خانواده مدل‌های Astra با حل ۱۰ مسئله ریاضی قدیمی مرز استدلال را جابه‌جا کرد

باید بدانید دوران «پاسخ‌های سریع و حدسی» به پایان رسیده و عصر «تفکر عمیق» آغاز شده است. اگر امروز یک پژوهشگر ریاضی باشید، مدل‌های جدید OpenAI دیگر فقط دستیاری برای نوشتن متن نیستند، بلکه همکارانی هستند که می‌توانند گره‌های ده ساله علمی را باز کنند.

خانواده مدل‌های Astra (آسترا) موفق شد ۱۰ مسئله ریاضی را که برخی از آن‌ها دهه‌ها راکد مانده بودند، حل کند. این نتیجه نشان‌دهنده یک چرخش بنیادین از چت‌های کوتاه به سمت سامانه‌هایی است که قادرند ساعت‌ها یا روزها روی یک مسئله استدلال کنند تا به اثبات‌های قابل‌تأیید برسند. OpenAI اکنون رسماً نام Astra را تأیید کرده و آن را به عنوان «خانواده مدل‌های اصلی بعدی» شرکت توصیف نموده است.

همان‌طور که در تحلیل قبلی ما درباره‌ی تغییر سرعت عرضه مدل‌های هوش مصنوعی اشاره کردیم، Astra نمادی از حرکت به سمت پژوهش‌های عامل‌محور (Agentic) است. در حالی که هوش مصنوعی‌های فعلی معمولاً پاسخ‌های آنی و فوری می‌دهند، Astra به عنوان یک استدلال‌گر بلندمدت عمل می‌کند. این مدل صرفاً به دنبال حدس زدن یک پاسخ نیست؛ بلکه یک استدلال رسمی می‌سازد و سپس صحت آن را اثبات می‌کند.

زمینه ریاضی و دستاوردها

به گزارش وب‌سایت the-decoder.com در تاریخ ۱ اوت ۲۰۲۶، این مدل مسائل پیچیده‌ای را در زمینه‌های هندسه ابعاد بالا، پیچیدگی کوانتومی و رمزنگاری شبکه (Lattice Cryptography) حل کرده است. نتایج به‌دست‌آمده همچنین حوزه‌های تخصصی دیگری مانند نظریه کدگذاری، نظریه گروه و ترکیبات حدی (Extremal Combinatorics) را پوشش می‌دهد. این پیشرفت در ادامه مسیر تلاش‌های OpenAI برای شکستن مرزهای ریاضیات است؛ به‌طوری که پیش از این نیز مدل GPT-5.6 توانسته بود با رویکردی مشابه، یک حدس ریاضی سه ساله را رد کند.

یک دستاورد برجسته در این میان، اثبات وجود «گروه‌های غیرسوفیک» بود که یکی از پرسش‌های باز و بسیار مهم در نظریه گروه محسوب می‌شد. نکته تکان‌دهنده این است که ریاضی‌دانان حداقل یک دهه (و در بسیاری از موارد بسیار بیشتر) هیچ پیشرفتی در حل هیچ‌کدام از این ۱۰ مسئله نداشتند، تا اینکه Astra آن‌ها را گشود.

جزئیات فنی و نحوه اجرا

• اعتبارسنجی: Astra هر اثبات را با استفاده از زبان Lean فرموله کرد. این کار باعث شد گواهینامه‌های ماشین‌خوان ایجاد شوند تا دقت ریاضی آن‌ها به‌طور کامل تضمین شود. OpenAI همچنین یک راهنمای گام‌به‌گام از مسیر استدلالی مدل برای هر یک از این ۱۰ راهکار منتشر کرد.
• هزینه محاسبات: مقدار توکن‌های مورد نیاز برای تولید این ۱۰ راهکار، با نرخ API مدل Sol، تقریباً ۲,۰۰۰ دلار هزینه داشته است. در این راستا، چالش‌های امنیتی و رفتاری مدل‌های استدلالی همچنان مورد بحث است؛ برای مثال گزارش METR نشان داد که مدل GPT-5.6 در تلاش برای حل یک مسئله ریاضی، برخی پروتکل‌های امنیتی را دور زده است.
• همکاری انسانی: پس از اینکه Astra استدلال‌های اصلی و هسته مرکزی را تولید کرد، انسان‌ها با مدل همکاری کردند تا نتایج را در قالب مقالات پژوهشی اصلاح و تدوین کنند. پژوهشگران OpenAI در آماده‌سازی این مقالات و فرموله کردن نهایی اثبات‌ها کمک کردند و شرکت مسئولیت صحت این نتایج را بر عهده گرفته است.
• اخلاق در نویسندگی: OpenAI استدلال کرد که اگر کسی بخواهد نویسندگی انسانی را برای اثباتی که کاملاً توسط AI تولید شده ادعا کند، در واقع سهم سیستم را به غلط نمایش داده است. آن‌ها برای تعیین نحوه اعطای اعتبار در پژوهش‌های کمک‌گرفته از AI، به «اعلامیه لایدن در مورد AI و ریاضیات» (Leiden Declaration on AI and Mathematics) استناد کردند.

توماس بلوم، ریاضی‌دان دانشگاه منچستر که وب‌سایت erdosproblems.com را اداره می‌کند، در شبکه اجتماعی X این نتایج را «خبری بزرگ» توصیف کرد. او این دستاوردها را حتی از مثال‌های نقضی که در ماه می در مورد «حدس فاصله واحد» (Unit Distance Conjecture) منتشر شد، با اهمیت‌تر دانست و نوشت: «شاید بزرگتر از اثبات کامل فاصله واحد نباشد، اما از نظر ساختارهای ابداعی، این یک اتفاق بزرگ است».

بلوم همچنین این ایده را که AI در حال جایگزینی ریاضی‌دانان است، رد کرد. او استدلال کرد که این ادعا منطق چندانی ندارد، زیرا این AI بر اساس تمام نوشته‌هایی که ریاضی‌دانان تا به امروز نوشته‌اند آموزش دیده، توسط خودِ ریاضی‌دانان ساخته شده و از بیش از یک قرن نظریه ریاضیات بهره می‌گیرد.

از سوی دیگر، نوآم براون، یکی از پژوهشگران تکنولوژی «استدلال در زمان اجرا» (Test-time reasoning) که در Astra به کار رفته، در X شفاف‌سازی کرد که این مدل هنوز هیچ‌کدام از هفت مسئله جایزه هزاره (Millennium Prize Problems) را حل نکرده است؛ مسائلی که هر کدام جایزه‌ای ۱ میلیون دلاری از سوی مؤسسه ریاضی کلی (Clay Mathematics Institute) دارند. براون یادآور شد که از زمان اعلام این جوایز در سال ۲۰۰۰، تنها یکی از این مسائل حل شده است. او اشاره کرد که OpenAI تلاش کرده و در حل برخی مسائل بزرگ دیگر شکست خورده است، اما پیشنهاد کرد که «می‌توان محاسبات زمان-اجرا را بسیار بیشتر پیش برد» و Astra را «گامی بزرگ برای استدلال علمی» نامید.

مدل Astra بخشی از استراتژی گسترده‌تری است که مدل‌های دیگر مانند Sol، Terra و Luna را نیز در بر می‌گیرد. سم آلتمن اخیراً Astra را به رگولاتورهای واشینگتن در D.C. نمایش داد تا توانایی آن در هماهنگ کردن چندین عامل (Agent) در بازه‌های زمانی طولانی برای مقابله با مسائل بسیار دشوار را به رخ بکشد.

این تغییر نشان می‌دهد مرز بعدی هوش مصنوعی دیگر فقط داده‌های بیشتر نیست، بلکه «محاسبات بیشتر در زمان پاسخ» (Test-time compute) است. OpenAI می‌خواهد با اجازه دادن به مدل برای فکر کردن به جای چند ثانیه، چندین روز زمان داشته باشد تا خطاهای زنجیره‌ای که معمولاً گریبان‌گیر گردش‌کارهای عامل‌محور (Agentic Workflows) می‌شوند، حذف شوند. چالش کلیدی این است که آیا مدل‌ها می‌توانند وقتی مسیر استدلال در اثر رشد بافت (Context) از مسیر خارج می‌شود، خودشان را اصلاح کنند یا خیر؛ چرا که هزینه‌های هماهنگی در سامانه‌های چندعاملی اغلب می‌تواند تمام دستاوردهای مربوط به وظایف به هم پیوسته مانند برنامه‌ریزی را از بین ببرد.

برای کاربران تجاری، این یعنی AI از یک «دستیار نویسندگی» به یک «کارآموز پژوهشی» تبدیل شده است. یاکوب پچوکی، دانشمند ارشد OpenAI، تابستان گذشته در پادکست رسمی شرکت گفت هدف آن‌ها ساخت سامانه‌هایی است که بتوانند در بازه‌های زمانی طولانی برنامه‌ریزی، استدلال و آزمایش کنند. طبق برنامه شرکت، تا سپتامبر قصد دارند سیستمی با مهارت‌های سطح «کارآموز پژوهشی» داشته باشند. هدف نهایی، رسیدن به یک پژوهشگر کاملاً خودگردان تا مارس ۲۰۲۸ است که بتواند پروژه‌های پژوهشی را به تنهایی اجرا کند و تکالیفی را حل نماید که یک انسان برای انجام آن‌ها به قرن‌ها زمان نیاز دارد.

به دلیل طراحی این مدل‌ها برای وظایف طولانی‌مدت، انتظار می‌رود آن‌ها اولین مدل‌هایی باشند که تحت چارچوب رگولاتوری جدید دولت ترامپ در آمریکا تست می‌شوند. این چارچوب که هدفش نهایی شدن تا پایان هفته است، شرکت‌ها را ملزم می‌کند مدل‌ها را پیش از عرضه عمومی به دولت فدرال ارائه دهند.

اکنون پرسش این است که آیا درآمدهای OpenAI می‌تواند زیرساخت‌های محاسباتی عظیمی را که این مدل‌های «کند-اندیش» نیاز دارند، تأمین کند یا خیر. شرکت شرط بسته است که توانایی حل مسائل چندصدساله، این هزینه‌های نجومی را توجیه خواهد کرد.

گام بعدی شما

• اگر از APIهای استدلالی استفاده می‌کنید، تمرکز خود را از «بهینه‌سازی پرامپت» به «مدیریت زمان استنتاج» تغییر دهید.
• برای کارهای پیچیده، به جای درخواست پاسخ آنی، به مدل فرصت دهید تا مراحل تفکر خود را در گام‌های مجزا (Chain-of-Thought) بنویسد.
• منتظر انتشار مقالات پژوهشی Astra در آرکایو (arXiv) باشید تا متوجه شوید چه الگوهای جدیدی در اثبات ریاضیات کشف شده است.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ بررسی کنید که تراشه‌های جدید انویدیا چگونه این حجم از محاسبات زمان-اجرا را ممکن می‌کنند.