تصور کنید سیستمی که به‌جای حل یک معادله، بتواند یک کتاب درسی کامل از ریاضیات را بنویسد و خط‌به‌خط تأیید کند. مدل پژوهشی آنتروپیک (Anthropic) طی ۱۱ روز به‌طور گسترده و خودگردان، نخستین فرمال‌سازی کامل و بررسی‌شده توسط کامپیوتر از قضیه آخر فرمات را در زبان اثبات Lean 4 تولید کرد. این نتیجه که در ۴ سپتامبر ۲۰۲۶ منتشر شد، توانایی یک مدل را در مدیریت یک وظیفه با پیچیدگی ساختاری بالا در یک افق زمانی طولانی و بدون دخالت انسان به نمایش می‌گذارد.
این نقطه عطف در حالی رخ می‌دهد که صنعت از رابط‌های ساده‌ی چت به سمت گردش‌کارهای عامل‌محور (Agentic) بلندمدت حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت بین GPT-6، Claude 5.1 و Gemini 4 اشاره کردیم، این دستاورد مرزهای توانمندی را از استدلال تک‌مرحله‌ای (Single-turn reasoning) به اجرای خودگردان چندروزه جابه‌جا می‌کند. برای اکثر توسعه‌دهندگان، این جهش مشابه انتقال از یک ماشین‌حساب است که یک معادله را حل می‌کند به سیستمی که می‌تواند یک کتاب درسی کامل ریاضی را بنویسد و صحت آن را تأیید کند.
زمینه‌ای برای درک اهمیت قضیه
قضیه آخر فرمات در دنیای ریاضیات موضوع جدیدی نیست. پیر دو فرمات نخستین بار در سال ۱۶۳۷ این ادعا را در حاشیه یک کتاب نوشت. این مسئله برای قرن‌ها بدون اثبات ماند تا اینکه سرانجام اندرو وایلز در سال ۱۹۹۵ آن را به اثبات رساند.
اثبات اصلی وایلز یک پروژه عظیم بود؛ متنی در ۱۲۹ صفحه که تأیید دستی آن توسط جامعه ریاضیدانان ماه‌ها زمان برد تا به‌طور کامل بررسی شود. این فرآیند تأیید دستی، گلوگاه سنتی ریاضیات سطح بالا است، زیرا خطاهای انسانی در بررسی‌های طولانی اجتناب‌ناپذیر است.
آنچه آنتروپیک در سپتامبر ۲۰۲۶ به دست آورد، یک کشف ریاضی جدید نبود، بلکه یک «ترجمه» بود. مدل توانست اثبات سال ۱۹۹۵ وایلز را به فرمی تبدیل کند که کامپیوتر بتواند خط‌به‌خط آن را بررسی کند. این کار نیاز به اعتماد انسانی در هر مرحله از زنجیره منطقی را به‌طور کامل حذف می‌کند. این رویکرد یادآور تلاش‌های پیشین این شرکت است که در آن سامانه چندعاملی آنتروپیک سعی در گشودن گره‌هایی از فرضیه ریمان داشت و توانایی‌های استدلالی خود را در مسائل بنیادین ریاضی به چالش کشید.
ابعاد عملیاتی فرمال‌سازی
به نقل از صفحه پژوهشی آنتروپیک، این فرآیند یک تمرین سخت‌گیرانه در «خود-فرمال‌سازی» (Autoformalization) بود. ابعاد این خروجی، طبق گزارش چندین منبع، بزرگ‌ترین اثبات Lean تاریخ است:
- حجم کد: فایل نهایی Lean شامل تقریباً ۱۳ میلیون خط کد است.
- تعداد قضایا: مدل ۳۰,۳۰۰ قضیه میانی را اثبات کرد که حدود ۲۹,۵۰۰ مورد از آن‌ها در اثبات نهایی به کار رفت.
- مصرف توکن: در این بازه ۱۱ روزه، نزدیک به ۶ میلیارد توکن (Token) خروجی تولید شد.
برای درک این اعداد، کافی است بدانید یک ویژگی نرم‌افزاری معمولی برای یک ابزار RAXXO شاید چند صد خط کد در چند فایل داشته باشد و در یک روز بررسی شود. اما این اجرا معادل ساخت و تأیید داخلی ده‌ها هزار اثبات کوچک و به‌هم‌پیوسته به‌صورت مداوم برای ۱۱ روز متوالی بود، بدون اینکه انسانی هر بخش را در لحظه ورود بررسی کند.
تأیید نهایی پس از اتمام کار و توسط بررسی‌کننده نوع (Type Checker) خودِ Lean انجام شد. همین سازوکار است که اجازه می‌دهد این دستاورد «بررسی‌شده توسط کامپیوتر» (Computer-checked) نامیده شود، نه صرفاً «کمک‌گرفته از کامپیوتر» (Computer-assisted). این تمایز میان کمک ماشین و تأیید ماشین، مشابه همان بحثی است که در دستاورد پژوهشگران چینی در مورد قضیه هادویگر کروی مطرح شد و بر اهمیت «آسیب‌پذیری ریاضیات محض» در برابر بررسی‌های دقیق ماشینی تأکید داشت.
زبان Lean 4 چیست؟
زبان Lean هم یک زبان برنامه‌نویسی است و هم یک اثبات‌کننده تعاملی قضایا. در Lean، کاربر ادعایی را با نحو (Syntax) سخت‌گیرانه بیان می‌کند و سپس توالی‌ای از «تاکتیک‌ها» را می‌نویسد. هسته (Kernel) زبان سپس یا این تاکتیک‌ها را به عنوان یک زنجیره منطقی معتبر می‌پذیرد یا آن‌ها را به‌طور کامل رد می‌کند.
در این سیستم هیچ نمره بخشی یا تخمین مثبتی وجود ندارد. یک اثبات Lean یا تأیید می‌شود یا نمی‌شود. همین ماهیت باینری است که باعث می‌شود نسخه ماشین‌خوان قضیه آخر فرمات، وزن بسیار بیشتری نسبت به یک خلاصه انگلیسی داشته باشد، فارغ از اینکه آن خلاصه چقدر خوب نوشته شده باشد.
نقش Prove2Me در مدیریت حافظه
این مدل در خلأ عمل نکرد، بلکه از یک لایه هماهنگی متن‌باز به نام Prove2Me استفاده کرد. این ابزار یک گراف جهت‌دار بدون دور (DAG) از گزاره‌های قضایا را مدیریت می‌کند و نقشه‌برداری می‌کند که کدام ادعاها به دیگری وابسته هستند.
عامل‌های متعدد از این گراف مشترک اطلاعات می‌گرفتند تا حرکت بعدی خود را تعیین کنند. این ساختار دو مشکل حیاتی را حل کرد:
۱. موازی‌سازی: جلوگیری از تکرار تلاش ده‌ها عامل که به‌طور موازی کار می‌کردند روی یک هدف فرعی (Subgoal) یکسان.
۲. پایداری حافظه: ایجاد یک حافظه خارجی پایدار از کل وظیفه. این کار مانع از تخریب حافظه‌ای شد که معمولاً هنگام پر شدن پنجره زمینه (Context Window) مدل در اجراهای طولانی رخ می‌دهد.
برخلاف یک چک‌لیست ساده که فرض می‌کند وظایف عمدتاً مستقل هستند، گراف وابستگی‌ها فرض می‌کند که اکثر وظایف تنها پس از اتمام پیش‌نیازها معنا پیدا می‌کنند. این معماری ترتیب وظایف را صریح می‌کند، به‌جای اینکه هر عامل مجبور باشد دوباره آن را کشف کند.
این انتخاب معماری اجازه داد سیستم ۱۱ روز با تنها چند اشاره کلی و پراکنده از ناظران انسانی اجرا شود. این‌ها همکاری‌های خط‌به‌خط نبودند، بلکه بیشتر شبیه راهنمایی‌های گذری یک سرپرست بودند. یک نمونه نقل‌شده از این راهنمایی‌ها این بود: «ژاکوبین به عنوان یک طرح (Scheme)، اولویت بالایی به نظر می‌رسد».
تمایز مدل مورد استفاده
باید توجه داشت مدلی که در این پروژه به کار رفت، مدل‌های عمومی Fable 5.1 یا Mythos 5.1 نبود که در ۱ سپتامبر ۲۰۲۶ عرضه شدند. اگرچه نتایج سه روز بعد از عرضه آن‌ها منتشر شد، اما این کار توسط یک مدل پژوهشی داخلی انجام شد که به‌طور خاص برای استدلال فرمال بلندمدت (Long-horizon formal reasoning) تنظیم شده بود.
در حالی که قابلیت‌های این مدل تقریباً با مدل‌های عمومی Claude قابل مقایسه است، اما تنظیمات خاص آن اجازه پایداری لازم برای یک پروژه ۱۳ میلیون خطی را می‌دهد. این تمایز مهم است زیرا بسیاری از گزارش‌های اولیه، مرز بین مدل پژوهشی و مدل‌های عمومی را نادیده گرفتند.
این رویکرد مشابه الگوهای قبلی است، مانند نتایج Mythos در مورد نقاط ضعف رمزنگاری، جایی که آنتروپیک ابتدا قابلیت‌های پیشرو را روی مسائل محدود و قابل تأیید تست می‌کند و سپس آن‌ها را در APIهای عمومی ادغام می‌کند. برای توسعه‌دهندگانی که امروز از Claude Code استفاده می‌کنند، مدل پژوهشی در دسترس نیست، اما لایه هماهنگی Prove2Me در دسترس است. این توانایی در حل مسائل پیچیده و رمزگشایی، یادآور زمانی است که مدل Fable 5.1 توانست یک معمای تاریخی مربوط به سال ۱۶۵۳ را در ۴۴ دقیقه رمزگشایی کند و قدرت تحلیل سیستماتیک خود را به رخ بکشد.
واکنش متخصصان و پیامدها
کوین بازارد، ریاضی‌دانی که مدل از آثار منتشرشده او در این فرآیند استفاده کرد، دیدگاهی واقع‌بینانه ارائه داد. او اشاره کرد که ابزارهای خود-فرمال‌سازی در حوزه‌های جبر، تحلیل هارمونیک، هندسه و نظریه اعداد اکنون به اندازه کافی مستحکم هستند که بتوان روی آن‌ها ساخت.
بازارد تأکید کرد که این اثبات چندلایه بود و نه تکرار یک ترفند ساده در مقیاس بزرگ. این موضوع نشان‌دهنده آینده‌ای است که در آن می‌توان از هوش مصنوعی برای بررسی ادبیات ریاضی مدرن و یافتن خطاهایی استفاده کرد که به‌طور اجتناب‌ناپذیر در طول دهه‌ها در اثبات‌های منتشرشده رخ داده و هیچ انسانی آن‌ها را دوباره با ماشین تأیید نکرده است.
یکی از گویاترین جزئیات این اجرا، لحظه تکمیل پروژه بود. طبق مستندات، وضعیت قضیه ریشه در داشبورد Prove2Me در نیمه‌شب به وقت آمریکا به «اثبات شد» تغییر کرد. هیچ انسانی شاهد زنده این لحظه نبود؛ این کشف صرفاً یک خط در لاگ بود که یک عامل برای عامل‌های دیگر نوشت و انسان‌ها بعدها آن را کشف کردند.
این اتفاق نشان‌دهنده تغییر به سمت کارهای واقعاً خودگردان در افق‌های زمانی بلند است. لحظه کشف دیگر تیمی نبود که دور یک صفحه نمایش جمع شده باشند، بلکه یک ورودی خودکار در لاگ سیستم بود.
تحلیل فنی: فراتر از ریاضیات
برای جامعه فنی، پیشرفت واقعی نه در ریاضیات، بلکه در الگوی هماهنگی است. تغییر از یک گفتگوی خطی به یک رکورد ساختاریافته و مشترک از اهداف فرعی، نقشه‌ای برای هر گردش‌کار چندعاملی است.
با تبدیل یک وظیفه پیچیده به یک گراف وابستگی به‌جای توالی پرامپت‌ها، توسعه‌دهندگان می‌توانند مشکل «فراموشی» را که گریبان‌گیر چارچوب‌های عامل‌محور فعلی است، حل کنند. این نتیجه ثابت می‌کند که خودگردانی بلندمدت در صورت جفت شدن مدل با یک وضعیت خارجی ساختاریافته، ممکن است.
لایه هماهنگی Prove2Me بخشی است که کاربران Claude Code که در حال ساخت گردش‌کارهای عامل‌محور هستند، باید مطالعه کنند. چون آنتروپیک Prove2Me را به عنوان یک ابزار متن‌باز منتشر کرده، این لایه هماهنگی برای مطالعه توسعه‌دهندگان در دسترس است، حتی اگر مدل پژوهشی داخلی باقی بماند.
جمع‌بندی نهایی
این خبر با ادعاهای معمول بنچمارک‌ها متفاوت است، زیرا شواهد عمومی از توانایی یک مدل در مدیریت یک وظیفه واقعاً طولانی و از نظر ساختاری دشوار، بدون نیاز به بررسی‌های ساعتی توسط انسان را ارائه می‌دهد.
این داستان دو بخش دارد. اول، یک مدل پژوهشی داخلی ۱۱ روز و ۶ میلیارد توکن صرف فرمال‌سازی قضیه‌ای کرد که پیش‌تر اثبات شده بود. این یک پیشرفت واقعی و مشخص است، نه یک ادعای مبهم.
دوم، الگوی هماهنگی — یعنی استفاده از یک گراف مشترک از اهداف فرعی به‌جای یک گفتگوی طولانی — یک درس ماندگار است که توسعه‌دهندگان می‌توانند همین امروز، فارغ از اینکه از چه مدلی استفاده می‌کنند، به کار ببندند. من همیشه بخش دوم را به تیتر خبر ترجیح می‌دهم.
پذیرش Prove2Me توسط جامعه به عنوان استانداردی برای هماهنگی عامل‌ها را دنبال کنید و بررسی کنید که آیا این قابلیت‌های بلندمدت در نهایت از مدل‌های پژوهشی داخلی به API عمومی منتقل می‌شوند یا خیر.
گام بعدی شما
- مستندات Prove2Me را بررسی کنید تا یاد بگیرید چگونه وظایف پیچیده را به جای زنجیره پرامپت، به صورت گراف وابستگی مدل کنید.
- اگر روی پروژه‌های کدنویسی طولانی کار می‌کنید، از ساختارهای حافظه خارجی برای جلوگیری از تخریب زمینه در پنجره‌های متنی بزرگ استفاده کنید.
- دنبال کنید که آیا قابلیت‌های استدلال بلندمدت مدل‌های پژوهشی آنتروپیک به APIهای عمومی Claude منتقل می‌شود یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو