه مجموعه‌های ZFC (نظریه مجموعه‌های زرملو-فرانکل به همراه اصل انتخاب) را فهرست کند یا نتایج پیچیده را به‌طور زیبا شرح دهد، صرفِ وجود یک اثبات درست، دیگر ثابت نمی‌کند که نویسنده انسانی منطق زیربنایی را درک کرده است. یک کامپیوتر یا حتی یک میمون می‌تواند قوانین استنتاج را بدون هیچ توجهی به معنا، به‌طور تکرارشونده روی بدیهیات ZFC اجرا کند؛ اگر این ماشین آن‌قدر «باهوش» باشد که روی پرسش‌های جذاب تمرکز کند و شرح‌های زیبایی بنویسد، نقش انسان به عنوان تولیدکننده متن به‌طور کامل حذف می‌شود.

بحران مدرک دکترا

فوری‌ترین بحران از نظر لیت، وضعیت فعلی آموزش تکمیلی و تحصیلات تکمیلی است. او اشاره می‌کند که اکنون برای یک دانشجو ممکن است رساله‌ای برای دکترا تولید کند که خودش حتی آن را نخوانده است؛ این بدان معناست که متن رساله از نظر نمایش تخصص، ارزشی بیش از کاغذ چاپ‌شده ندارد. ارزش متن دیگر به‌طور قابل‌اعتمادی سیگنالی درباره شخصی که آن را تولید کرده ارسال نمی‌کند.

برای مقابله با این وضعیت، او بازتعریف رادیکال مدرک PhD را پیشنهاد می‌دهد:

• هدف جدید: تبدیل شدن به یک متخصص جهانی در یک موضوع عمیق و جذاب و داشتن توانایی انتقال این علاقه و درک به دیگران.
• معیار اصلی: اعطای مدرک باید در درجه اول بر اساس یک دفاع شفاهی سخت‌گیرانه باشد. دانشجو باید موضوع را برای ممتحنان توضیح دهد تا آن‌ها کاملاً متقاعد شوند، زیرا سخنرانی‌ها و بحث‌های مستمر، درک را بسیار بهتر از مقالات نشان می‌دهند.
• بی‌طرفی در منشأ: فرقی نمی‌کند نتایج رساله توسط خود دانشجو کشف شده باشد یا توسط یک هوش مصنوعی. لیت استدلال می‌کند که تحمیل محدودیت بر منشأ کشف، از نظر عملی غیرممکن است و تنها باعث می‌شود دانشجویان استفاده از AI را پنهان کنند. او اشاره می‌کند بعید است دانشجویی که فقط یک دکمه را فشار داده و درگیری عمیقی با موضوع نداشته، بتواند از یک دفاع شفاهی سخت‌گیرانه سربلند بیرون بیاید.
• تغییرات آموزشی: دانشجویان همچنان با استاد راهنما کار می‌کنند، اما فرآیند بازتر و احتمالاً از نظر دامنه گسترده‌تر از PhDهای فعلی خواهد بود. برای اطمینان از پیشرفت، استادها ممکن است در جلسات منظم از دانشجویان بخواهند مثال‌های ناشناخته را به‌طور مستقل حل کنند یا تکنیک‌ها را روی موارد جدید به کار ببرند.

بازتعریف ارزش حرفه‌ای

فراتر از کلاس درس، کل ساختار انگیزشی ریاضیات آکادمیک باید به سمت مهارت‌های غیرقابل اتوماسیون حرکت کند. لیت استدلال می‌کند که جامعه باید به‌جای تلاش برای محافظت از «شکل» نهادها — مانند سیستم مجلات و داوری همتا، آرکایو (arXiv) یا نقش آکادمیک‌ها به عنوان دروازه‌بان (Gatekeeper) — از «ارزش‌های محوری» خود محافظت کند. او اشاره می‌کند که سیستم مجلات و داوری همتا حتی پیش از ظهور AI در آستانه فروپاشی بود و اصلاحات رادیکال در آن دیر شده است.

او هشدار می‌دهد که تلاش برای حفظ تعادل فعلی «مضحک» است، چرا که نتایج باکیفیت اکنون با هزینه نهایی چند دلار تولید می‌شوند. او پیشنهاد می‌کند جنبه‌های اجتماعی و درونی حرفه پاداش داده شوند:

• فرهنگ سمینار: اولویت دادن به سخنرانی‌های زنده و بحث‌های ریاضی مستمر. او از یک فرهنگ سمینار قدرتمند دفاع می‌کند که در آن از سخنران انتظار می‌رود موضوع را به طور کامل و رضایت‌بخش برای مخاطبان توضیح دهد.
• طراحی برنامه‌های پژوهشی: پاداش دادن به ریاضی‌دانانی که می‌توانند برنامه‌های پژوهشی طراحی کنند که دیگران را به ارزشمند بودن آن متقاعد کند. وقتی AI می‌تواند انبوهی از PDF تولید کند، نقش انسان تبدیل به تشخیص «آنچه جذاب است» می‌شود.
• یادگیری انسان‌محور: حفظ گفتگوهای اتفاقی که جرقه‌ی ایده‌ها را می‌زند و عملِ ضربه زدن دانشجویان به درِ اتاق اساتید برای رفع ابهام. این عملکردهای اجتماعی-رابطه‌ای — یعنی درک، آموزش و تعیین میزان جذابیت — بخش‌هایی از شغل هستند که نمی‌توان آن‌ها را اتوماتیک کرد.
• اصلاح تخصیص‌ها: استخدام و پذیرش دانشجویان باید به سمت مدل‌های مصاحبه‌محور حرکت کند. چون AI در نهایت در شرح دادن و «هضم» مطالب پیشرفت خواهد کرد، تنها سیگنال قابل‌اعتماد تخصص، تعامل ریاضی در لحظه (Real-time) خواهد بود.

اقتصاد کشف حقیقت

یکی از تکان‌دهنده‌ترین تغییرات، تبدیل حقیقت ریاضی به یک کالای ارزان (Commoditization) است. لیت مشاهده می‌کند که برخی پرسش‌های بنیادی اکنون می‌توانند از طریق یک «تزریق نقدی» پاسخ داده شوند — یعنی هزینه اندک محاسباتی برای تولید یک اثبات. او این هزینه را با قیمت یک «شام خوب» مقایسه می‌کند.

در حالی که برخی همکاران از این موضوع رنج می‌برند — زیرا می‌ترسند چنین میان‌بری، جامعه‌سازی و پیشرفت‌های جانبی را که معمولاً همراه با تلاش‌های پژوهشی طولانی‌مدت است دور بزند — لیت آن را یک رهایی می‌بیند. او می‌پذیرد که یک اثبات ماشینی لزوماً درک انسانی ایجاد نمی‌کند، اما استدلال می‌کند که اگر یک پرسش پایه ارزان حل شود، راه برای انسان باز می‌شود تا بپرسد این پاسخ چه چیزی را توضیح می‌دهد و چه ابهامات جدیدی ایجاد می‌کند.

او معتقد است در حالی که AI می‌تواند انبوهی از PDF تولید کند، این نتایج تنها زمانی ارزش می‌یابند که یک جامعه انسانی با آن‌ها درگیر شود. او اشاره می‌کند که بسیاری از حدس‌های باز در واقع معیاری برای شکست ما در درک یک شیء ریاضی هستند؛ حل کردن آن‌ها بدون بهبود آن درک، ناکافی است. اگر یک حدس «در جنگلی حل شود» و کسی نباشد که آن را بشنود، هیچ ارزشی خارج از کاربرد مستقیم ندارد. نقش ریاضی‌دان از «تولیدکننده اثبات» به «کیوریتور درک» تغییر می‌کند.

پایان‌بندی درک انسانی

لیت نسبت به یک «چشم‌انداز تیره» هشدار می‌دهد که در آن درک انسانی متوقف شود چون نهادها نتوانستند سازگار شوند. او استدلال می‌کند که ما نباید صرفاً لبه قابلیت‌های مدل‌ها را تعقیب کنیم — مثلاً اولویت دادن به نظریه‌پردازی یا پرسیدن سوالاتی فقط به این دلیل که AI فعلاً در آن‌ها ضعیف‌تر است — زیرا آکادمی نمی‌تواند به سرعت مدل‌ها رشد کند. ما باید «پایان‌بازی» (Endgame) را در نظر بگیریم: دنیایی که در آن AI در اکثر یا تمام جنبه‌های ریاضیات به‌طور مستحکم فوق‌بشری است.

در این دنیا، نیاز به ریاضی‌دانان انسانی در واقع افزایش می‌یابد. وقتی مدل‌ها حجم باورنکردنی از ریاضیات تولید می‌کنند، مقدار بی‌نهایاتی از مطالب جدید نیاز به هضم و یکپارچه‌سازی انسانی دارد. حرفه ریاضی‌دان ناپدید نمی‌شود؛ بلکه صرفاً تغییر می‌کند که چه چیزهایی را حفظ کند و چه چیزهایی را دور بریزد. لیت تأکید می‌کند که خودِ تکنولوژی مسئله است، نه رفتار آزمایشگاه‌های AI؛ نهادهایی که هر کسی با یک لپ‌تاپ می‌تواند مقاله‌ای در سطح Annals تولید کند، نمی‌توانند بدون تغییر زنده بمانند.

در نهایت، لیت تأکید می‌کند که هیچ‌کس نمی‌تواند ریاضیات را به‌جای ما بفهمد. حتی اگر یک مدل توضیحی زیبا ارائه دهد، انسان باید کار شناختی درونی‌سازی حقیقت را انجام دهد. این گذار مستلزم حرکت از نقش «دروازه‌بان» به سمت نقش «آموزگار و کاوشگر» است. هدف دیگر این نیست که تنها کسی باشید که می‌تواند مسئله‌ای را حل کند، بلکه این است که کسی باشید که می‌تواند توضیح دهد چرا آن راه حل اهمیت دارد.

گام بعدی شما

• اگر در حال تحصیل یا تدریس در رشته‌های STEM هستید، تمرکز خود را از «خروجی متنی» به «توانایی دفاع شفاهی و استدلال زنده» منتقل کنید.
• در ارزیابی تخصص دیگران، به‌جای بررسی لیست مقالات، جلسات بحث و تبادل نظر عمیق را معیار قرار دهید.
• ابزارهای AI را نه برای جایگزینی تفکر، بلکه برای حذف مراحل تکراری اثبات و تمرکز بر «طراحی پرسش‌های جذاب» به کار بگیرید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.