تصور کنید سال‌ها برای دکتری ریاضی محض تلاش کرده‌اید، اما ناگهان متوجه می‌شوید یک مدل زبانی در چند ثانیه مسئله‌ای را حل کرده که دهه‌ها ذهن نوابغ را به خود مشغول کرده بود. این کابوسِ بیداری است که امروز بسیاری از دانشجویان ریاضی را به فکر تغییر رشته یا حتی رفتن به دانشکده‌های حقوق انداخته است. پرسشی که اکنون دپارتمان‌های ریاضی را در سراسر جهان دچار اضطراب کرده این است: «آیا دکتری در ریاضیات محض اکنون به یک مسیر شغلی بن‌بست تبدیل شده است؟» در عصر مدل‌های استدلالی با توانایی‌های ابرانسانی، بسیاری از دانشجویانی که تا همین یک سال پیش قصد ورود به مقاطع تحصیلات تکمیلی را داشتند، اکنون در حال تغییر تصمیم خود هستند.
این تنش در ۹ اکتبر ۲۰۲۶ به اوج رسید؛ زمانی که پروفسور آلوارو لوزانو-روبلدو (Álvaro Lozano-Robledo) در پاسخی مفصل به دانشجویانش، مرزهای توانایی ماشین و انسان را تحلیل کرد. او این یادداشت را در واکنش به نامه‌ای صمیمانه از یک دانشجوی سال آخر نوشت که از ترسِ تبدیل شدن به «پرامپت‌نویس‌های حرفه‌ای» و حذف شدن از دنیای آکادمیک، دچار بحران وجودی شده بود. این دانشجو در نامه‌اش بیان کرده بود که در مورد مسیر شغلی و معنای زندگی خود «کاملاً سردرگم» است و می‌ترسید که فضای آکادمیک ریاضی چنان کوچک شود که تنها برای «درخشان‌ترین ذهن‌ها» در دسترس باشد. او به‌طور مشخص پرسیده بود که آیا هوش مصنوعی طی ۵ تا ۱۰ سال آینده در پژوهش‌های ریاضی محض از انسان پیشی می‌گیرد و آیا این رشته به جایی می‌رسد که فقط کسانی که «از من باهوش‌ترند» بتوانند در آن بقا یابند؟
این بحث در حالی شکل می‌گیرد که غول‌هایی مثل OpenAI و Anthropic برای بالا بردن ارزش سهام خود پیش از عرضه عمومی (IPO) — مانند آنتروپیک در نوامبر ۲۰۲۶ و اوپن‌ای‌آی در اوایل ۲۰۲۷ — روایت «هوش ابرانسانی» را ترویج می‌کنند. لوزانو-روبلدو هشدار می‌دهد که تلاش این شرکت‌ها برای متقاعد کردن مردم به «پتانسیل نامحدود» مدل‌ها، می‌تواند برای جامعه علمی فاجعه‌بار باشد. به نقل از او، این شرکت‌ها منابع انسانی و محاسباتی عظیمی را صرف حل مسائل شناخته‌شده می‌کنند تا بتوانند خبرهای جنجالی بسازند و القا کنند که مدل‌هایشان می‌توانند هر مسئله‌ای را به‌طور خودکار و سریع حل کنند، در حالی که حجم عظیمی از توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — بدون هیچ نتیجه‌ای در سطل زباله ریخته می‌شود و این شکست‌های کلان هرگز منتشر نمی‌شوند.
زمینه و بستر بحران
دانشجویان اکنون با چندین پرسش وجودی درباره آینده خود در این رشته دست‌وپنجه نرم می‌کنند:
- آیا هوش مصنوعی از توانایی پژوهشی هر انسانی در ریاضیات پیشی خواهد گرفت؟
- آیا ریاضی‌دانان پژوهشگر به «پرامپت‌نویس‌های حرفه‌ای» و مفسران خروجی مدل‌های زبانی بزرگ (LLM) تبدیل می‌شوند؟
- آیا تنها نخبگان بسیار معدودی از «درخشان‌ترین ذهن‌ها» قادر خواهند بود مشارکت معناداری داشته باشند؟
- آیا ریاضی‌دانان همچنان در بازار کار مورد نیاز و قابل استخدام خواهند بود؟
- آیا در شرایط فعلی، دنبال کردن دکتری ریاضی منطقی است؟
لوزانو-روبلدو با صراحت می‌گوید که او به دلیل جایگاهش به عنوان یک پروفسور رسمی (Tenured)، در موقعیت привиلیج‌داری است و می‌پذیرد که وضعیت از دیدگاه ریاضی‌دانان تازه‌کار که با ناامنی شغلی روبرو هستند، بسیار نگران‌کننده‌تر به نظر می‌رسد. او تأکید می‌کند که هیچ‌کس — نه برندگان مدال فیلدز، نه متخصصان AI و نه شرکت‌های پیشرو — پاسخ قطعی ندارند؛ زیرا سرعت توسعه مدل‌های زبانی بزرگ بیش از حد سریع و کدر است و نمی‌توان با قطعیت پیش‌بینی کرد.
او همچنین نسبت به کسانی که در پلتفرم X.com با اعتمادبه‌نفس شدید پیش‌بینی می‌کنند که این حرفه به‌طور کامل نابود خواهد شد، هشدار می‌دهد. او اشاره می‌کند که این افراد اغلب «متخصصان خودخوانده» AI یا کارمندان استارتاپ‌های هوش مصنوعی هستند که نفعی در این روایت دارند. برای یافتن طیفی متوازن از نظرات، او در حال جمع‌آوری مصاحبه‌هایی برای پروژه ویدئویی خود با عنوان «ریاضی‌دانان انسانی در عصر هوش مصنوعی» است.
مکانیسم‌های کشف و ابداع
برای درک محدودیت هوش مصنوعی، لوزانو-روبلدو پیشنهاد می‌کند دانش ریاضی بشر را به شکل یک جسم چندبعدی — به‌طور دقیق‌تر یک «پلی‌توپ چندبعدی ستاره‌ای» (Stellated High-Dimensional Polytope) — تصور کنیم که نوک‌های تیز آن نشان‌دهنده لبه‌ی دانش در حوزه‌های مختلف است. طبق تحلیل او، اکثر پیشرفت‌های AI در «پوسته محدب» (Convex Hull) این شکل رخ می‌دهد؛ یعنی مدل‌ها ایده‌های موجود را به‌طور هوشمندانه‌ای ترکیب می‌کنند، اما نمی‌توانند نوک جدیدی به این شکل اضافه کنند.
برای حل مسئله‌ای مثل «فرضیه ریمان»، یک ریاضی‌دان باید مفهومی کاملاً جدید ابداع کند که خارج از تمام مرزهای شناخته‌شده باشد. تنها پس از آنکه یک ایده جدید در یک مقاله انسانی معرفی شد، پلی‌توپ ایده‌ها یک رأس بیرونی جدید به دست می‌آورد. تنها در این مرحله است که مدل‌های LLM می‌توانند پس از بازآموزی با داده‌های جدید، فضای نتایج را تا پوسته محدب جدید پر کنند.
تحلیل «پوسته محدب» ایده‌ها
لوزانو-روبلدو توضیح می‌دهد که مدل‌های LLM چون روی تمام آثار و مشارکت‌های انسانی آموزش دیده‌اند، طبیعتاً محدود به تفکر در مرزهای ادبیات موجود هستند. او به یک «مدل اسباب‌بازی» (Toy Model) که توسط نستور گیلن ارائه شده اشاره می‌کند؛ مدلی که نشان می‌دهد AI در محدوده پوسته محدب ایده‌های موجود عمل می‌کند. او برای اثبات این موضوع، رد «حدس فاصله واحد اردوش» را مثال می‌زند:
- این اثبات در ابتدا نبوغ‌آمیز به نظر می‌رسید زیرا استراتژی‌های هندسه گسسته و نظریه اعداد جبری (دو رأس بیرونی متفاوت از پلی‌توپ ایده‌ها) را با هم ترکیب کرده بود.
- با این حال، متخصصانی مثل ملانی مچت-وود اشاره کردند که اگر سطح و نوع تخصص انسانی موجود در آن یادداشت، یک ماه زودتر جمع‌آوری می‌شد و در زمانی مشابه صرف می‌شد، ریاضی‌دانان قطعاً به آن مثال نقض می‌رسیدند.
- در واقع، این نتیجه در «پوسته محدب» ایده‌های موجود قرار داشت و نیاز به هیچ اختراع ریاضی بنیادین و جدیدی نداشت.
طبق این مدل، هوش مصنوعی به پر کردن شکاف‌های بین «نوک‌های بیرونی» پلی‌توپ ادامه خواهد داد، اما در نهایت شاهد کاهش سرعت در نتایجی خواهیم بود که صرفاً توسط AI تولید شده‌اند. شهود انسانی برای تولید ایده‌های جدیدی که با خلق رأس‌های بیرونی، پلی‌توپ دانش را گسترش می‌دهند، ضروری است.
هزینه ریاضیات «بروت فورس» (زور خالص)
علاوه بر این، یک هزینه اقتصادی و اخلاقی پنهان در کشفیات مبتنی بر AI وجود دارد. در حالی که OpenAI مدعی موفقیت در حل مسئله «ناویر-استوکس» شد، هزینه محاسباتی واقعی آن تکان‌دهنده بود. لوزانو-روبلدو اشاره می‌کند که OpenAI تقریباً ۱۵ میلیون دلار هزینه کرد تا صرفاً این مسئله خاص را «ربوده» و زودتر از دیگران منتشر کند، در حالی که هزینه‌های جاری شکست‌های آن‌ها در حل سایر مسائل جایزه هزاره (Millennium Prize) هرگز فاش نشده است.
او استدلال می‌کند که ما در نهایت به یک «مرز طبیعی» می‌رسیم — اصطلاحی که توسط کوین بازارد، یکی دیگر از خوش‌بین‌ها، ابداع شده است — جایی که هزینه استفاده از یک LLM برای حل یک مسئله، از نظر اجتماعی یا اخلاقی غیرقابل قبول می‌شود. او این پرسش را مطرح می‌کند که آیا هر مبلغ دلاری یا هر مقدار از منابع طبیعی برای حل یک مسئله واحد پذیرفتنی است؟ او این وضعیت را با جستجوی حیات در مریخ مقایسه می‌کند: درست است که می‌توانیم با به خطر انداختن جان انسان‌ها و صرف بودجه‌های نجومی سریع‌تر به پاسخ برسیم، اما جامعه ممکن است تصمیم بگیرد که این هزینه بیش از حد زیاد است.
بنابراین، انسان‌ها همیشه برای یافتن مسیر «کمک‌گراوی» (Gravity-assisted) مورد نیاز خواهند بود؛ یعنی همان مسیر ظریف و کم‌هزینه‌ای به سوی راه حل که نه تنها یک نتیجه، بلکه «فهم انسانی» را به همراه دارد.
نقش ریاضی‌دان انسانی در عصر جدید
برخلاف ترس‌ها از اینکه پژوهشگران به «پرامپت‌نویس‌های حرفه‌ای» تبدیل شوند، واقعیت در این رشته به سمت یک مدل «همکاری» در حال تغییر است. لوزانو-روبلدو گزارش می‌دهد که بهره‌وری پژوهشی او سه برابر شده است، زیرا LLMها به او اجازه می‌دهند حوزه‌هایی را که خارج از تخصص اصلی‌اش هستند، سریع‌تر کاوش کند. او کار با یک LLM را شبیه به بحث درباره یک مسئله با یک همکار توصیف می‌کند که در آن نتایج به‌شدت به هدایت و شهود ریاضی‌دان وابسته است.
او چندین دلیل برای امنیت این حرفه می‌آورد:
- نیاز به هضم: یک اثبات ریاضی بی‌فایده است اگر هیچ ریاضی‌دان انسانی وجود نداشته باشد که بفهمد، تأیید کند و ارتباط دهد که «چرا» این نتیجه درست است. ریاضی‌دانان بیش از آنکه به دنبال پاسخ نهایی (که گزاره درست است) باشند، به دنبال دلیل درست بودن (چرا درست است) هستند.
- مأموریت آموزشی: دپارتمان‌های ریاضی دانشگاه‌ها دو هدف دارند: کشف و ارتباط. یادگیری تفکر مانند یک ریاضی‌دان، یک مهارت حیاتی در علوم انسانی (Liberal Arts) است. دانشجویان زمانی بیشترین بهره را می‌برند که از دانشمندانی که در خط مقدم پژوهش هستند، بیاموزند.
- کاوش بی‌نهایت: همان‌طور که امیلی ریل اشاره کرده است، جهان ریاضیات عظیم است، در حالی که زمان محاسباتی محدود است. همیشه مناطقی کمتر کاوش‌شده وجود خواهد داشت که مبتدیان بتوانند در آن‌ها زمینه‌های جدیدی بگشایند.
- ارزش انسان‌محور: کارهای روزمره یک ریاضی‌دان — تدریس، گفتگوهای لذت‌بخش با همکاران و کنفرانس‌های تحریک‌کننده — تا حد زیادی بدون تغییر باقی مانده است. دانیل لیت اخیراً در توییتر احساس مشابهی را بیان کرد. این دیدگاه با تحلیل‌های پیشین او همسو است که در آن ضرورت تغییر هدف دکترا از رساله به دفاع شفاهی را برای انطباق با عصر هوش مصنوعی ابرانسانی مطرح کرده بود.
مسیر رسیدن به دکتری
برای دانشجویان، توصیه او روشن است: اگر عاشق چالش کشف هستید، تکنولوژی یک ابزار است، نه یک مانع. هدف از دکتری، تبدیل شدن به یک متخصص است و LLMها صرفاً مسیر رسیدن به آن تخصص را کارآمدتر می‌کنند. لوزانو-روبلدو اشاره می‌کند که او روزانه از این مدل‌ها برای درک مفاهیمی استفاده می‌کند که قبلاً با آن‌ها مشکل داشت و تا زمانی که توضیح مدل با شیوه تفکر خاص او «کلیک» نکند، از آن پرسش می‌کند.
او استدلال می‌کند که تصمیم برای دنبال کردن دکتری باید بر اساس اشتیاق باشد، نه تکنولوژی. او انگیزه‌های خودش را به یاد می‌آورد: تمایل به یادگیری اینکه اندرو وایلز چگونه قضیه آخر فرمات را ثابت کرد، میل به دوری از یک «شغل واقعی» و لذت ملاقات با افرادی که فکر می‌کنند نظریه اعداد جذاب‌ترین چیز روی زمین است. او معتقد است اگر در زمانی که دانش دوره لیسانسه‌اش تازه بود، دکتری را امتحان نمی‌کرد، عمیقاً پشیمان می‌شد.
این تغییر نشان می‌دهد که تنها «درخشان‌ترین ذهن‌ها» مشارکت نخواهند کرد، بلکه در واقع مانع ورود به پژوهش در حال کاهش است. چون LLMها ۲۴ ساعته برای پاسخ به سوالات در دسترس هستند — بسیار بیشتر از یک یا دو ساعت در هفته که یک پروفسور وقت دارد — دانشجویان مقطع لیسانس می‌توانند زودتر از هر زمان دیگری به پروژه‌های سطح بالا بپیوندند. این امر اجازه می‌دهد کاوش‌های ریاضیاتی با هدف درک و آموزش دانشجویان در یک حوزه بسیار فنی به روشی اخلاقی صورت گیرد.
معنای این وضعیت برای خواننده، تغییر در ارزش‌هاست: «پاسخ» در حال تبدیل شدن به یک کالا (Commodity) است، اما «شهود» و «چرا» در حال تبدیل شدن به مهارت‌های ممتاز و گران‌بها هستند. ریاضی‌دان سال ۲۰۲۷ یک ماشین‌حساب نیست، بلکه معمار ایده‌های جدید است. همان‌طور که جرمی تیتلبام پیشنهاد کرد، دانشجویان اگر می‌خواهند عمیق‌تر از هر کسی در یک موضوع پیش بروند، نمی‌توانند از یادگیری قابلیت‌های فعلی LLMها غافل شوند.
تحلیل «گنجینه» OpenAI
اندکی پیش از انتشار مقاله، OpenAI مجموعه عظیمی از نتایج را منتشر کرد، از جمله پیشرفت‌هایی در «فرضیه ریمان شبه»، «حدس گولدفلد»، «حدس صلبیت» (Rigidity Conjecture)، «مسئله دهم هیلبرت روی Q» و «حدس هاج» در مورد گونه‌های ابلیان CM. لوزانو-روبلدو استدلال می‌کند که اگرچه این نتایج تاریخی هستند، اما در واقع حرف او را تأیید می‌کنند.
از میان ۴۰۰۰ مسئله باز که مدل به آن‌ها حمله کرد، مدل تنها در حدود ۷۰۰ مورد پیشرفت کرد. این نرخ شکست نشان می‌دهد که محدودیت «پوسته محدب» واقعی است. هوش مصنوعی می‌تواند نقاط موجود در ادبیات ریاضی را به روش‌های نبوغ‌آمیزی به هم وصل کند، اما هنوز در خلق نقاط جدیدی که پیشرفت ریاضی را تعریف می‌کنند، مشکل دارد. ما همچنان به ریاضی‌دانان و زمان نیاز داریم تا این اثبات‌های جدید را هضم کنیم و ببینیم آیا واقعاً ایده‌های کاملاً جدیدی کشف شده‌اند یا خیر.
در نهایت، حضور LLMها دلیل بنیادین برای دنبال کردن دکتری را تغییر نمی‌دهد: میل به تبدیل شدن به یک متخصص در یک موضوع خاص. چه از طریق مطالعه سنتی و چه از طریق کاوش کارآمد در ادبیات با کمک LLM، هدف یکسان باقی می‌ماند. کوه‌های ریاضیاتی که هنوز باید توضیح داده شوند و منتقل گردند، تضمین می‌کند که ریاضی‌دان انسانی همواره ضروری باقی خواهد ماند.
گام بعدی شما
- اگر پژوهشگر هستید، به جای رقابت در «سرعت حل»، روی «طراحی مفاهیم» تمرکز کنید؛ جایی که AI هنوز ناتوان است.
- از مدل‌های استدلالی برای یادگیری سریع مفاهیم پیش‌نیاز حوزه‌های جدید استفاده کنید تا زمان رسیدن به لبه دانش را کاهش دهید.
- در یادگیری ابزارهای AI برای اثبات رسمی (Formal Verification) سرمایه‌گذاری کنید تا بتوانید خروجی‌های مدل را سریع‌تر اعتبارسنجی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و هزینه واقعی استنتاج‌های پیچیده مراجعه کنید.
گفتگو