تصور کنید دانش‌آموز دبیرستانی باشید و مسئله‌ای را حل کنید که تا پیش از این، تنها در توان ریاضی‌دانان تراز اول جهان بود. این اتفاق برای دو نوجوان در کالیفرنیا رخ داد که ثابت کردند برای لمس مرزهای علم، دیگر نیازی به دهه‌ها تحصیلات آکادمیک نیست.
به نقل از گزارش منتشر شده در arXiv، دو دانش‌آموز دبیرستان اوک پارک به نامهای آیوش باتیجا (Aayush Bathija) و پرینس روهاتگی (Prince Rohatgi)، در ۱۴ سپتامبر ۲۰۲۶ مقاله‌ای ۷۵ صفحه‌ای با عنوان «نسبت‌های کران‌دار برای چندجمله‌ای‌های لورنتزی» منتشر کردند. آن‌ها برای رسیدن به این نتیجه از Claude Opus 5 و GPT-5.6 Sol در جریان پژوهش خود استفاده کردند. این مدل‌های استدلالی جدید، مشابه قابلیت‌هایی هستند که در مدل‌های منتشرنشده OpenAI برای حل مسائل پیچیده ریاضی مشاهده شده و بحث‌های گسترده‌ای را در محیط‌های آکادمیک برانگیخته‌اند.
این موفقیت در حالی رخ می‌دهد که جامعه ریاضی جهان در وضعیت تنش شدیدی قرار دارد. تنها یک روز پیش از انتشار این مقاله، ۲۵ برنده مدال فیلدز، از جمله جون هو (June Huh)، نامهای باز امضا کردند و هشدار دادند که هوش مصنوعی در حال «نابود کردن خودِ ریاضیات» است. آن‌ها نگران‌اند که قدرت محاسباتی، دقت و خلوص تفکر علمی را از بین ببرد. اما کار این دو نوجوان روایتی متفاوت را می‌سازد: هوش مصنوعی جایگزین دقت نیست، بلکه دسترسی به پیشرفته‌ترین مباحث علمی را دموکراتیزه می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های استدلالی اشاره کردیم، مرز بین ابزار محاسباتی و تفکر ساختاری در حال محو شدن است. برای درک این دستاورد، باید ابتدا با کارهای جون هو آشنا شویم؛ ریاضی‌دانی که در سال ۲۰۲۲ مدال فیلدز را برد. او مسیری غیرمتعارف داشت؛ دبیرستان را رها کرد تا شاعر شود و سپس به ریاضیات محض روی آورد و در ۳۹ سالگی — آخرین مهلت سنی برای دریافت این مدال — به این افتخار رسید.
در سال ۲۰۲۰، هو و همکارانش نظریه چندجمله‌ای‌های لورنتزی را بنا کردند. این‌ها چندجمله‌ای‌های خاصی هستند که ضرایب آن‌ها مستقل نیستند، بلکه توسط محدودیت‌های ریاضی سخت‌گیرانه‌ای کنترل می‌شوند. این محدودیت‌ها، ترکیبات ریاضی (Combinatorics) را به هندسه و نابرابری‌ها پیوند می‌دهند. تمرکز این پژوهش بر «نسبت‌های کران‌دار» است؛ یعنی بررسی اینکه آیا ترکیبات خاصی از ضرایب، یک سقف غیرقابل نفوذ دارند یا می‌توانند تا بی‌نهایت افزایش یابند.
تا پیش از این، هو و تیمش این نسبت‌ها را برای چندجمله‌ای‌های لورنتزی درجه دو توصیف کرده بودند. اما با افزایش درجه به سه، چهار و بیشتر، روابط بین ضرایب به‌صورت نمایی پیچیده‌تر می‌شوند و قوانین درجه دو دیگر کاربرد ندارند.
برای تجسم این محدودیت‌ها، یک چندجمله‌ای ساده را در نظر بگیرید که در آن $a, b, c$ اعداد مثبت باشند و جمله وسط $2b$ باشد. برای اینکه این یک چندجمله‌ای لورنتزی باشد، باید شرط $b^2 \ge ac$ برقرار باشد. این نمونه‌ای از ویژگی «لگ-مقعر» (log-concave) است. اگر $a=4$ و $c=9$ باشد، $b$ باید حداقل ۶ باشد؛ در غیر این صورت، چندجمله‌ای از خانواده لورنتزی خارج می‌شود. در موارد پیچیده‌تر، تعریف رسمی شامل ماتریسی است که انحنا را توصیف می‌کند و ساختار مقادیر ویژه آن «یک مثبت و بقیه منفی» است؛ به همین دلیل نام «لورنتزی» را روی آن گذاشته‌اند.
وقتی این نابرابری‌ها تغییر می‌کنند، «نسبت‌های کران‌دار» ایجاد می‌شوند. برای مثال، نسبت $ac/b^2$ نمی‌تواند از ۱ بیشتر شود. هدف باتیجا و روهاتگی این بود که به‌طور سیستماتیک تعیین کنند کدام ترکیبات از ضرایب در چندجمله‌ای‌های درجه بالا، دارای این کران‌ها هستند.
این دو دانش‌آموز که عضو حلقه ریاضی اولگا رادکو در UCLA (ORMC) هستند، تحت هدایت دانیل سوسکین، پژوهشگر پسادکتری UCLA، کار کردند. آن‌ها از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نه برای جایگزینی تفکر، بلکه برای اکتشافات سریع یا «جنگ برق‌آسا» استفاده کردند. طبق بخش سپاسگزاری مقاله، مدل‌های Claude Opus 5 و GPT-5.6 Sol در سه حوزه به کار گرفته شدند:
- اکتشافات محاسباتی: انجام محاسبات عددی سنگین و پردازش داده‌ها.
- تولید ایده‌های اثبات: جست‌وجوی مسیرهای احتمالی استخراج و پیشنهاد جهت‌های نظری هنگام مواجهه با بن‌بست.
- کمک ویرایشی: اصلاح ساختار و شفافیت متن ۷۵ صفحه‌ای مقاله.
برای مدیریت پیچیدگی چندجمله‌ای‌های درجه بالا، آن‌ها از تکنیکی به نام «تروپیکالیزه کردن» (Tropicalization) استفاده کردند. این روش مقادیر عددی پیچیده را به توان‌های ساده تبدیل می‌کند:
- تبدیل توان: با نزدیک کردن متغیر $t$ به صفر، ضرایب بر اساس توان‌های $t$ مقدار می‌گیرند.
- ساده‌سازی: ضرب و تقسیم به جمع و تفریق توان‌ها تبدیل می‌شود.
- توان غالب: علامت توان نهایی نشان می‌دهد که آیا یک نسبت کوچک می‌شود یا به سمت بی‌نهایت می‌رود.
نظریات موجود می‌گویند الگوهای توان معتبر توسط یک قانون محدبیت گسسته به نام M-convexity کنترل می‌شوند. گام کلیدی مقاله، اثبات این است که اگر نسبتی بتواند تا بی‌نهایت افزایش یابد، مسیری با این ویژگی توان خاص یافت می‌شود تا این «فرار» آشکار شود. برای این کار، آن‌ها از ابزارهای هندسه نیمه‌جبری استفاده کردند.
پژوهشگران درباره محدودیت‌های ابزارهای خود شفاف بودند. آن‌ها اشاره کردند که برخی پیشنهادات هوش مصنوعی مفید بود، اما برخی دیگر به‌طور فعال گمراه‌کننده بودند. برای حفظ یکپارچگی ریاضی، دانش‌آموزان هر محاسبه و استدلال را به‌طور مستقل تأیید کردند و مسئولیت کامل محتوا را پذیرفتند. در این میان، چالش تشخیص متون تولید شده توسط AI به موضوعی حیاتی تبدیل شده است؛ چنان‌که برخی ناشران با استفاده از ابزارهای تشخیص هوش مصنوعی سخت‌گیرانه‌تر عمل کرده و حتی قراردادهای نشر را لغو می‌کنند.
«قضیه ساختاری اصلی» آن‌ها، نتایج قبلی را به درجات دلخواه تعمیم می‌دهد. این قضیه ثابت می‌کند که می‌توان با استفاده از مجموعه‌ای از شرایط محدبیت گسسته، تعیین کرد که آیا یک نسبت ضرایب دارای کران بالا هست یا خیر. این امر به پژوهشگران اجازه می‌دهد مسیرهای خاصی را برای شناسایی نسبت‌های «فراری» بررسی کنند.
این داستان نشان‌دهنده تغییری بنیادین در مفهوم «صلاحیت» پژوهشگران است. پیش از این، دست زدن به مسئله‌ای در سطح مدال فیلدز، نیازمند یک دهه تحصیلات دانشگاهی و دکترا بود. اکنون، یک دانش‌آموز دبیرستانی با یک منتور و یک مدل زبانی می‌تواند در همان مرزهایی حرکت کند که برترین ریاضی‌دانان جهان حضور دارند.
برای شما به عنوان خواننده، این یعنی «خندق» آموزش رسمی در حال کوچک شدن است. مزیت رقابتی از «توانایی دسترسی به دانش پیشرفته» به «توانایی تأیید فرضیات تولید شده توسط هوش مصنوعی» تغییر می‌کند. گلوگاه دیگر جست‌وجوی مسیر نیست، بلکه غربالگری دقیق آن مسیر برای شناسایی توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — یا شکاف‌های منطقی است.
در حالی که برندگان مدال فیلدز نگران از دست رفتن خلوص علم هستند، واقعیت این است که هوش مصنوعی مانند یک «اسکلت بیرونی شناختی» عمل می‌کند. این ابزار به آماتورهای مستعد اجازه می‌دهد سال‌ها محاسبات تکراری را دور بزنند و مستقیماً به اکتشافات ساختاری سطح بالا بپرند.
گام بعدی شما
- اگر در حوزه ریاضی یا علوم پایه فعالیت می‌کنید، مقاله «Bounded Ratios for Lorentzian Polynomials» را در arXiv بخوانید تا با متدولوژی ترکیب LLM و اثبات ریاضی آشنا شوید.
- ابزارهای استدلالی جدید مانند GPT-5.6 Sol را برای «طوفان فکری» در مسیرهای حل مسئله امتحان کنید، اما هر گام را به‌صورت دستی بازبینی کنید.
- بر یادگیری مفاهیم «تأیید و اعتبارسنجی» (Verification) تمرکز کنید، زیرا در عصر AI، توانایی تشخیص خطای مدل، ارزشمندتر از توانایی تولید پاسخ است.
اما بحث درباره اینکه آیا اثبات‌های کمک‌گرفته از AI باید دسته‌بندی متفاوتی نسبت به اثبات‌های انسانی داشته باشند یا خیر، تازه آغاز شده است — به تحلیل ما درباره آینده متدولوژی‌های علمی مراجعه کنید.
گفتگو