چرا اکتشافات ریاضیِ هوش مصنوعی از مجلات آکادمیک می‌گریزند؟

تصور کنید یک ریاضیدان جوان، اثباتی را کشف کند که سال‌هاست نوابغ جهان را به دردسر انداخته، اما به‌جای ارسال آن به یک مجله تخصصی، آن را در یک رشته‌توییت منتشر کند. این دقیقاً همان نقطه‌ای است که مدل‌های ریاضی جدید در آن دارند: جایی که سرعتِ کشف از سرعتِ تایید پیشی گرفته است.

دانیل لمایر (Daniel Lemire)، ریاضیدان محاسباتی، در ۲۸ ژوئیه ۲۰۲۶ هشدار داد که راهکارهای ریاضی تولیدشده توسط هوش مصنوعی در حال دور زدن دروازه‌بانان آکادمیک هستند و به‌جای مجلات، به پلتفرم‌هایی مانند X و وبلاگ‌های شخصی روی می‌آورند. این تغییر مسیر به این دلیل رخ می‌دهد که مدل‌های هوش مصنوعی، سرعت یافتن الگوها و اثبات‌های جدید را به‌شدت بالا برده‌اند. برای یک فرد عادی، این وضعیت شبیه تفاوت میان انتظار چندساله برای چاپ یک مطالعه پزشکی در یک مجله تخصصی با دیدن یک دموی زنده و موفق در شبکه‌های اجتماعی است. سیستم‌های سنتی بر حلقه‌ای بسته از متخصصان تکیه دارند، اما عصر جدید، بازاری پویا و باز برای اعتبارسنجی می‌طلبد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی دموکراتیزه شدن دانش اشاره کردیم، حذف واسطه‌ها در تولید محتوای تخصصی یک روند کلی است. لمایر اشاره می‌کند که سیستم داوری همتا (Peer Review) اختراعی نسبتاً جدید متعلق به نیمه دوم قرن بیستم است. او تأکید می‌کند که کل انقلاب علمی و دستاوردهای خیره‌کننده نیمه اول قرن بیستم، بدون وجود این سیستم رخ داده است.

به نقل از مستندات این بحث، در سال‌های ۱۸۸۰ یا ۱۹۲۰، حقیقت به دو روش تثبیت می‌شد:

• تأیید مستقیم: پژوهشگران توانمند، آزمایش‌ها را تکرار می‌کردند یا استدلال‌های ریاضی را شخصاً و با نگاهی نقادانه می‌خواندند.
• شبکه‌های مورد اعتماد: دانشمندان به اعتبار و شهرت ریاضیدانان مشهوری تکیه می‌کردند که یک اثبات را تضمین و گواهی می‌کردند.

طبق گزارش‌های منتشر شده، سیستم فعلی صرفاً یک سازمان‌دهی بهترِ «اعتماد» نیست، بلکه به‌دلیل بسته بودن، کیفیتاً متفاوت است. در یک بازار باز و سنتی، حتی نوجوانی بدون هیچ مدرک رسمی می‌تواند با دقت زیاد، به‌عنوان یک بررسی‌کننده وسواسی و دقیق شناخته شود و اعتبار کسب کند. در مقابل، فردی با مدارک عالی که تصمیمات غلط می‌گیرد، به‌مرور زمان از یک مرجع تبدیل به فردی غیرقابل استناد می‌شود.

در مدل بسته فعلی، لیست افرادی که یک مقاله را تأیید کرده‌اند معمولاً از خواننده پنهان است. لمایر استدلال می‌کند که این ساختار اجازه می‌دهد دو نوع اشتباه رخ دهد: تأیید کارهای ضعیف یا — بحرانی‌تر از آن — رد کارهای درخشان. او آلبرت اینشتین (Albert Einstein) را به عنوان یک مثال بارز می‌زند؛ او در سال ۱۹۰۵ تنها یک کارمند اداره ثبت بود و مدرک دکترا نداشت. اگر او در آن زمان مجبور می‌شد برای متقاعد کردن «گارد قدیمی» از کانال‌های سخت‌گیرانه و صلبِ داوری همتای امروز عبور کند، احتمالاً مقالات تحول‌آفرینش برای سال‌ها مسدود می‌شدند.

این اصطکاک با «ساکت‌بافی روشنفکری» و تکبر آکادمیک در نهادهای دانشگاهی تشدید می‌شود. دورون زایلبگر (Doron Zeilberger)، ریاضیدان برجسته، این میدان را به حدود ۱۰۰ «اقامتگاه» یا قلمروی مجزا تقسیم می‌کند که هر کدام سلسله‌مراتبی ناکارآمد و مختل‌شده دارند. زایلبگر اشاره می‌کند که تخصص‌های به‌اصطلاح «پرستیژدار» به حوزه‌های کاربردی، عینی یا کمتر شناخته‌شده با نگاهی تحقیرآمیز می‌نگرند و بسیاری از ریاضیدانان مانند «اشراف روشنفکر» عمل می‌کنند که حوزه‌های کاربردی را نادیده می‌گیرند.

به باور این تحلیلگران، ایدئولوژی فعلیِ پرستیژ و نخبگی یک مانع بزرگ است که کامپیوترها، در نقش «کارگزارانی خردمندتر و مهربان‌تر»، احتمالاً این موانع را از میان می‌برند. برای شما به عنوان کاربر یا مهندس، این یعنی مرز میان «ریاضیات عالی» و مهندسی کاربردی در حال فروپاشی است. این رویکرد با دیدگاه‌های مدرنی همسو است که در آن مهندسان باید به‌جای تمرکز بر بررسی‌های خط‌به‌خط، کنترل ایده‌های کلی را در دست بگیرند تا بهره‌وری واقعی حاصل شود. ریاضیات هرگز قرار نبود تا این حد از واقعیت جدا شود، اما در سال‌های اخیر برای مهندسان عادی دشوار بود که به ملاحظات پیشرفته ریاضی دست یابند. ما به سمتی می‌رویم که یک مهندس متخصص بتواند با کمک هوش مصنوعی، نه فقط با به کارگیری فرمول‌های موجود، بلکه با خلق ریاضیات کاملاً جدید، استانداردهای روز دنیا را جابجا کند.

این تکامل را می‌توان در مسیر مقاله مشهور «Attention Is All You Need» دید. وقتی این مقاله برای اولین بار به‌صورت آنلاین منتشر شد، بسیاری از خوانندگان نتوانستند اهمیت و عظمت آن را فوراً درک کنند. دوقطبیِ صلبِ «پذیرفته شده یا رد شده در یک مجله» نمی‌تواند درک تدریجی و تکاملی از ارزش یک کشف بزرگ را به تصویر بکشد.

اکنون جامعه علمی باید تصمیم بگیرد که آیا به فرآیندهای بررسی چندماهه و سنتی می‌چسبد یا مدل تایید غیرمتمرکز، آنی و واقعیِ اینترنت را می‌پذیرد.

گام بعدی شما

• اگر پژوهشگری هستید، شروع به دنبال کردن آرکایوهای باز (Pre-print) و بحث‌های متخصصان در X کنید تا از جریان واقعی کشف‌ها عقب نمانید.
• ابزارهای مدل استدلالی (Reasoning Model) — مدلی که قبل از جواب درنگ می‌کند و فکر می‌کند، شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — را برای بازبینی اثبات‌های ریاضی خود به کار بگیرید. برای پیاده‌سازی چنین مدل‌های پیشرفته‌ای، برخی سازمان‌ها به دلیل محدودیت‌های امنیتی و NDA، تمایل به سرمایه‌گذاری روی سخت‌افزارهای محلی به جای مدل‌های ابری دارند.
• به دنبال پلتفرم‌های تأیید جمعی (Crowdsourced Verification) باشید که جایگزین داوران پنهان می‌شوند.

اما تأثیر این مدل‌های استدلالی بر سایر علوم پایه حتی تکان‌دهنده‌تر است؛ در تحلیل ما درباره تبدیل مدل‌های زبانی به دانشمندان مجازی، این موضوع را بررسی کرده‌ایم.