تصور کنید یک مدل هوش مصنوعی ناگهان معمایی را حل کند که باهوش‌ترین انسان‌های جهان را برای دهه‌ها به زانو درآورده است. این اتفاق اکنون رخ داده و یکی از سخت‌ترین مسائل ریاضی تاریخ بشر توسط ماشین‌ها گشوده شد. یک مدل داخلی از شرکت OpenAI توانست مسئلهٔ وجود و همواری ناویه-استوکس (Navier–Stokes existence and smoothness) را حل کند؛ مسئله‌ای که یکی از هفت مسئلهٔ جایزهٔ هزاره است. این دستاورد تنها دومین باری است که یکی از این مسائل از زمان تأسیس جوایز توسط مؤسسه ریاضی کلی در سال ۲۰۰۰ حل می‌شود.
این موفقیت در حالی رخ می‌دهد که صنعت به سمت استدلال‌های عامل‌محور (Agentic) — یعنی سیستم‌هایی که مثل یک کارمند مستقل، مراحل حل مسئله را برنامه‌ریزی و اجرا می‌کنند — حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی نمرات بالای مدل GPT-6 Astra در آزمون‌های ARC-AGI-3 اشاره کردیم، این اتفاق نشان‌دهندهٔ جهشی از موفقیت در بنچمارک‌ها به حل رازهای بنیادین و باز (Open-ended) علمی است. برای اکثر مردم، این اتفاق شبیه به این است که یک AI ناگهان معمایی را حل کند که دهه‌هاست باهوش‌ترین انسان‌های دنیا را درمانده کرده است.
جزئیات پیشرفت فنی
مسئلهٔ ناویه-استوکس بر روی معادلات جریان سیالات، مانند هوا و آب، تمرکز دارد. این معادلات توصیف می‌کنند که سیالات چگونه در طول زمان جریان می‌یابند. این معادلات در دینامیک سیالات کاربرد وسیعی دارند و قدرت خود را ثابت کرده‌اند، اما فیزیک‌دانان و ریاضی‌دانان هرگز آن‌ها را به‌طور کامل درک نکردند.
سال‌ها تلاش شد تا مشخص شود آیا این معادلات می‌توانند «بشکنند» و وضعیت‌های غیرممکنی را پیش‌بینی کنند یا خیر؛ وضعیت‌هایی مانند رسیدن یک سیال به سرعت بی‌نهایت. هدف این بود که ثابت شود آیا این معادلات همیشه همواری (Smoothness) خود را حفظ می‌کنند یا در شرایط خاصی شکست می‌خورند.
طبق گزارش‌ها، در ۸ سپتامبر ۲۰۲۶، تریستان باک‌مستر، ریاضی‌دان دانشگاه NYU، اثباتی را در شبکهٔ مستودون منتشر کرد که نشان می‌داد نسخه‌ای ساده‌شده از این معادلات واقعاً می‌شکنند. این یک گام بزرگ رو به جلو در حل مسئلهٔ هزاره بود. او و لِوِنت آلپوگه، کارمند شرکت Anthropic، نزدیک به یک سال را با استفاده از مدل‌های عمومی هر دو شرکت OpenAI و Anthropic صرف این پژوهش کرده بودند.
اما تنها یک روز بعد، در ۹ سپتامبر ۲۰۲۶، OpenAI اثباتی ارائه کرد که نشان می‌داد معادلات کامل نیز می‌شکنند. آن‌ها برای این کار از یک مدل داخلی استفاده کردند که به‌طور قابل‌توجهی از مدل Astra که هفتهٔ گذشته منتشر شده بود، قدرتمندتر است.
هزینهٔ قدرت محاسباتی خام (Brute Force)
به نقل از سباستین بوبک و مارک چن از OpenAI، این دستاورد حاصل یک لحظهٔ شهود یا «یافتم!» نبود، بلکه نتیجهٔ مقیاس عظیم محاسباتی بود. آن‌ها برای رسیدن به پاسخ، حدود ۱۰,۰۰۰ عامل (Agent) را به‌طور هم‌زمان به کار گرفتند.
جزئیات این عملیات به شرح زیر است:
- مقیاس محاسبات: اجرای هزاران عامل به‌صورت موازی برای جست‌وجوی جامع و متقاطع (Brute-force) جهت یافتن راه حل.
- هزینه مالی: این فرآیند میلیون‌ها دلار هزینهٔ محاسباتی برای شرکت در بر داشت.
- وضعیت جایزه: با وجود اینکه راه حل از نظر ریاضی صحیح است، OpenAI اعلام کرد که قصد ندارد جایزهٔ یک میلیون دلاری مؤسسه ریاضی کلی را مطالبه کند.
اتهامات سرقت علمی و جنجال‌ها
این پیروزی با اتهامات مربوط به «سلیقهٔ پژوهشی» تیره و تار شده است. باک‌مستر مدعی است کارکنان OpenAI به او پیشنهادی دادند: یا اثرش را منتشر کند و اجازه دهد OpenAI روز بعد جواب خود را منتشر کند، یا در مقاله‌ای مشترک همکاری کنند که در آن نام آلپوگه (به دلیل وابستگی به Anthropic، بزرگ‌ترین رقیب OpenAI) حذف شود.
هر دو اثبات (انسانی و ماشینی) از روشی استفاده کردند که توسط ریاضی‌دانانی به نام‌های دیگو کوردوبا و لوئیس مارتینز-زوروآ ابداع شده بود. در حالی که خاویر گومز-سرانو از دانشگاه براون اشاره می‌کند که این یکی از چندین مسیر امیدوارکننده بود، اما زمان‌بندی اتفاقات نشان می‌دهد که OpenAI احتمالاً از کار انسان‌ها به عنوان نقطهٔ پرتاب استفاده کرده است.
باک‌مستر از OpenAI پرسید آیا عامل‌های آن‌ها به پیش‌نویس‌های او دسترسی داشتند یا مدل‌ها روی آن‌ها آموزش دیده بودند؟ کارکنان OpenAI دسترسی را تکذیب کردند، اما هیچ پاسخی ندادند که آیا مدل‌ها روی آن متون آموزش دیده‌اند یا خیر.
زمینه و تحلیل مناقشه
سباستین بوبک در یک نشست خبری اعتراف کرد که تیم OpenAI پس از شنیدن شایعاتی دربارهٔ تلاش‌های باک‌مستر و آلپوگه، ترغیب شدند روی این مسئله کار کنند. این اعتراف به این نظریه وزن می‌دهد که پژوهشگران انسانی، جرقهٔ اولیه را زده‌اند.
مارک چن، مدیر ارشد پژوهش OpenAI، هرگونه دسترسی عامل‌ها یا کارکنان به پیش‌نویس‌ها را رد کرد. با این حال، در مقاله اشاره شده است که با توجه به اتفاقاتی مثل هک Hugging Face، OpenAI همیشه به‌طور کامل نمی‌داند عامل‌هایش در حال انجام چه کاری هستند.
اگر عامل‌ها صرفاً مسیر «سلیقهٔ پژوهشی» (Research Taste) — یعنی توانایی انتخاب مسیرهای امیدوارکننده — انسان‌ها را دنبال کرده‌اند، یعنی این توانایی هنوز یک ضرورت انسانی است. در این صورت، زحمت متخصصان انسانی برای موفقیت AI حیاتی بوده است.
فرسایش هنجارهای آکادمیک
این ماجرا شکاف عمیقی را میان ریاضیات آکادمیک و آزمایشگاه‌های شرکتی نشان می‌دهد. پیشرفت سنتی بر همکاری باز و به اشتراک گذاشتن «مسیرهای غلط» و راه حل‌های ناقص استوار است.
ترنس تائو، ریاضی‌دان UCLA، در شبکهٔ مستودون هشدار داد که حل مسائل از طریق روش‌های مبهم AI می‌تواند در مجموع «منفی» باشد. تائو معتقد است مسائل اغلب نه برای خودِ جواب، بلکه به این دلیل مطرح می‌شوند که تلاش انسانی برای حل آن‌ها باعث توسعهٔ کل آن حوزه می‌شود.
پیامدهای این رویکرد عبارتند از:
- از دست رفتن بینش: حل زودهنگام مسائل بدون شفافیت در فرآیند، پیشرفت ریاضی را مسموم می‌کند.
- پنهان ماندن شکست‌ها: وقتی شرکت‌های خصوصی مسیرهای غلط عامل‌های خود را مخفی می‌کنند، جامعه فرصت یادگیری از آن اشتباهات را از دست می‌دهد.
- ناپدید شدن زیرشاخه‌ها: تلاش و کلنجار رفتن انسانی اغلب زیرشاخه‌های جدید ریاضی می‌سازد، اما قدرت محاسباتی خام (Brute force) چنین نمی‌کند.
آیندهٔ ریاضی‌دانان
ما وارد عصری می‌شویم که سخت‌ترین مسائل ریاضی نیازمند منابعی هستند که فقط در اختیار چند شرکت پیشرو است. این واقعیت برای پژوهشگران مستقلی که نمی‌توانند با میلیون‌ها دلار هزینهٔ محاسباتی رقابت کنند، تلخ است.
خاویر گومز-سرانو ابراز تردید کرد که آیا شرکت‌های AI به هزینه کردن برای این اهداف ادامه می‌دهند یا خیر، اما اشاره کرد که تعداد بسیار کمی از ریاضی‌دانان انسانی هرگز به منابعی در این مقیاس دسترسی خواهند داشت. اگر شرکت‌هایی مثل OpenAI و Anthropic به دنبال کسب اعتبار باشند، شاید دیگر هیچ مسئلهٔ بازی برای کسانی که خارج از دیوارهای این شرکت‌ها هستند، باقی نماند.
اگر عامل‌ها فقط سلیقهٔ انسان را تقلید کنند، انسان همچنان ضروری است. اما اگر قدرت محاسباتی جایگزین اکتشاف هدایت‌شده توسط انسان شود، نقش ریاضی‌دان از یک «خالق» به یک «تأییدکننده» تغییر می‌کند.
منتظر فرآیند رسمی داوری همتای (Peer-review) اثبات ناویه-استوکس باشید تا ببینید آیا منطق AI شفاف است یا یک نتیجهٔ «جعبه سیاه» که پاسخ را بدون ارائهٔ بینش علمی می‌دهد.
گام بعدی شما
- نتایج فرآیند داوری همتای (Peer-review) اثبات ناویه-استوکس را دنبال کنید تا ببینید آیا منطق AI شفاف است یا یک «جعبه سیاه».
- بررسی کنید که آیا ابزارهای استدلالی فعلی شما می‌توانند در مسائل باز (Open-ended) کمک کنند یا فقط در بنچمارک‌ها موفق‌اند.
- دربارهٔ تفاوت میان «حل مسئله با قدرت محاسباتی» و «کشف ریاضی» مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو