ریاضیدانان برتر: مدل‌های زبانی بزرگ فاقد شهود خلاق برای اکتشافات بنیادین هستند

تصور کنید ابزاری دارید که تمام کتاب‌های ریاضی جهان را حفظ است، اما نمی‌تواند یک مفهوم کاملاً جدید ابداع کند. این دقیقاً همان نقطه‌ضعفی است که ریاضیدانان تراز اول جهان در قلب مدل‌های زبانی بزرگ (LLM) شناسایی کرده‌اند.

به نقل از گزارش ۱۶ اوت ۲۰۲۶ در the-decoder.com، اجماعی میان نظریه‌پردازان بر این است که هوش مصنوعی فعلی فاقد شهود لازم برای پیمایش بهینه در فضاهای جست‌وجوی وسیع است. این نقد در حالی مطرح می‌شود که صنعت در حال بحث بر سر این است که آیا مدل‌ها به تطبیق‌پذیری واقعی رسیده‌اند یا صرفاً در بهینه‌سازی برای محک‌های (Benchmarks) آشنا خبره شده‌اند. این چالش با این واقعیت همسو است که بسیاری از وظایف فعلی هوش مصنوعی تنها به مسائل ساده‌ی طبقه‌بندی تقلیل یافته‌اند و لزوماً به معنای درک عمیق مفاهیم نیستند.

همان‌طور که در تحلیل قبلی ما درباره‌ی محدودیت‌های ساختاری مدل‌های استدلالی اشاره کردیم، مشکل فعلی نه در لایه‌های فنی، بلکه در فقدان بنیادین «انتزاع خلاق» است.

تیموتی گاورز (Timothy Gowers) و پیتر سارناک (Peter Sarnak) استدلال می‌کنند که AI اگرچه می‌تواند نتایجی را از تئوری‌های موجود استخراج کند، اما در توسعه انتزاع‌های زیربنایی برای اثبات‌های بزرگ شکست می‌خورد. تام زهاوی (Tom Zahavy)، پژوهشگر دیپ‌مایند (DeepMind)، این نقص را «شکست در استنتاج ابداعی» (Manipulative Abduction) می‌نامد. در همین راستا، تحلیل‌های ما نشان می‌دهد که تخصص کاربر همچنان متغیر اصلی در کیفیت خروجی مدل‌هاست، زیرا مدل‌ها برای پر کردن شکاف‌های شهودی به دانش عمیق انسانی متکی هستند.

بر اساس مقاله زهاوی با عنوان «LLMها نمی‌توانند جهش کنند»، شکاف‌های فنی مدل‌ها شامل موارد زیر است:

• ناکارآمدی در جست‌وجو: مدل‌ها مسیرهای زیادی را امتحان می‌کنند اما نمی‌توانند به‌صورت شهودی چند مسیر سازنده را انتخاب کنند.
• شکست در استنتاج ابداعی: ناتوانی در ابداع مفروضات بنیادین جدیدی که هیچ پیشینه زبانی ندارند.
• شکاف انتزاعی: ناتوانی در انتقال از پرسش‌های ابتدایی به چارچوب‌های نظری سطح بالا.

برای جامعه فنی، این یافته معیار «هوش» را از صحت نتایج به توانایی تولید اصول موضوعه (Axioms) جدید تغییر می‌دهد. این موضوع نشان می‌دهد که افزایش پارامترها به تنهایی مسئله خلاقیت را حل نمی‌کند و صنعت باید به سمت مدل‌های جهان (World Models) حرکت کند تا فاصله بین دست‌کاری داده‌ها و ابداع مفاهیم پر شود.

گام بعدی شما

• رصد مقالات مربوط به معماری‌های استدلال غیرزبانی که تلاش می‌کنند «جهش شهودی» را شبیه‌سازی کنند.
• بررسی تفاوت بین مدل‌های صرفاً پیش‌بین و مدل‌هایی که از World Models برای درک فیزیک یا ریاضی استفاده می‌کنند.
• تحلیل این موضوع که آیا ترکیب LLMها با سیستم‌های نمادین (Symbolic AI) می‌تواند این شکاف انتزاعی را پر کند یا خیر.

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