تصور کنید مسئله‌ای که ۵۰ سال است ذهن‌های برتر ریاضیات جهان را به چالش کشیده، حالا با کمک یک مدل زبانی حل شده است. این اتفاق دیگر یک احتمال نیست، بلکه واقعیتی است که مرزهای پژوهش آکادمیک را جابه‌جا می‌کند.
قضیهٔ کروی هادویگر (Spherical Hadwiger Theorem)، ابزاری تخصصی اما حیاتی در هندسهٔ انتگرالی است که از سال ۱۹۷۴ بدون پاسخ مانده بود. طبق گزارش منتشر شده، این قضیه اکنون با کمک هوش مصنوعی اثبات شده است. این پیشرفت در هفته‌ای رخ داد که مدل Claude نیز اثبات قضیهٔ آخر فرمات را در زبان Lean رسمی کرد؛ اتفاقی که نشان‌دهندهٔ جهشی متمرکز در توانایی مدل‌ها برای مدیریت ریاضیات صوری است. این دستاورد در کنار موفقیت مدل Astra در حل ۱۰ چالش دیرینه ریاضی، نشان می‌دهد که مدل‌های زبانی در حال عبور از مرزهای استدلال نمادین هستند.
زمینه و بستر حدس
حدس کروی هادویگر تقریباً برای پنج دهه به عنوان یک مسئلهٔ باز باقی مانده بود. اگرچه این موضوع در یک حوزهٔ بسیار تخصصی قرار دارد، اما به عنوان یک جزء حیاتی از ماشین‌آلات هندسهٔ انتگرالی عمل می‌کند. کاربرد عملی آن در توانایی‌اش برای ساده‌سازی قابل توجه اثبات لم‌های ریاضی خاص است؛ از آن دست لم‌هایی که معمولاً در پژوهش‌های سطح تحصیلات تکمیلی و دکترا با آن‌ها مواجه می‌شویم.
ریاضیات محض همواره به عنوان دژی نفوذناپذیر از تلاش‌های ذهنی انسان شناخته می‌شد، اما اکنون این حوزه با گسستی مشابه هنر‌های خلاقانه روبروست. بر اساس مستندات OpenAI که هنگام معرفی GPT-4 منتشر شد، ریاضی‌دانان به عنوان آسیب‌پذیرترین گروه شغلی در برابر مدل‌های زبانی بزرگ (LLM) شناسایی شدند. این گزارش تخمین زد که ۱۰۰٪ وظایف یک ریاضی‌دان در سه مدل مختلف شغلی، در معرض جایگزینی توسط LLMها قرار دارد؛ نرخی که حتی از نویسندگان، مترجمان، هنرمندان و طراحان گرافیک نیز بیشتر است. در همین راستا، پیشرفت‌های اخیر سامانه‌های چندعاملی آنتروپیک در مواجهه با فرضیه ریمان نیز گواهی بر این ادعاست که پیچیده‌ترین مسائل ریاضی دیگر برای ماشین‌ها دست‌نیافتنی نیستند.
در پیش‌چاپ پژوهشی که توسط وانگ و وو از دانشگاه هونان منتشر شد، نویسندگان جزئیات استفاده از OpenAI Codex را برای پر کردن شکاف بین حدس و اثبات شرح داده‌اند. به نقل از این پژوهشگران، Codex در موارد زیر به کار گرفته شده است:
- توسعهٔ جزئیات خاص در مراحل اثبات
- شناسایی شکاف‌های منطقی و نقاطی که نیاز به شفاف‌سازی داشتند
- سازمان‌دهی و حروف‌چینی نسخهٔ نهایی مقاله
- ویرایش بخش‌های متنی به زبان انگلیسی
جزئیات ادغام هوش مصنوعی
اگرچه نویسندگان تمام محتوای ریاضی را بازبینی و تأیید کرده‌اند و تمامی تصمیمات نهایی ویرایشی را خودشان اتخاذ کرده‌اند، اما این افشا نشان می‌دهد که Codex کارهای زیربنایی و قابل توجهی را انجام داده که پیش از این نیازمند یک ریاضی‌دان در سطح پژوهشی بود. این شامل وظایف حیاتی مانند یافتن و رفع نقص‌های منطقی و پیش‌نویس کردن خودِ مقاله است.
مقالهٔ نهایی به دلیل صیقل‌خورده بودن و خوانایی بالا برای متخصصان مورد توجه قرار گرفته است. همچنین، وانگ و وو تمامی اصول استفاده از هوش مصنوعی در «اعلامیه لایدن» را رعایت کرده‌اند تا متدولوژی آن‌ها کاملاً شفاف باشد.
این چرخش نشان می‌دهد تأخیر در تسلط هوش مصنوعی بر ریاضیات، لزوماً به دلیل دشواری ذاتی این علم نبوده است. بلکه احتمالاً به این دلیل است که ریاضیات محض در مقایسه با حوزه‌های خلاقانه، ارزش اقتصادی کمتر و داده‌های آموزشی در دسترس کمتری داشته است.
آکادمی به مثابه یک کنسرواتوار
در حال حاضر، ریاضیات محض در «کنسرواتوار» آکادمیک زندگی می‌کند. این وضعیت مشابه موسیقی کلاسیک است که به یک اثر موزه‌ای تبدیل شده و نهادینه شده است؛ حوزه‌ای که تنها توسط بخش کوچکی از جامعه و سرمایه‌های محدود حمایت می‌شود تا بتوانند جوانان را آموزش دهند و حقوق تعداد کمی از نوازندگان حرفه‌ای را در شهرهای بزرگ پرداخت کنند. خارج از محیط دانشگاه، فرصت‌های شغلی برای ریاضی‌دانان محض بسیار اندک است و نتایج کارهایشان تنها توسط عده‌ای انگشت‌شمار درک می‌شود.
برای جامعهٔ فنی، این موضوع فرض بنیادین دربارهٔ اکتشافات ریاضی را تغییر می‌دهد. وقتی نیروی کار مورد نیاز برای اثبات یک قضیه به سیلیکون واگذار می‌شود، ارزش ریاضی‌دان از «عمل استخراج» به «عمل ارتباط و تفسیر» تغییر می‌یابد. چالش از «چگونه اثبات کنیم» به «چرا این نتیجه اهمیت دارد» منتقل می‌شود؛ یعنی تمرکز بر تلاش‌های فرهنگی برای روایت داستان‌هایی که به ما کمک می‌کند واقعیت را بفهمیم؛ مثلاً اینکه چرا خطوط موازی هرگز تلاقی نمی‌کنند یا چرا اعداد اول هرگز تمام نمی‌شوند.
با این حال، این گذار یک بحران اعتبارسنجی ایجاد می‌کند. هرچه استدلال‌های تولید شده توسط هوش مصنوعی پیچیده‌تر شوند، تشخیص صحت آن‌ها برای داوران انسانی سخت‌تر می‌شود. این مسئله ساختارهای فعلی برای بودجه‌بندی، tenure (پایداری شغلی) و شهرت آکادمیک را پیچیده می‌کند. ترنس تائو نیز هشدار داده است که فراوانی اثبات‌های تولید شده توسط AI می‌تواند منجر به بزرگ‌ترین بحران اعتبار در تاریخ ریاضیات شود. اکنون با این انتخاب روبرو هستیم که چگونه جایگاه انسان را در دنیایی حفظ کنیم که تلاش‌های ذهنی‌اش به سادگی با کامپیوتر قابل مقایسه نیست.
در آینده شاهد پذیرش گسترده‌تر ابزارهای تأیید صوری مانند Lean خواهیم بود تا به عنوان حفاظ‌های (Guardrails) ضروری برای این اثبات‌های کمک‌گرفته از AI عمل کنند؛ چرا که «تست‌های شهودی» انسان دیگر برای قضایای حساس و سطح بالا کافی نخواهند بود.
گام بعدی شما
- ابزارهای تأیید صوری مانند Lean را دنبال کنید؛ این ابزارها تنها حفاظ‌های مطمئنی هستند که می‌توانند جایگزین «تأیید بصری» انسان در قضایای حساس شوند.
- بررسی کنید که چگونه می‌توانید از مدل‌های استدلالی برای شناسایی شکاف‌های منطقی در مستندات فنی خود استفاده کنید.
- مطالعه کنید که آیا مدل‌های زبانی می‌توانند در تبدیل مفاهیم انتزاعی ریاضی به زبان ساده، به پژوهشگران کمک کنند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو