هوش مصنوعی دیگر تنها ابزاری برای تولید محتوای متنی یا تصویری نیست؛ بلکه در حال تبدیل شدن به یک همکار پژوهشی قدرتمند برای دانشمندان در حل پیچیدهترین مسائل علمی است. تلاقی ریاضیاتات پیشرفته و یادگیری ماشین، افقهای جدیدی را پیش روی پژوهشگران باز کرده است که تا چند سال پیش کاملاً دستنیافتنی به نظر میرسید.
اخیراً، شرکت OpenAI اعلام کرده است که نسخه داخلی مدل زبانی جدید خود توانسته گامهای بلندی در حل ۱۰ مسئله حلنشده یا بسیار دشوار در ریاضیات و علوم کامپیوتر نظری بردارد. این دستاوردها که حوزههایی از هندسه ابعاد بالا تا رمزنگاری کوانتومی را در بر میگیرند، نشاندهنده یک تغییر پارادایم اساسی در نحوه انجام تحقیقات بنیادین هستند. در این مقاله از نکسینو مگ، به بررسی دقیق این دستاوردها، نحوه عملکرد هوش مصنوعی در اثبات قضایای ریاضی و چالشهای اخلاقی پیرامون آن میپردازیم.
ورود هوش مصنوعی به مرزهای ناشناخته علم
استفاده از سیستمهای محاسباتی برای کمک به اثبات قضایای ریاضی تاریخچهای طولانی دارد، اما ظهور مدلهای زبانی بزرگ (LLMs) با قابلیت استدلال منطقی، این روند را تسریع کرده است. هدف اصلی توسعهدهندگان هوش مصنوعی، توانمندسازی دانشمندان با ابزارهایی است که سرعت اکتشاف را چند برابر میکنند. در همین راستا، طرحهایی مانند ارائه دسترسی رایگان به محققان دانشگاهی، نشاندهنده عزم جدی برای ادغام هوش مصنوعی در جریان اصلی پژوهشهای آکادمیک است.
پیش از این، هوش مصنوعی توانسته بود در رد برخی حدسهای قدیمی مانند «حدس فاصله واحد اردیش» (Erdős unit-distance conjecture) موفق عمل کند. این موفقیتها، راه را برای آزمایش مدلهای پیشرفتهتر روی مسائل باز و حلنشده در ریاضیات باز کرد.
۱۰ دستاورد بزرگ هوش مصنوعی در ریاضیات و علوم کامپیوتر نظری
مدل جدید و در حال توسعه OpenAI که با نام Astra شناخته میشود، توانسته در ده مسئله کلیدی که دههها ذهن ریاضیدانان را به خود مشغول کرده بود، پیشرفتهای چشمگیری ایجاد کند. این مسائل را میتوان در چند دسته اصلی بررسی کرد:
۱. هندسه ابعاد بالا و نظریه کدگذاری
- بستهبندی کرهها در ابعاد بالا (High-dimensional sphere packing): این مسئله به دنبال یافتن متراکمترین حالت چیدن کرهها در یک فضا است. هوش مصنوعی توانسته کرانهای بالای جدیدی برای چگالی بستهبندی کرهها تا آستانه «کوهن-الکیس» (Cohn–Elkies threshold) ارائه دهد.
- کدهای باینری و کروی: در نظریه اطلاعات و تصحیح خطا، یافتن کدهای بهینه بسیار حیاتی است. مدل جدید توانسته کرانهای مربوط به حداکثر اندازه کدهای باینری را در فواصل مشخص، به شکل نمایی بهبود بخشد.
۲. جبر عملگری و نظریه گروهها
- گروههای غیرسوفیک (Non-sofic groups): یکی از سوالات باز و مهم در نظریه گروهها، وجود یا عدم وجود گروههای غیرسوفیک بود. هوش مصنوعی با ارائه یک ساختار جدید، وجود این گروهها را اثبات کرده است.
- رد حدس صلبیت کان (Connes’s rigidity conjecture): این حدس قدیمی بیان میکرد که گروههای خاصی به طور منحصربهفرد توسط «جبرهای فون نویمان» (von Neumann algebras) خود تعیین میشوند. هوش مصنوعی توانست این حدس را به طور قطعی رد کند.
۳. پیچیدگی محاسباتی و رمزنگاری
- پیچیدگی مدارهای حسابی: هوش مصنوعی کرانهای پایین جدیدی برای محاسبه «پرمننت» (Permanent) با استفاده از فرمولها و مدارهای حسابی کشف کرده است که در درک محدودیتهای محاسباتی کامپیوترها اهمیت زیادی دارد.
- تکرار موازی کوانتومی (Quantum parallel repetition): یک قضیه تکرار موازی نمایی برای بازیهای کوانتومی دو نفره اثبات شده است که اصول بنیادین نظریه پیچیدگی کلاسیک را به دنیای کوانتوم بسط میدهد.
- مسئله نزدیکترین بردار (Closest vector problem): این مسئله یکی از پایههای اصلی رمزنگاری پسا-کوانتومی (Post-quantum cryptography) است. هوش مصنوعی توانسته سختی تقریب این مسئله را در شبکهها (Lattices) با ضریب چندجملهای اثبات کند.
۴. ترکیبیات و هندسه محدب
- حدس حجم ارهرت (Ehrhart’s volume conjecture): تعیین حداکثر حجم ممکن یک جسم محدب که مرکز ثقل آن تنها نقطه شبکهای داخلی آن باشد، در تمام ابعاد حل شده است.
- اعداد رمزی چندرنگ (Multicolor Ramsey numbers): هوش مصنوعی با ارائه یک کران پایینِ فرا-نمایی برای اعداد رمزی مثلثی چندرنگ، مسئله ۱۸۳ از مجموعه مسائل معروف «پل اردیش» (Paul Erdős) را حل کرد.
- حدسهای اعداد اکسترمال: حل مسائل ۱۴۶ و ۱۸۰ اردیش در نظریه گرافهای اکسترمال، از دیگر دستاوردهای مهم این مدل بوده است.
خلاصه دستاوردها در یک نگاه
| حوزه علمی | مسئله حلشده / پیشرفت | اهمیت کاربردی |
|---|---|---|
| هندسه و اطلاعات | بستهبندی کرهها و کدهای باینری | بهینهسازی انتقال داده و فشردهسازی |
| رمزنگاری | مسئله نزدیکترین بردار | امنیت دادهها در برابر کامپیوترهای کوانتومی |
| ترکیبیات گراف | اعداد رمزی و مسائل اردیش | درک ساختارهای پیچیده و شبکهها |
| جبر پیشرفته | رد حدس کان و گروههای غیرسوفیک | توسعه مبانی نظریه ریاضیات محض |
فرایند اثبات: از تولید ایده تا تأیید رسمی
یکی از جذابترین بخشهای این پیشرفت، نحوه تعامل ماشین و انسان در فرایند اثبات است. راهکارهای اولیه توسط نسخه داخلی مدل Astra تولید شدند. نکته شگفتانگیز این است که هزینه پردازش توکنهای لازم برای یافتن راهکار این ده مسئله پیچیده، تنها حدود ۲۰۰۰ دلار برآورد شده است؛ رقمی که نشاندهنده کارایی اقتصادی فوقالعاده هوش مصنوعی در برابر سالها زمان پژوهشگران انسانی است.
با این حال، کار ماشین به تنهایی کافی نبود. استدلالهای خام تولید شده توسط هوش مصنوعی، توسط متخصصان انسانی در قالب مقالات علمی (Manuscripts) ساختاردهی شدند. برای اطمینان از صحت و اعتبار (E-E-A-T) نتایج، هوش مصنوعی مجدداً هر استدلال را در سیستم اثباتگر قضیه Lean فرمولبندی کرد. سیستم Lean مانند یک قاضی بینقص عمل میکند و تضمین میدهد که هیچگونه خطای منطقی یا «توهم» (Hallucination) در اثباتهای ریاضی راه نیافته است.
اخلاق پژوهش و بیانیه لایدن
ظهور سیستمهایی که قادر به مشارکت در تحقیقات سطح بالای ریاضی هستند، پرسشهای فلسفی و اخلاقی متعددی را مطرح میکند. آیا یک مدل زبانی میتواند «نویسنده» یک مقاله علمی باشد؟ جامعه علمی، از جمله امضاکنندگان بیانیه لایدن در مورد هوش مصنوعی و ریاضیات، تأکید دارند که شفافیت در انتساب دستاوردها الزامی است.
ادعای مالکیت فکری انسانی برای اثباتی که کاملاً توسط ماشین تولید شده است، هم ارزش کار سیستم را نادیده میگیرد و هم ماهیت تلاش فکری انسان را زیر سوال میبرد. رویکرد استاندارد در حال حاضر این است که انسانها مسئولیت صحت و درستی مقالات را بر عهده میگیرند و به عنوان هدایتگر عمل میکنند، در حالی که اعتبار تولید استدلالهای منطقی به صراحت به سیستم هوش مصنوعی نسبت داده میشود.
جمعبندی
دستاورد اخیر در حل ده مسئله پیچیده ریاضی و علوم کامپیوتر، نقطه عطفی در تاریخ علم است. این پیشرفتها نشان میدهند که هوش مصنوعی دیگر یک جعبه سیاه برای تولید متن نیست، بلکه موتور محرکی برای کشف حقایق بنیادین جهان است. با ترکیب قدرت استدلال مدلهای جدید با سیستمهای تأیید رسمی مانند Lean، ما در آستانه عصر طلایی جدیدی در ریاضیات قرار داریم؛ عصری که در آن، سرعت کشفیات علمی محدود به توانایی ذهن انسان نخواهد بود.
سؤالات متداول
آیا هوش مصنوعی به تنهایی این مسائل ریاضی را اثبات کرده است؟
هوش مصنوعی استدلالها و راهکارهای اصلی را تولید کرده است، اما انسانها این استدلالها را در قالب مقالات علمی تدوین کردهاند. سپس صحت این اثباتها توسط سیستم نرمافزاری Lean به طور رسمی تأیید شده است.
سیستم Lean چیست و چرا در این پژوهشها اهمیت دارد؟
سیستم Lean یک زبان برنامهنویسی و اثباتگر قضیه است. این سیستم بررسی میکند که آیا استدلالهای ریاضی از نظر منطقی کاملاً بینقص هستند یا خیر، و از ورود خطاهای احتمالی هوش مصنوعی جلوگیری میکند.
حل مسئله «نزدیکترین بردار» چه تأثیری بر زندگی روزمره دارد؟
این مسئله پایه و اساس رمزنگاری پسا-کوانتومی است. درک بهتر این مسائل به ما کمک میکند تا الگوریتمهای امنیتی قویتری بسازیم که حتی کامپیوترهای فوقپیشرفته کوانتومی نیز نتوانند اطلاعات شخصی و بانکی ما را هک کنند.
بیانیه لایدن در مورد هوش مصنوعی چیست؟
بیانیه لایدن مجموعهای از اصول اخلاقی است که توسط ریاضیدانان تدوین شده و بر نحوه استفاده مسئولانه از هوش مصنوعی در پژوهشهای ریاضی، شفافیت در اعلام نقش ماشین و حفظ اصالت کار انسانی تأکید دارد.
