تصور کنید سال‌ها روی یک مسئلهٔ پیچیده ریاضی کار کرده باشید و ناگهان شرکتی با هزاران پردازنده، جواب را در یک شب پیدا کند و بدون ذکر نام شما منتشر کند. این کابوس فعلی جامعهٔ ریاضیدانان است که حالا باید با قدرت خردکنندهٔ مدل‌های هوش مصنوعی کنار بیاید. در دنیای آکادمیک، این پیروزی بیشتر شبیه به یک شکست است. در حالی که OpenAI راه حلی برای مسئله ناویه-استوکس — یکی از هفت مسئله افسانه‌ای جایزه هزاره — پیدا کرده است، این نقطه عطف تاریخی ریاضیات، در عوض باعث ایجاد بحرانی در اعتماد میان سیلیکون ولی و جامعه جهانی ریاضیات شده است.
دنیای ریاضیات دهه‌هاست که بر پایهٔ بررسی‌های دقیق همتا (Peer Review) و پیشرفت‌های کند اما مطمئن پیش می‌رود. این رشته به عنوان دیسیپلینی شناخته می‌شود که با استانداردهای سخت‌گیرانه آکادمیک تعریف شده است. اما حالا این نظم با فرهنگ «سریع حرکت کن و همه چیز را بشکن» در آزمایشگاه‌های AI برخورد کرده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تضاد میان شفافیت آکادمیک و اسرار تجاری شرکت‌های بزرگ، حالا به قلب علوم پایه رسیده است. تنش دیگر بر سر این نیست که آیا هوش مصنوعی می‌تواند ریاضیات انجام دهد یا خیر، بلکه بحث بر سر این است که آیا این کار را به صورت اخلاقی انجام می‌دهد یا نه.
OpenAI در ۵ اکتبر ۲۰۲۶ اعلام کرد که مسئلهٔ ناویه-استوکس (Navier-Stokes) را حل کرده است؛ مسئله‌ای که جریان مایعات و گازها را توصیف می‌کند و حدود ۹۰ سال بدون پاسخ مانده بود. به نقل از پست وبلاگی این شرکت، این موفقیت توسط یک مدل داخلی — که قدرتمندتر از GPT-6 Astra است — و با کمک ۱۰ هزار عامل (Agent) — شبیه به تیمی از هزاران دستیار دیجیتال که هر کدام بخشی از یک پروژه بزرگ را پیش می‌برند — به دست آمده است.
طبق اعلام شرکت، آموزش این مدل خاص از ۲۸ اوت آغاز شده و در بنچمارک‌های داخلی، به‌ویژه در ریاضیات، عملکردی بی‌سابقه داشته است. در حالت عادی، حل یکی از مسائل جایزهٔ هزاره (Millennium Prize) که جایزه‌ای یک میلیون دلاری دارد، باید یک جشن جهانی باشد، اما این بار واکنش‌ها تند است.
به گزارش منابع آکادمیک، پژوهشگران متهم‌اند که OpenAI دست به «ربودن دستاورد» (Scooping) زده است؛ یعنی پس از شنیدن خبر پیشرفت انسان‌ها در این مسیر، حجم عظیمی از محاسبات (Compute) — که مثل اجاره کردن یک آشپزخانه صنعتی غول‌پیکر برای پختن یک غذای ساده است — را به کار گرفته تا زودتر از بقیه جواب را منتشر کند. این موضوع یادآور تنش‌های پیشین بر سر مالکیت پیشرفت‌های ریاضی OpenAI و رقابت آن با آنتروپیک و NYU است که نشان می‌دهد بحث بر سر اعتبار علمی در این شرکت موضوع جدیدی نیست. این تلاش لحظه آخری برای پیشی گرفتن از دیگران، اتهاماتی مبنی بر جاسوسی و نقض آشکار هنجارهای آکادمیک را به همراه داشته است. پروفسور ابهیشک ساها از دانشگاه کوئین مری لندن می‌گوید این شرکت کارهایی می‌کند که ریاضیدانان هرگز انجام نمی‌دهند.
ماجرا به زمان انتشار ختم نمی‌شود؛ منشأ داده‌های آموزشی هم زیر ذره‌بین است. آندریاس تام، ریاضی‌دان برجسته، علناً پرسیده است که آیا کارهای منتشرنشده‌اش از طریق تعامل با چت‌بات ChatGPT به مدل خورانده شده است یا خیر. او به طور خاص به موارد زیر اشاره کرد:
- تام اشاره کرد که یکی از ۱۰ نتیجهٔ اعلام‌شده توسط OpenAI مربوط به «گروه‌های غیرسوفیک» است که تخصص خاص اوست.
- OpenAI پذیرفت که این نتیجه به‌شدت بر پایه کارهای قبلی تام و گابور کون بنا شده است.
- تام عدم شفافیت شرکت درباره داده‌های آموزشی را «ناصادقانه» و غیراخلاقی خواند.
جیمز مینارد، برنده مدال فیلدز از دانشگاه آکسفورد، این وضعیت را یک بحران وجودی می‌نامد. او در گفتگو با The Verge گفت که سال گذشته را به «خودشناسی» گذرانده تا بفهمد رشته‌ای که ذاتاً کند است، چگونه باید با AI سازگار شود. این فناوری با شناسایی الگوها در حجم عظیمی از متون، نتایج پراکنده را ترکیب می‌کند و متدهای مجزا را برای حمله به مسائلی که دهه‌ها انسان‌ها را به چالش کشیده بود، به کار می‌گیرد. این مدل می‌تواند پیوندهایی بین رشته‌های مختلف ایجاد کند یا مفاهیمی را که در اعماق ادبیات آکادمیک دفن شده‌اند، برای خلق چیزی جدید بیرون بکشد.
برای بسیاری از دانشگاهیان، OpenAI نه یک همکار، بلکه یک متجاوز با منابع نامحدود است که شبیه به یک «بولدوزر runaway» از روی استانداردهای علمی رد می‌شود. تفاوت اصلی در انگیزه است: ریاضیدانان به دنبال پیشرفت علم هستند، اما تصور می‌شود OpenAI فقط می‌خواهد «برنده» شود.
در پاسخ به این بحران اعتباری، OpenAI روز دوشنبه تشکیل یک گروه مشورتی مستقل از متخصصان تراز اول را اعلام کرد. وظیفه این پنل، راهنمایی شرکت‌های AI در مورد نحوه تعامل با جامعه ریاضی و نحوه ارائه و انتشار نتایج جدید است. این اقدام در راستای تلاش‌های اخیر شرکت برای مهار موج اکتشافات و ترمیم روابط با جامعه ریاضیدانان صورت گرفته است.
با این حال، اجرای این تصمیم هم آشفته بوده است. بسیاری از ریاضیدانان از حضور ناگهانی این گروه غافلگیر شدند و اعضای پنل، این فرآیند را «گیج‌کننده و نامنظم» توصیف کرده‌اند که دقیقاً بازتاب همان رفتاری است که در ابتدا باعث بیزاری جامعه ریاضی شد. پژوهشگران سوالات اساسی دارند:
- این گروه در عمل چه کاری انجام خواهد داد؟
- این پنل چقدر روی تصمیمات شرکت تأثیر دارد؟
- آیا OpenAI واقعاً به توصیه‌ها گوش می‌دهد؟
- آیا یک گروه کوچک از پژوهشگران برجسته می‌تواند واقعاً نماینده کل جامعه ریاضی باشد؟
اولین چالش دلهره‌آور این گروه، هماهنگی برای انتشار ده‌ها نتیجهٔ دیگر است که OpenAI ادعا می‌کند مدل منتشرنشده‌اش پیش‌تر حل کرده است.
این احتمالِ وقوع یک «موج عظیم» از اکتشافات، حس ترس و وحشت را در پژوهشگران ایجاد کرده است. نگرانی این است که مسیر سنتی کشف ریاضی با یک فرآیند «جعبه سیاه» جایگزین شود که آداب آکادمیک را نادیده می‌گیرد.
این درگیری نشان‌دهنده تغییر در ارزش‌گذاری اکتشافات علمی است. اگر یک مدل بتواند مسئله‌ای را بدون مسیر شفاف و قابل‌فهم برای انسان حل کند، نقش ریاضی‌دان از «خالق» به «تأییدکننده» تغییر می‌کند.
برای کل صنعت AI، این یک هشدار است. وقتی مدل‌ها از تولید متن به حل سخت‌ترین مسائل علوم پایه می‌روند، ماهیت بستهٔ مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد اما نمی‌گوید دقیقاً از کدام صفحه نقل کرده — با نیاز به شفافیت در دانشگاه‌ها برخورد می‌کند. برنده شاید کسی باشد که مسئله را حل کند، اما بازنده، اعتمادی است که برای پیشرفت علم ضروری است.
منتظر انتشار «ده‌ها نتیجه‌ای» باشید که OpenAI در حال حاضر نگه داشته است؛ زیرا این نتایج تعیین خواهند کرد که آیا پنل مشورتی جدید تأثیر واقعی دارد یا صرفاً یک سپر تبلیغاتی (PR shield) است.
گام بعدی شما
- اگر پژوهشگر هستید، روی ابزارهای «تأیید صحت» (Verification) تمرکز کنید، زیرا نقش شما از حل مسئله به بازبینی نتایج AI تغییر می‌کند.
- انتشار نتایج بعدی OpenAI را دنبال کنید تا ببینید آیا پنل مشورتی توانسته است شفافیت را به فرآیند اضافه کند یا خیر.
- در مورد نحوه استفاده از داده‌های شخصی در چت‌بات‌ها محتاط‌تر باشید تا از «ربودن» ایده‌هایتان جلوگیری شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو