تصور کنید در دنیایی زندگی می‌کنید که قضیه‌های پیچیده دیگر کمیاب نیستند. این کمیابی که زمانی معیار اصلی هوش ریاضی انسان بود، حالا توسط هوش مصنوعی شکسته شده است. کیت استنج و ادموند هریس استدلال می‌کنند وقتی ماشین‌ها می‌توانند در مقیاس وسیع راهکارهای قابل تأیید تولید کنند، ارزش ریاضیات از خودِ نتیجه به فرآیند درک انسانی منتقل می‌شود.
این چرخش در لحظه‌ای رخ می‌دهد که ریاضیات آکادمیک با یک بحران مواجه است. برای دهه‌ها، تولید قضیه استاندارد طلایی برای جوایز و tenure (پایداری شغلی اساتید) بود. اما طبق اعلامیه لایدن (۲۰۲۶)، توانایی هوش مصنوعی در تولید اثبات‌ها به این معناست که یک راهکار قابل تأیید دیگر نشان‌دهنده تفکر عمیق نیست. این فوریت محوریت یک کارگاه در ژانویه در مؤسسه هنری پوانکاره (IHP) بود؛ بخشی از یک سه ماهه ویژه درباره استفاده از تصویرسازی در پژوهش‌های ریاضی. در این نشست، ریاضی‌دانان، تاریخ‌نگاران، هنرمندان و مربیان گرد هم آمدند تا یک پرسش بنیادین را مطرح کنند: یک تصویرسازی «دقیق» واقعاً چه معنایی دارد و چگونه می‌تواند سخت‌گیرانه باشد؟
بحران «هضم»
همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن دیدیم، شکاف بین تولید خروجی و درک سازوکار یک چالش سیستمی است. در ریاضیات نیز برینا کرا این وضعیت را مشکل «هضم» می‌نامد؛ وضعیتی که در آن اثباتی وجود دارد اما ریاضی‌دان نمی‌تواند شهوداً بفهمد چرا کار می‌کند. این چالش با نیاز مبرم به گسترش ظرفیت‌های فهم انسانی در مواجهه با پیچیدگی‌های مدل‌های هوش مصنوعی پیوند خورده است. کرا معتقد است در حالی که قضیه‌های عمیق زمانی نشان‌دهنده تفکر عمیق بودند چون کمیاب و دشوار بودند، هوش مصنوعی این کمیابی را از بین برده است. از نظر او، یک اثبات واقعی فقط یک نتیجه نیست، بلکه «یک داستان، یک تصویر، یک بینش و یک توضیح» است.
سیلویا د توفولی و ایمون دوئد با رد این ایده که ریاضیات بازی‌ای است که ماشین‌ها اکنون برنده شده‌اند، این دیدگاه را تقویت می‌کنند. آن‌ها استدلال می‌کنند که هدف ریاضیات صرفاً یک راهکار قابل تأیید نیست، بلکه «مجموعه‌ای از دانش است که توسط جامعه علمی درگیر شده، تفسیر شده و هضم شود». ریاضیات یک فرآیند زنده است، نه فهرستی از نتایج. ماتیلده مارکولی فراتر رفته و می‌گوید تأکید بر قضیه‌های بزرگ هرگز هدف اصلی این رشته نبود، بلکه صرفاً سیستمی ارزشی بود که جامعه انتخاب کرد و اکنون می‌توان دوباره انتخاب کرد.
گرانت سندرسون می‌پرسد در عمل چه می‌کنیم تا به اشکال دیگر درک ریاضی اعتبار دهیم؟ او اشاره می‌کند که در گذشته به روش‌های دیگر دانستن اعتبار داده می‌شد و جامعه باید دوباره راه‌هایی برای جشن گرفتن آن‌ها بیابد.
کشف اخیر Chair44، نخستین تکانه غیرمتناوب سه‌بعدی، نمونه‌ای عینی است. در سپتامبر ۲۰۲۶، مدل GPT-6 Astra با پرامپت ایوانیس تسیوکوس این تکانه را یافت. این دستاورد در راستای موج جدیدی از موفقیت‌های ماشینی است، مشابه زمانی که مدل داخلی جدید OpenAI توانست ۳۷۲ مسئله دشوار ریاضی و علوم کامپیوتر را حل کند. تسیوکوس مقاله‌ای ۶۱ صفحه‌ای درباره این یافته منتشر کرد، اما به یک شکاف حیاتی اشاره کرد: او استدلال هندسی شهودی را می‌فهمید، اما ریاضیات پشت آن را نه.
در اینجا مداخله انسانی چایم گودمن-استراس لازم بود تا آن خروجی ۶۱ صفحه‌ای ماشین را به مقاله‌ای ۸ صفحه‌ای تبدیل کند. او با طراحی نموداری از فلش‌های متناظر که ساختار سوپر-تایل را قابل مشاهده می‌کرد، یک اثبات سلسله‌مراتبی کلاسیک از غیرمتناوب بودن ارائه داد. تصویر شکل در مقاله تسیوکوس، سرنخی بود که ایده کلیدی را آشکار کرد و یک نتیجه ماشینی را به دانش انسانی تبدیل کرد.
تعریف تصویرسازی دقیق
برای مقابله با شکاف بین نتیجه و درک، گروهی از ریاضی‌دانان سنت «تصویرسازی دقیق» را احیا می‌کنند. این جنبش که از سال ۲۰۱۹ در ICERM شکل گرفت و بعدها سه ماهه IHP را سازماندهی کرد، تصویرسازی را نه فقط ابزاری برای توضیح، بلکه روشی برای پژوهش — یعنی اکتشاف در ریاضیات — می‌بیند.
- قابلیت‌ها (Affordances): بر اساس گزارش والریا جاردینو در سال ۲۰۱۸ در نشریه Endeavour 42، قابلیت‌های یک تصویر عبارتند از خوانش‌ها، دست‌کاری‌ها و استنتاج‌هایی که آن شکل از بیننده می‌طلبد. تعریف دقیق‌تر این است که قابلیت‌ها ویژگی‌هایی از تصویر هستند که یک اثبات، صحت آن‌ها را تأیید می‌کند.
- گواه‌نامه (Certification): یک تصویرسازی دقیق است اگر یک اثبات رسمی گواهی دهد که ویژگی‌های بصری آن درست هستند. برعکس، می‌توان از اثبات‌ها برای نشان دادن این موضوع استفاده کرد که یک ویژگی بصری ظاهری، در واقع یک قابلیت واقعی نیست.
- مثال مندلبروت: تصاویر اولیه مجموعه مندلبروت (بنوآ مندلبروت، ۱۹۸۰) نشان می‌داد که این مجموعه گسسته است. اما در سال ۱۹۸۲، آدرین دوآدی و جان هابارد اشاره کردند که ویژگی‌هایی نازک‌تر از فاصله بین پیکسل‌ها در تصاویر دیجیتال گم می‌شوند. در حالی که گسستگی یک خطای بصری بود، ویژگی‌های دیگر — مانند تعداد حباب‌هایی با اندازه خاص در اطراف کاردیوئید اصلی — را می‌توان در صورت کوچک بودن اندازه پیکسل‌ها اثبات کرد.
یادگیری از طریق ساختن
این جنبش از اکول پلی‌تکنیک قرن نوزدهم الهام می‌گیرد، جایی که گاسپارد مونژ طراحی دستی را بخشی از آموزش ریاضی قرار داده بود. تاریخ‌نگار فردریک برشن‌ماخر در کارگاه IHP صراحتاً گفت: «طراحی کردن، همان دانستن بود». این فلسفه می‌گوید درک از طریق عمل فیزیکی یا دیجیتال خلق کردن به دست می‌آید، نه فقط مشاهده اثر نهایی دیگران.
این سنت در دهه ۹۰ میلادی در بحث‌های بیل ترستون درباره نقش شهود در برابر فرمالیسم سخت‌گیرانه دوباره زنده شد. ترستون در مقاله تاثیرگذار خود «درباره اثبات و پیشرفت در ریاضیات»، در پاسخ به مقاله‌ای از آرتور جافی و فرانک کوئین، از نقش شهود و درک بصری دفاع کرد. بسیاری از پاسخ‌های شخصیت‌هایی چون مایکل آتییا، آرماند بورل و شینگ-شن چرن به جافی و کوئین، اکنون متون ضروری برای این دیدگاه محسوب می‌شوند.
برای اجرای این ایده‌ها، این گروه چارچوب «نقد» (Crit) را از هنر آکادمیک و به رهبری پروفسور ژان اشمیت پذیرفتند. در یک جلسه نقد، اثر با کمترین مقدمه ارائه می‌شود تا مشخص شود مخاطب چه درکی از آن دارد و سپس خالق، این دریافت را با قصد اولیه خود مقایسه می‌کند. این فرآیند:
- ساختاری رسمی برای گفتگوهای غیررسمی جمعی فراهم می‌کند.
- سبک همکاری سمینارهای گلفاند در مسکو را بازسازی می‌کند.
- با مفهوم «تفکر از طریق ساختن» تیم اینگولد (۲۰۱۳) همسو است که در آن فرم و درک در همکاری با ابزارها و مواد شکل می‌گیرند.
خطر «کدنویسی حسی» (Vibecoding)
با این حال، هوش مصنوعی ریسک جدیدی به نام Vibe Coding را ایجاد کرده است. این اتفاق زمانی می‌افتد که یک ریاضی‌دان از هوش مصنوعی برای تولید یک شیدر بصری یا مدل استفاده می‌کند بدون اینکه خودِ الگوریتم را بفهمد. در این حالت، پژوهشگر دو گام از دانش فاصله می‌گیرد: او تصویر را دارد، اما نه اثبات رسمی و نه درک الگوریتم خلق را.
استنج و هریس این را با کار خود روی «ستاره‌نماهای اعداد جبری» (که ریشه‌های مختلط چندجمله‌ای‌های درجه سه گویا را بررسی می‌کند) نشان دادند. آن‌ها در همکاری با استیو ترتل، جایاداو آتریا، گابریل دورفسمن-هاپکینز و کلودیو گونزالس متوجه شدند که یک پیش‌نویس ساده از کد شیدر، دایره‌ها را به بیضی تبدیل کرده است. چون آن‌ها صرفاً «کدنویسی حسی» نمی‌کردند و سازوکار را تحلیل می‌کردند، فهمیدند این اعوجاج ناخواسته در واقع یک بعد جدید از ساختار معنادار را آشکار کرده است. تصویر، ریاضیاتی را نشان داد که هنوز کشف نشده بود، نه اینکه فقط دانسته‌های قبلی را توضیح دهد.
زیرساختی برای ارزش‌های جدید
گرانت سندرسون خواستار اعتباری واقعی برای کارهای ریاضی فراتر از اثبات است. تلاش‌ها برای اعتباربخشی به این آثار از طریق شبکه‌هایی مانند Geometry Labs United در حال گسترش است. این شبکه دانشجویان مقطع لیسانس، تحصیلات تکمیلی، پسادکترا و اساتید دانشگاه‌های مختلف را گرد هم می‌آورد تا ریاضیات را به عنوان پژوهش، آزمایش و تصویرسازی بررسی کنند.
این آزمایشگاه‌ها فضایی برای «یادگیری از طریق ساختن» فراهم می‌کنند، جایی که اثبات می‌تواند زمینه‌ای‌تر باشد — مثلاً اثبات قابلیت‌های یک آزمایش یا تصویرسازی خاص. این رویکرد با پژوهش‌های هورتنسیا سوتو همسو است که نشان داد کار با مواد فیزیکی از کنش‌ها، ادراکات و حس‌های لازم برای درک پشتیبانی می‌کند.
ریاضی‌دان بودن به همان اندازه است که مخاطبی مشتاق برای کار دیگران باشیم که ارائه یا خلق پژوهش‌های خودمان. ما به عنوان یک جامعه، برای زیبایی‌شناسی، ظرافت و بینش ارزش قائلیم و این ارزش‌های مشترک را از طریق تعاملاتمان توسعه داده‌ایم. اهمیت بیش از حد انتشارات و نتایج اثبات‌نشده، صرفاً این ارزش‌های گسترده‌تر را تحت‌الشعاع قرار داده بود، اما همواره افرادی تلاش می‌کردند تا راه‌هایی برای اعتباربخشی به آن‌ها بیابند.
با ادغام بینش‌های آموزش ریاضی، ترویج علم و هنر، این جامعه به سمتی می‌رود که به قول برینا کرا، «ظرفیت ما برای استدلال را گسترش دهد و ذهن ما را به روی روش‌های جدید درک باز کند».
گفتگو