اگر قصد دارید یک مدل هوش مصنوعی را برای حل مسائل ریاضی سطح تحصیلات تکمیلی آموزش دهید، دیگر نیازی نیست از صفر شروع کنید. متا (Meta) به‌تازگی ATLAS را معرفی کرد؛ کتابخانه‌ای شامل ۴۸۳,۹۱۷ خط کد تأییدشده در زبان Lean 4.
رسمی‌سازی ریاضیات — یعنی تبدیل کتاب‌های انسانی به کدی که کامپیوتر بفهمد — همیشه فرآیندی کند و دستی بود. در این مسیر، مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — وارد عمل شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های استدلالی اشاره کردیم، هدف اکنون انتقال بار سنگین کدنویسی از دوش انسان به ماشین است.
طبق اعلام متا، این تیم از خط لوله‌ای به نام AutoformBot برای ترجمه ۲۶ کتاب در حوزه‌هایی مثل هندسه جبری و نظریه اعداد استفاده کرد. به نقل از مستندات گیت‌هاب که در مه ۲۰۲۶ به‌روزرسانی شد، نتایج این پروژه خیره‌کننده است:
- مجموعاً ۴۶,۲۰۳ قضیه استخراج شد.
- ۴۲,۸۳۷ مورد با موفقیت اثبات شدند (نرخ موفقیت ۹۲.۷٪).
- از ۴,۰۰۷ هدف تعیین‌شده، ۲,۸۵۵ مورد به‌طور کامل رسمی شدند.
این پروژه شامل یک ابزار بصری‌ساز است. شما می‌توانید جملات متنی کتاب‌ها را با معادل‌های کدشده در Lean مقایسه کنید.
این مجموعه صرفاً یک آرشیو نیست، بلکه سوختی برای نسل بعدی مدل‌های استدلالی (Reasoning Model) است — مدل‌هایی که شبیه شطرنج‌بازی چند حرکت جلوتر را می‌بینند و قبل از جواب درنگ می‌کنند. این رویکرد متا در راستای تلاش‌های گسترده‌تر برای حل مسائل پیچیده ریاضی است؛ مشابه آنچه گوگل دیپ‌مایند با حل ۹ مسئله‌ی باز Erdős به نمایش گذاشت تا توانایی مدل‌های استدلالی در مواجهه با چالش‌های سخت را به اثبات برساند. متا با اتوماسیون ترجمه کتاب‌ها، سد ورود ماشین‌ها به دنیای منطق سخت‌گیرانه را می‌شکند. برای توسعه‌دهندگان، این یعنی دسترسی به قطعات پیش‌ساخته‌ای که نیاز به کدنویسی دستی و زمان‌بر را حذف می‌کند.
گام بعدی شما
- بررسی گراف‌های وابستگی منطقی در بصری‌ساز ATLAS
- دنبال کردن ادغام این داده‌ها در اکوسیستم Mathlib برای استانداردسازی ریاضیات ماشین
- آزمایش توانایی مدل‌های فعلی در بازسازی قضایای این کتابخانه
اما تأثیر این حجم از داده بر رقابت مدل‌های استدلالی OpenAI و Google را در گزارش بعدی بررسی می‌کنیم.
گفتگو