اگر تصور می‌کنید افزودن داده‌های بیشتر به یک عامل هوش مصنوعی، کلید رسیدن به اکتشافات علمی است، در اشتباهید. اکتشاف واقعی، جست‌وجوی سخت‌تر در یک فضای ثابت نیست؛ بلکه تغییر دادن خودِ آن فضای جست‌وجو و بازتعریف زبان مفاهیم است.
اکثر سیستم‌های عامل‌محور (Agentic) فعلی در مرزهای استاتیک عمل می‌کنند و علم را به مسئله‌ی بازیابی یا جست‌وجو تقلیل می‌دهند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های استدلالی (Reasoning Models) اشاره کردیم، مدل‌ها معمولاً در چارچوبی که به آن‌ها داده شده پاسخ می‌دهند و قادر به خروج از آن نیستند.
به نقل از مقاله‌ی منتشر شده در ۷ ژوئن ۲۰۲۶ با عنوان «سیستم‌های اکتشاف خود-بازبینی برای علم» (arXiv:2606.01444)، پژوهشگران MIT از نظریه رده‌ها (Category Theory) برای مدل‌سازی تکامل طرح‌های مفهومی استفاده کرده‌اند. در این سیستم، هر داده، خروجی مدل یا شکست فنی با «مصنوعات تایپ‌شده» (Typed Artifacts) برچسب‌گذاری می‌شود تا سیستم بتواند بین سه عملیات تفکیک قائل شود:
- بازیابی (Retrieval): افزودن اطلاعات شناخته‌شده به بافتار فعلی.
- جست‌وجو (Search): کاوش در احتمالات موجود در یک ساختار ثابت.
- اکتشاف (Discovery): تغییر دادن خودِ ساختار برای پذیرش متغیرها یا ادعاهای جدید.
طبق مستندات این پژوهش، نوآوری در اینجا با «توصیف‌ناپذیری» (Inexpressibility) تعریف می‌شود؛ یعنی زمانی که یک یافته را نمی‌توان در طرح مفهومی قبلی جای داد. این جهش نظری، هدف را از بهینه‌سازی خروجی به گسترش ظرفیت مفهومی تغییر می‌دهد.
البته باید توجه داشت که این مقاله هیچ نتایج تجربی یا بنچمارک عملی ارائه نداده است، بنابراین کاربرد واقعی این چارچوب هنوز در سطح فرضیات باقی مانده است.
گام بعدی شما
- رصد پیاده‌سازی‌های این چارچوب در داده‌های واقعی علوم مواد یا کشف دارو.
- بررسی مقایسه‌ی عملکرد این مدل در برابر سیستم‌های عامل‌محور DeepMind یا Anthropic.
- مطالعه‌ی نقش نظریه رده‌ها در کاهش توهم (Hallucination) مدل‌های علمی.
این تنها لایه نظری ماجراست؛ تأثیر این تغییر پارادایم بر سخت‌افزارهای استنتاجی را در گزارش‌های آینده بررسی خواهیم کرد.
گفتگو