تصور کنید یک ماشین ریاضی، پاسخی برای مسئله‌ای که دهه‌ها حل‌نشده بود پیدا کند، اما هیچ انسانی در جهان نتواند بفهمد این پاسخ چگونه به دست آمده است. این کابوسِ فعلی جامعهٔ ریاضی است که حالا به یک تقابل جدی میان فرهنگ «سریع پیش برو» در شرکت‌های فناوری و فرهنگ «همه چیز را تأیید کن» در علم تبدیل شده است.
در ۲۹ سپتامبر ۲۰۲۶، گروهی از پژوهشگران مجموعه‌ای از توصیه‌های رسمی را منتشر کردند و صراحتاً خواستار توقف استفاده از مدل‌هایی شدند که برای جامعهٔ علمی غیرقابل‌دسترسی هستند. نویسندگان این گزارش به وضوح بیان کرده‌اند که آن‌ها این رویه را تأیید نمی‌کنند و صراحتاً از آزمایشگاه‌های هوش مصنوعی می‌خواهند که به این شیوه از انتشار نتایج پایان دهند.
قرارداد اجتماعی علمی
برای هزاران سال، ریاضیات بر پایه یک قرارداد اجتماعی سخت‌گیرانه پیش رفته است: نویسنده باید استدلال خود را کاملاً بفهمد، آن را شخصاً تأیید کند و مسئولیت کامل محتوا را بپذیرد. این فرآیند ارگانیک — که شامل ارائه سمینارها در مؤسسات دیگر و سخنرانی در کنفرانس‌ها برای پاسخ به سؤالات همکاران است — تضمین می‌کند که پیشرفت ریاضی یک دستاورد مشترک انسانی باشد، نه مجموعه‌ای از پیش‌گویی‌های یک «غیب‌گو»ی دیجیتال. این سنت به عنوان یکی از افتخارات درخشان توسعه بشری نگریسته می‌شود.
گسست ناشی از هوش مصنوعی
ورود مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — این چرخه را شکست. اکنون AI می‌تواند اثبات‌های پیچیده‌ای تولید کند در حالی که انسانی که سیستم را هدایت کرده (پرامپت داده است)، قادر به درک استدلال‌ها، تأیید آن‌ها یا پذیرش مسئولیتشان نیست. این گزارش تأکید می‌کند که درک انسانی از ریاضیات، حتی در این عصر جدید، همچنان اهمیتی حیاتی دارد. چالش اصلی، ایجاد پارادایم جدیدی است که درک انسانی را به عنوان بخش مرکزی خروجی‌های علمی مسئولانه ادغام کند.
به گزارش وب‌سایت agmai.org، این تغییر ریسک ایجاد یک سیستم دوطبقه را به همراه دارد که در آن چند آزمایشگاه خصوصی، از کل جامعهٔ علمی پیشی می‌گیرند. این توصیه‌ها بر اساس بازخوردهای جامعه ریاضی، از جمله بیش از ۶۰۰ پاسخ به یک نظرسنجی درباره وضعیت خاصی تدوین شده است که در آن OpenAI وجود نتایج متعددی را اعلام کرد اما جزئیات پشتیبان آن‌ها را ارائه نداد. نویسندگان استدلال می‌کنند که اگر آزمایشگاه‌های AI نتایج قابل‌توجهی تولید می‌کنند، تعهدی اخلاقی و حرفه‌ای دارند تا اطمینان حاصل کنند که درک انسانی نیز به دنبال آن می‌آید. این موضوع صرفاً درباره باز کردن کدها (Open-source) نیست؛ بلکه درباره تأمین بودجه برای تلاش‌های شناختی لازم جهت جذب و درک دانش تولید شده توسط AI است.
هنجارهای فنی برای انتشار AI
این توصیه‌ها خروجی‌های AI را به دو دسته تقسیم می‌کنند: نتایجی که انسان از پیش آن‌ها را می‌فهمد و نتایجی که در حال حاضر برای هیچ‌کس قابل‌فهم نیستند. برای مقالاتی که یک ریاضی‌دان مسئول آن‌هاست و محتوا را کاملاً درک می‌کند، این گروه اصرار دارد که هنجارهای سنتی آکادمیک رعایت شود: انتشار پیش‌نویس (Preprint)، ارسال برای داوری در مجلات علمی و ارائه سخنرانی‌های توضیحی.
برای نتایجی که هنوز توسط هیچ‌کس درک نشده‌اند، این گروه یک فرآیند انتشار سخت‌گیرانه پنج‌مرحله‌ای را پیشنهاد می‌دهد که به دو بخش «انتشار اولیه» و «پشتیبانی بعدی» تقسیم می‌شود:
- یکپارچگی با ادبیات علمی: آزمایشگاه‌ها باید پژوهش‌های موجود را برای استناد به ایده‌های مرتبط جستجو کنند. حتی اگر مدل یک ایده را به‌طور مستقل کشف کرده باشد، باید طبق رویه استاندارد، مقالاتی را که این ایده‌ها برای اولین بار در آن‌ها معرفی شده‌اند، ذکر کند.
- پاک‌سازی سبک: مدل‌ها باید برای بازنویسی اثبات‌ها به سبک سنتی ریاضی، با مقدمه‌های دوستانه و بیان دقیق قضایا، هدایت شوند. آن‌ها باید استدلال‌های طولانی و اصطلاحات غیر استاندارد را که خروجی‌های خام LLM را عملاً غیرقابل‌فهم می‌کند، حذف کنند. گزارش اشاره می‌کند که توانایی‌های فعلی LLMها ممکن است هنوز به سطح ارجاع‌دهی یا تبیینی که از ریاضیدانان انتظار می‌رود نرسیده باشد، به این معنی که ممکن است به کار انسانی بیشتری نیاز باشد.
- مخازن مستقل: نتایج باید در زمان مناسب در مخازن علمی ذخیره شوند که تحت کنترل آزمایشگاه‌های AI نیستند. این مخازن باید شناسه‌های قابل استناد دائمی را تضمین کنند، تغییرات بعدی را ثبت کنند و در حالت ایده‌آل، اجازه نظرات جامعه علمی را بدهند.
- شفافیت فرآیند: هر انتشار باید شامل نام مدل، پرامپت‌های دقیق استفاده شده، خلاصه‌ای از زنجیره تفکر (Chain-of-Thought) — شبیه وقتی شاگرد ریاضی پای تخته بلند بلند فکر می‌کند تا به جواب برسد — زمان صرف شده و هزینه تخمینی محاسبات باشد. این گروه شدیداً توصیه می‌کند که خروجی‌های اولیه و پاک‌نشده LLM نیز منتشر شوند تا فرآیند علمی روشن شود.
- فرموله‌سازی: اثبات‌ها باید با استفاده از مصنوعات ماشین‌خوان که استانداردهای جامعه را برآورده می‌کنند (شامل هدرهای کپی‌رایت، فایل چالش برای مقایسه‌گر و یک فایل
formalization.yaml) فرموله‌سازی شوند. توصیه می‌شود متادیتای ماشین‌خوان برای ایجاد ارتباط بین زبان طبیعی و مصنوعات رسمی گنجانده شود. اگر فرموله‌سازی کامل باعث تأخیر غیرقابل‌قبول شود، آزمایشگاه باید وضعیت را به وضوح بیان کند (مثلاً: فرموله‌شده به جز نتایج استاندارد).
مستندسازی فرآیند کشف
فراتر از خودِ اثبات‌ها، این گروه خواستار یک «ردپای حسابرسی» (Audit Trail) شفاف برای هر راه حل منتشر شده است. این شامل مستندات دقیق درباره این است که AI دقیقاً چگونه برای آن مسئله خاص استفاده شده است.
در مواردی که نتایج متعددی به‌طور هم‌زمان منتشر می‌شوند، آزمایشگاه باید یک سند عمومی جامع ارائه دهد. این سند باید به تمام نتایج منتشر شده ارجاع دهد و صراحتاً توضیح دهد که مدل‌ها روی چند مسئله دیگر با دشواری مشابه تلاش کرده و شکست خورده‌اند، و همچنین معیارهای مورد استفاده برای انتخاب مسائلی که در نهایت منتشر شدند، چه بوده است.
دستورالعمل تأمین بودجه
جنجالی‌ترین بخش این تقاضا، الزام به حمایت مالی است. این گروه معتقد است آزمایشگاه‌های AI مسئولیت دارند بودجه‌ای را برای کمک به جامعه علمی جهت درک خروجی‌های منتشر شده فراهم کنند. برای اطمینان از اینکه توسعه درک انسانی به‌صورت ارگانیک و تحت هدایت جامعه پیش می‌رود، این بودجه نباید توسط خود آزمایشگاه‌های AI مدیریت شود. در عوض، باید توسط مؤسسات غیرانتفاعی مجزا و موجود با فرآیندهای توزیع تثبیت‌شده مدیریت گردد.
دامنه این حمایت باید بر اساس اهمیت و پیچیدگی خروجی منتشر شده مقیاس‌بندی شود. فعالیت‌های پیشنهادی برای تأمین بودجه عبارتند از:
- تحلیل پیچیدگی بالا: برگزاری مدارس تابستانی یا کنفرانس‌های اختصاصی برای تحلیل اثبات‌هایی که بسیار پیچیده هستند یا مسیرهای جدیدی برای تحقیق می‌گشایند.
- پژوهش‌های مشارکتی: برگزاری کارگاه‌های هدفمند یا گروه‌های کاری بلندمدت.
- حمایت از مسیر شغلی آکادمیک: تأمین بودجه برای دانشجویان یا پسادکتراهایی که از رمزگشایی نتایج AI پشتیبانی می‌کنند.
- آثار تبیینی: اعطای گرنت به متخصصانی برای نوشتن کتاب‌ها یا مقالات تبیینی طولانی که منطق AI را به شهود انسانی ترجمه می‌کنند.
گزارش تصریح می‌کند که پذیرش این حمایت‌ها به معنای مشروعیت بخشیدن به رویه‌های آزمایشگاه‌ها نیست؛ بلکه این یک الزام برای آزمایشگاه‌ها است تا مسئولیت خود را در قبال درک انسانی ایفا کنند.
شکستن انحصار مدل‌های بسته
این گزارش هشدار می‌دهد که مدل‌های داخلی و انحصاری در حال دور کردن ریاضیدانان از رشته خودشان هستند. حتی برای مدل‌هایی که به‌طور عمومی در دسترس هستند، این گروه اشاره می‌کند که موانع اقتصادی یک سلسله‌مراتب از امتیازات تکنولوژیک ایجاد می‌کند و نابرابری‌های موجود بر اساس ثروت مؤسسات را تشدید می‌کند.
آن‌ها به آزمایشگاه‌ها توصیه می‌کنند که به جامعه جهانی ریاضیات دسترسی گسترده و عادلانه‌ای به مدل‌های عمومی خود بدهند. نویسندگان استدلال می‌کنند که ریاضیات در درجه اول از طریق تأیید جمعی، سنتز مفهومی و شهود مشترک پیش می‌رود — و هیچ‌کدام از این‌ها زمانی که ابزارهای تولید نتایج پیشرو تنها در دسترس عده‌ای معدود باشد، نمی‌توانند شکوفا شوند.
این حرکت نشان‌دهنده یک برخورد بنیادی بین فرهنگ «سریع پیش برو» در آزمایشگاه‌های AI و فرهنگ «همه چیز را تأیید کن» در ریاضیات است. آزمایشگاه‌ها متهم شده‌اند که با تبدیل نتایج ریاضی به ابزارهای بازاریابی برای تبلیغ مدل‌های خود، پیامدهای منفی قابل‌توجهی را بر جامعه علمی تحمیل می‌کنند.
اگر این هنجارها نادیده گرفته شوند، این رشته ممکن است با بحران اعتماد مواجه شود؛ جایی که «حقیقت» یک گزاره ریاضی به جای یک اثبات قابل تأیید، بر اساس اعتبار برند یک مدل شرکتی تعریف شود. جامعه در واقع خواستار یک نوع «مالیات بر کشفیات AI» است تا هزینه شناختی انسانی برای تأیید آن‌ها پرداخت شود. هدف، حرکت از پارادایم «کشف‌شده توسط AI» به سمت «درک‌شده توسط انسان» است.
باید منتظر ماند و دید آزمایشگاه‌هایی مانند OpenAI یا Google DeepMind چگونه به این تقاضاها، به‌ویژه در مورد تأمین بودجه برای تأیید آکادمیک مستقل، پاسخ می‌دهند.
گام بعدی شما
- اگر پژوهشگر هستید، استانداردهای agmai.org را برای ارزیابی مقالات مبتنی بر AI مطالعه کنید.
- در مورد مدل‌های استدلالی جدید، به دنبال خروجی‌هایی باشید که فراتر از پاسخ نهایی، مسیر استدلال (Reasoning Path) را ارائه می‌دهند.
- واکنش Google DeepMind و OpenAI به این فشارها را دنبال کنید تا ببینید آیا مدل‌های بسته به سمت شفافیت بیشتر می‌روند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو