به گزارش شبکه اطلاع‌رسانی طلا و ارز و به نقل از نشریه آتلانتیک، جامعه ریاضی در روزهای اخیر با خبری روبه‌رو شده که بیشتر شبیه یک نقطه عطف تاریخی است تا یک پیشرفت معمول پژوهشی: یک مدل هوش مصنوعی از OpenAI توانسته مسئله‌ای مشهور از مجموعه «مسائل اِردوش» را حل کند؛ مسئله‌ای که دهه‌ها در برابر تلاش‌های مداوم ریاضی‌دان‌ها مقاومت کرده بود. آتلانتیک می‌نویسد واکنش یکی از چهره‌های برجسته ریاضی به این نتیجه، به‌خوبی بزرگی اتفاق را نشان می‌دهد:
«اگر ریاضی‌دان هستید، شاید بهتر باشد قبل از ادامه نشستن را انتخاب کنید.»
اهمیت خبر فقط در حل شدن یک معما نیست، بلکه در «فاعل» این حل است. تا همین چند سال پیش، پیشرفته‌ترین مدل‌های هوش مصنوعی حتی در محاسبات ساده هم لغزش‌های جدی داشتند. اما حالا، همان فناوری در مسیری قرار گرفته که از انجام ریاضی پایه عبور کرده و به سطحی رسیده که می‌تواند به ادعای OpenAI، یک مسئله کلاسیک و عمیق را بدون دخالت مستقیم پژوهشگران انسانی از بن‌بست خارج کند، مسئله‌ای که در ادبیات ریاضی، معیار سنجش پیشرفت و خلاقیت شمرده می‌شد.
شگفتی ماجرا وقتی بیشتر می‌شود که بدانیم ریاضی‌دان‌ها معمولاً با هیجان‌زدگی و تبلیغ بی‌پایه سر سازگاری ندارند و برای پذیرش یک ادعا، استانداردهای سخت‌گیرانه‌ای دارند. با این حال، آتلانتیک به نقل از چند استاد برجسته از جمله تیموتی گاورز (برنده مدال فیلدز) می‌نویسد کیفیت کار به حدی بوده که اگر انسانی همان متن را به یک مجله طراز اول ریاضی ارائه می‌داد، احتمال پذیرش آن بسیار بالا بود. همین نقطه است که خبر را از یک «نمایش توانایی AI» به یک پرسش جدی‌تر تبدیل می‌کند: آیا وارد دوره‌ای شده‌ایم که در برخی قلمروهای دشوار، ماشین‌ها سریع‌تر از انسان به کشف و برهان برسند؟
مسئله چه بود و AI چطور از انسان‌ها جلو زد؟
مسئله‌ای که آتلانتیک به آن اشاره می‌کند، یکی از معماهای کلاسیک «هندسه ترکیبی» است که با نام unit distance problem شناخته می‌شود؛ پرسشی که صورت‌بندی‌اش ساده به نظر می‌رسد، اما دقیقاً از همان جنس سادگی فریبنده‌ای است که ریاضیات را خطرناک می‌کند. ایده کلی این است: اگر تعداد زیادی نقطه را روی یک صفحه قرار دهیم، حداکثر چند جفت نقطه می‌توانند دقیقاً به فاصله یک واحد از هم باشند؟ پرسش شبیه یک بازی هندسی است، اما پشت آن، یک شبکه پیچیده از محدودیت‌ها و روابط پنهان قرار دارد و همین باعث شده از دهه ۱۹۴۰ به این سو، به یکی از میدان‌های جدی رقابت فکری در این حوزه تبدیل شود.
آنچه در این پرونده مهم است این است که طی سال‌ها، «شهود رایج» در میان پژوهشگران به سمت نوعی چیدمان‌های استاندارد میل می‌کرد؛ یعنی تصور غالب این بود که بهترین پاسخ‌ها معمولاً از ساختارهای منظم و شبکه‌ای بیرون می‌آیند، همان‌جا که تقارن و تکرار به کمک می‌آید. اما به روایت آتلانتیک، مدل OpenAI در نهایت به راه‌حلی رسیده که دقیقاً از همین منطقه امن فاصله می‌گیرد: به جای دنبال کردن مسیرهای تثبیت‌شده، یک سازه/چیدمان متفاوت ارائه داده که نشان می‌دهد آن شهود رایج یا دست‌کم نسخه‌ای از آن کافی نبوده است. به زبان ساده‌تر، مدل به ریاضی‌دان‌ها گفته: «شما خیال می‌کردید سقف اینجاست، اما هنوز بالاتر هم می‌شود رفت.»
چرا هوش مصنوعی توانسته از این پیچ عبور کند، جایی که بسیاری از انسان‌ها متوقف مانده بودند؟ آتلانتیک چند عامل را برجسته می‌کند که می‌شود آن‌ها را در سه محور خلاصه کرد.
- اول، پافشاری و جست‌وجوی بی‌وقفه: انسان‌ها در مواجهه با مسیرهای شکست‌خورده، معمولاً به‌طور طبیعی انرژی‌شان را مدیریت می‌کنند و به گزینه‌های «معقول‌تر» برمی‌گردند؛ اما مدل می‌تواند فضای بزرگ‌تری از حالت‌ها را با سماجتی غیرانسانی امتحان کند.
- دوم، ترکیب‌گری میان حوزه‌ها: این‌طور نیست که AI الزاماً «عمیق‌تر» از یک ریاضی‌دان بداند، اما می‌تواند قطعاتی از روش‌ها و ایده‌ها را از شاخه‌های مختلف کنار هم بگذارد و به پیوندهایی برسد که در ذهن انسانی به‌خصوص در فضای تخصصی و جزیره‌ای دانشگاه کمتر رخ می‌دهد.
- سوم، بی‌اعتنایی به شهودهای تثبیت‌شده: شهود انسانی یک مزیت بزرگ است، اما همان شهود می‌تواند تبدیل به دیوار شود؛ در حالی که مدل، در اصل، نسبت به ایده‌ها و هزینه شکست حساس نیست و راحت‌تر سراغ گزینه‌های ضدشهود می‌رود.
با این حال، نکته کلیدی همین‌جاست: حتی اگر خروجی AI از نظر فنی درست باشد، معنای آن صرفاً این نیست که «ماشین جواب را پیدا کرد». معنای بزرگ‌تر این است که یک ابزار محاسباتی، حالا دارد در جایگاهی ظاهر می‌شود که تا مدت‌ها نشانه اقتدار انسانی بود؛ توانایی تولید استدلال و کشف مسیر در یک مسئله باز که قبلتر توسط هیچ انسانی حل نشده.
مسئله فقط ریاضی نیست؛ مرز جدید تولید دانش دارد جابه‌جا می‌شود
این موفقیت، اگرچه از نظر فنی خیره‌کننده است، اما نباید به افسانه‌سازی درباره ظهور یک «ماشینِ همه‌چیز‌دان» منجر شود. خودِ پژوهشگران OpenAI نیز با احتیاط برخورد کرده‌اند؛ آن‌ها به‌خوبی می‌دانند که این مدل، هنوز آن «جرقه نبوغ» یا شهود راهبردی که پشت بزرگ‌ترین برهان‌های تاریخ نهفته است را ندارد. این ماشین، «ریاضی‌دان خلاق» نیست، بلکه ابزاری است که فضای جست‌وجو را با دقتی غیرانسانی پیمایش می‌کند. بنابراین، نباید این رخداد را به معنای پایان نقش انسان در ریاضیات دانست، بلکه باید آن را آغازی بر تغییر ماهیت «فرآیند کشف» تلقی کرد.
تغییرِ اصلی در روش‌شناسی علمی است؛ اتفاقی که در حال حاضر در حال وقوع است، انتقال وزن کار علمی از «اجرا» به «مدیریت» است. تا دیروز، بخش بزرگی از انرژیِ یک محقق صرف آزمودن مسیرهای بن‌بست یا محاسبات زمان‌بر می‌شد. کاری که خستگی‌ناپذیری ماشین در آن مزیت مطلق دارد. حالا با ورود هوش مصنوعی به این حوزه، دانشمندان در موقعیت تازه‌ای قرار می‌گیرند: آن‌ها دیگر نه فقط «انجام‌دهنده»، بلکه «سیاست‌گذار و تاییدکننده» هستند. ارزش دانش انسانی، بیش از آنکه در حل دستی معادلات باشد، در طرح پرسش درست و تفسیر خروجی ماشین نهفته است. در واقع، هوش مصنوعی نقش «کاوشگر» را بر عهده می‌گیرد و انسان نقش «معمار» را دارد که باید مشخص کند که ماشین در کدام جاده‌ها قدم بزند.
در نهایت، تحلیل غیرمنتظره اینجاست، ما وارد عصری می‌شویم که در آن، سرعت کشف علمی نه توسط توانایی ذهنی انسان‌ها، بلکه توسط توانایی ما در «طرح مسئله» محدود خواهد شد. اگر هوش مصنوعی بتواند این‌گونه مسائل ۸۰ ساله را در کسری از زمان حل کند، گلوگاه علم نه در «پاسخ»، بلکه در «سوالات درست» خواهد بود. چالش اصلی برای آینده، نه رقابت انسان با ماشین، بلکه بازتعریف ساختار آکادمیک و صنعتی است که در آن، ماشین‌ها تولید داده می‌کنند و انسان‌ها باید بتوانند این سیلاب دانش جدید را نه فقط هضم، بلکه به استراتژی‌های عملیاتی تبدیل کنند. ما در حال تغییر نسبت انسان و ماشین در تولید دانش هستیم؛ جایی که ماشین از «ابزار»، به «همکار آزمایشگاهی» ارتقا یافته است.
نظرات کاربران