تصور کنید سال‌ها تلاش برای حل یک مسئله پیچیده، ناگهان با یک فایل متنی جایگزین شود که هیچ انسانی نمی‌تواند منطق آن را دنبال کند. این کابوس اکنون برای ریاضیدانان پیش‌رو شده است و ترنس تائو (Terence Tao)، برنده مدال فیلدز، را به همراه گروهی از نخبگان این رشته به تحریم OpenAI کشانده است. این جنبش پس از آن شکل گرفت که این شرکت میدان ریاضیات را با صدها اثبات تولید شده توسط هوش مصنوعی اشباع کرد.
این تقابل در حالی رخ می‌دهد که آزمایشگاه‌های هوش مصنوعی از نقش «دستیار پژوهشگر» به سمت «حل‌کننده مستقل» حرکت می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده از ابزارهای OpenAI در عملیات نفوذ اشاره کردیم، این فناوری پتانسیل تغییر ساختارهای قدرت را دارد؛ اما این بار خطر، فرسایش سیستماتیک Scholarship یا همان پژوهش‌های آکادمیک است. برای اکثر ما، ریاضیات یعنی درک «چگونه» و «چرا»، اما شرکت‌های AI آن را به مسابقه‌ای برای رسیدن به «چه چیزی» تبدیل کرده‌اند.
«ریاضی‌کالپس» و نمایش قدرت
اسکات آرونسون (Scott Aaronson)، نظریه‌پرداز پیچیدگی، وضعیت فعلی را «ریاضی‌کالپس» (Mathocalypse) نامیده است. طبق گزارش‌ها، تنش‌ها در ۸ اکتبر ۲۰۲۶ به اوج رسید؛ زمانی که انجمن ریاضیدانان انسانی (AHM) بیانیه‌ای صادر کرد و OpenAI را به‌دلیل انتشار یک‌باره بیش از ۷۰۰ فایل اثبات ریاضی در یک بسته واحد محکوم کرد.
به نقل از بیانیه AHM، این اقدام نه یک پژوهش علمی، بلکه «نمایشی از قدرت» است. این گروه استدلال می‌کند که OpenAI توصیه‌های AGMAI — گروه مشورتی مؤسسه مطالعات پیشرفته (Institute for Advanced Study) — را نادیده گرفته است؛ توصیه‌ای که صراحتاً می‌گفت مسائل پیشرفته نباید روی مدل‌های داخلی آزمایش شوند. منتقدان حتی ادعا می‌کنند که OpenAI احتمالاً مدل‌های خود را روی آثار خصوصی ریاضیدانان آموزش داده است و به اختلافات مربوط به حق چاپ (Copyright) و زمان‌بندی مشکوک در حل یک مسئله اشاره می‌کنند. این تنش‌ها در واقع ادامه همان جنجال‌های مربوط به مالکیت پیشرفت‌های ریاضی است که پیش‌تر میان OpenAI، آنتروپیک و دانشگاه NYU رخ داد.
این شک‌ها به‌ویژه پس از حل مشکوک مسئله هزاره «ناویر-استوکس» شدت گرفت. طبق گزارش‌های منتشر شده، OpenAI این راهکار را درست پیش از آنکه دو ریاضی‌دان نسخه AI-assisted خود را ارائه دهند، منتشر کرد. آن پژوهشگران از ChatGPT استفاده کرده بودند و در حالی که OpenAI هرگونه استفاده از داده‌های تعاملی کاربران برای رسیدن سریع‌تر به جواب را تکذیب کرده، اما زمان‌بندی این اتفاق همچنان یک نقطه اختلاف است. بیانیه AHM صراحتاً ذکر می‌کند که «ریاضیدانان هرگز درخواست نکردند که این کارها انجام شود».
دو فلسفه متضاد در هوش مصنوعی
اسکات آرونسون تفاوت عمیقی میان رویکرد OpenAI و Anthropic می‌بیند. در حالی که OpenAI پیش‌نویس‌های خام و اغلب ناخوانا را در جامعه علمی می‌ریزد، Anthropic با پژوهشگران خاص همکاری می‌کند تا ایده‌های کلیدی برای رد کردن فرضیات (Conjectures) را ارائه دهد.
در مدل Anthropic، پژوهشگران دستمزد می‌گیرند و اثبات‌هایی می‌نویسند که انسان‌ها بتوانند آن‌ها را دنبال کنند. در مقابل، روش OpenAI جامعه آکادمیک را مجبور می‌کند تا «کار طاقت‌فرسای» تبدیل اثبات‌های ماشینی به متون خوانا را به‌صورت رایگان انجام دهد. البته آرونسون اشاره می‌کند که روش Anthropic هم نقص دارد: این مدل به یک شرکت خصوصی اجازه می‌دهد تصمیم بگیرد کدام ریاضیدانان به‌عنوان «سفیر» نتایج علمی عمل کنند و چه کسی به این نتایج دسترسی داشته باشد.
فرسایش «ریاضیات ۱.۰»
ترنس تائو معتقد است ما وارد عصر «ریاضیات ۲.۰» شده‌ایم؛ جایی که چرخه سنتی اکتشاف شکسته شده است. در گذشته، یک پیشرفت علمی منجر به سمینارها، کارگاه‌ها و کتاب‌هایی می‌شد که نسل بعدی متفکران را تربیت می‌کرد و درک مفهومی را منتقل می‌نمود.
اکنون مسائل توسط کاربرانی حل می‌شوند که نمی‌توانند نتایج را توضیح دهند یا همکاری‌های علمی را رهبری کنند. تائو هشدار می‌دهد وقتی مسئله‌ای «حل‌شده» علامت می‌خورد، آلوده می‌شود. حتی اگر اثبات به‌سختی خوانده شود، جست‌وجو برای روش‌های جایگزین و بصیرت‌بخش متوقف می‌شود. او این وضعیت را «برداشت محصول» (Harvesting) در مقیاس بزرگ می‌نامد که باعث می‌شود شاخه‌های کامل ریاضیات کمتر حاصل‌خیز شوند.
تائو پیش از این به همراه ۲۴ برنده مدال فیلدز — از جمله پیتر شولتزه، مارینا viazovska و مارتین هرایر — درباره «عدم همراستاسازی» (Misalignment) شدید میان اهداف AI و اهداف ریاضی هشدار داده بودند. آن‌ها استدلال می‌کنند تولید انبوه راهکارها بدون گزارش‌های نوشتاری مناسب یا ارجاعات دقیق، پرسش‌های جدی درباره سرقت ادبی و انتساب آثار (Attribution) ایجاد می‌کند.
هزینه انسانی محاسبات
مقیاس این تغییر تکان‌دهنده است. اسکات آرونسون اشاره می‌کند که سه ساعت محاسبات (Compute) — یعنی همان کرایه آشپزخانه صنعتی که هرچه دستور پخت سنگین‌تر باشد هزینه بیشتری دارد — در سطح GPT-Pro می‌تواند با کل دوران کاری یک ریاضی‌دان برابری کند.
این واقعیت برای همسر او، دانا موشکوفیتز، که سال‌ها روی «حدس بازی‌های منحصربه‌فرد» (Unique Games Conjecture) کار کرده، ملموس شد. موشکوفیتز پس از انتشار ادعای OpenAI درباره حل این حدس، سند ارسالی را «نوشته کسی که تحت تأثیر مواد توهم‌زا بوده» توصیف کرد. او می‌گوید متن به‌قدری بد نوشته شده که بدون کمک AI غیرقابل خواندن است و به‌جای منطق، بر «دیوانگی بیگانه» تکیه کرده است. او مشاهده کرد که مقاله به آثار متعددی ارجاع داده بدون اینکه توضیح دهد چرا آن‌ها کاربرد دارند، حتی در مواردی که نتایج قبلی باید آن‌ها را رد می‌کردند.
ابعاد فنی و محدوده عملیات
بر اساس مستندات منتشر شده، جزئیات این عملیات به شرح زیر است:
- تعداد کل مسائل آزمایش‌شده: حدود ۸,۰۰۰ مسئله در مجموع مورد آزمایش قرار گرفتند.
- نرخ موفقیت: نرخ موفقیت در حل این مسائل تقریباً ۵ درصد بود.
- هزینه محاسباتی: به‌طور متوسط ۳ ساعت محاسبات برای هر مسئله در سطح GPT-Pro صرف شد.
- دامنه: این انتشار شامل نتایجی از نظریه پیچیدگی، نظریه اعداد و پژوهش‌های الگوریتمی بود و حتی پیشرفت‌های جزئی در چندین مورد از مسائل باقی‌مانده هزاره مؤسسه کلی (Clay Millennium Problems) را در بر می‌گرفت.
نقطه کور رمزنگاری
در حالی که OpenAI درباره پیشرفت‌های ریاضی‌اش فریاد می‌زند، یک حوزه به‌طور مشکوکی غایب است: رمزنگاری (Cryptography). طبق منابع آرونسون، شرکت‌های AI در پشت درهای بسته به‌طور مخفیانه در حال بررسی نقاط ضعف پروتکل‌ها و پیش‌نیازهای رمزنگاری هستند تا احتمالاً راهکارهای شکستن آن‌ها را بیابند.
شکاف بر سر تحریم
جامعه ریاضی بر سر واکنش مناسب متقاعد نشده است. برخی پژوهشگران خواستار تحریم کامل محصولات OpenAI و حفاظت بیشتر از سرورهای پیش‌چاپ مانند arXiv هستند تا از استخراج انبوه داده‌ها (Mass Data Scraping) جلوگیری شود.
در مقابل، عده‌ای تحریم را غیرواقع‌بینانه می‌دانند. آن‌ها معتقدند OpenAI متوقف نخواهد شد و داشتن نتایج عمومی — هرچند نامرتب — بهتر از آن است که راهکارها در گاوصندوق یک شرکت خصوصی بمانند. برخی حتی این پرسش بنیادین را مطرح می‌کنند که اگر نه نویسندگان و نه جامعه علمی بفهمند اثبات چگونه است، آیا اصلاً مسئله «حل شده» محسوب می‌شود؟
گروه AGMAI موضع دیپلماتیک‌تری دارد. آن‌ها در حالی که این انتشار را گامی نخست می‌بینند، هشدار می‌دهند آینده پژوهش نمی‌تواند صرفاً «پردازش نتایج تولیدشده توسط AI» باشد. آن‌ها استدلال می‌کنند ریاضیدانان باید آزاد باشند تا پرسش‌های خود را تعریف کنند و مسیرهایی را کاوش کنند که لزوماً به‌عنوان «نمونه توانمندی یک سیستم AI» انتخاب نشده‌اند.
این چرخش نشان می‌دهد معیار پیشرفت در ریاضیات از «پاسخ» به «توضیح» تغییر می‌کند. نبرد جدید بر سر معماری دانش و جامعه‌سازی است تا انسان‌ها همچنان معمار رشته خود باشند. در این راستا، باید منتظر انتشار مدل داخلی OpenAI برای مشتریان پولی ChatGPT بود که ممکن است اتوماسیون پژوهش‌های نظری سطح بالا را شتاب ببخشد.
گام بعدی شما
- اگر پژوهشگر هستید، برای جلوگیری از نشت داده‌ها، تنظیمات حریم خصوصی در سرورهای پیش‌چاپ را بررسی کنید.
- در مواجهه با اثبات‌های AI، به‌جای پذیرش نتیجه، بر روی «تفسیرپذیری» (Interpretability) و بازسازی منطق انسانی تمرکز کنید.
- ابزارهای بازمتن را برای اعتبارسنجی متقاطع نتایج مدل‌های بسته دنبال کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو