هوش مصنوعی برای ریاضی آمد. اکنون در حال تعقیب بقیه علم است

هفته گذشته، من در یک سخنرانی در MIT توسط نیل تامپسون، که پیشرفت در محاسبات و هوش مصنوعی را مطالعه می کند، شرکت کردم. در طول تنها نیم ساعت، تامپسون یک مورد قانع کننده ارائه کرد که چندین زمینه علمی در شرف تغییر توسط هوش مصنوعی است. در حالی که ریاضیدانان از روشی که هوش مصنوعی رشته خود را خودکار می کند، غرق می شوند، آخرین مطالعه تامپسون نشان می دهد که احتمال، نظریه آمار، نظریه اقتصادی، نظریه انرژی بالا، گرانش و کیهان شناسی، و فیزیک کوانتوم ممکن است به لطف قابلیت های به سرعت در حال تکامل مدل های مرزی در رتبه های بعدی قرار گیرند.

این مطالعه نشان می دهد که بین اواسط سال 2024 و اواسط سال 2026، بهترین مدل های هوش مصنوعی از توانایی حل صحیح حدود 2 درصد از مسائل نظری در این زمینه ها به حدود 35 درصد از چنین مسائلی رسیده است. و هیچ نشانه ای مبنی بر کند شدن این پیشرفت وجود ندارد. تامپسون می‌گوید: «در عرض چند سال، ما انتظار داریم که بسیاری از سؤالات تئوری از نظر توانایی هوش مصنوعی در انجام آنها کاملا تغییر کنند. به طور کلی، آزمایشگاه تامپسون به این موضوع می پردازد که چگونه پیشرفت های علم کامپیوتر بر جامعه تأثیر می گذارد و بر نوآوری تأثیر می گذارد.

این مطالعه - که تامپسون به همراه گابریل مانسو، دانشجوی دکترا، و کلودیو مایرینک وردون، دانشمند پژوهشی انجام داد - مشکلاتی را که در مقالات تحقیقاتی که بین دسامبر 2025 و مه 2026 به صورت آنلاین ارسال شده بودند، بررسی کرد و سپس آزمایش کرد که آیا مدل‌های OpenAI مختلف -o1، o3، GPT-5، GPT-5، GPT-5، و GPT-5-5 حل شده‌اند. آنها مهمتر از همه، راه حل هایی برای این مشکلات در مقالات منتشر شده پس از پایان آموزش برای GPT-5.5 و مدل های قبلی یافت شد. این بدان معناست که مدل‌هایی که آنها آزمایش کردند، به جای تکیه بر پاسخ‌هایی که به عنوان داده‌های آموزشی ارائه می‌شوند، باید راه‌حل‌هایی برای خودشان پیدا می‌کردند.

(چنین مقالاتی به عنوان حقیقت اصلی برای آزمایش مهارت‌های حل مدل‌ها عمل می‌کردند.) محققان همچنین دسترسی به اینترنت را مسدود کردند، که مانع از آن شد که مدل‌هایی که آزمایش کردند به دنبال راه‌حل‌های آنلاین باشند. حوزه‌های تحت پوشش این مطالعه محدود بود - این سه نفر بر زمینه‌هایی متمرکز بودند که در آن مدل‌های هوش مصنوعی می‌توانستند بدون نیاز به شبیه‌سازی یا آزمایش، چیزها را بفهمند.

اما این کار نشان می‌دهد که انواع امواج ضربه‌ای که در حال حاضر در ریاضیات احساس می‌شوند، احتمالا به سایر حوزه‌های سنگین ریاضی و تئوری تحقیقات علمی سرایت می‌کنند. ماه گذشته، OpenAI با اعلام اینکه یک مدل منتشر نشده چالش بزرگ و طولانی مدت در ریاضیات به نام Navier-Stokes را حل کرده است که به معادلاتی مربوط می شود که رفتار حرکت سیال را توضیح می دهد، دنیای ریاضی را تکان داد.

این اپیزود بعد از اینکه یک ریاضیدان در دانشگاه نیویورک - که با یکی دیگر از دانشگاهیان مرتبط با Anthropic کار می کرد - جنجال برانگیزتر شد، OpenAI را متهم کرد که پس از اطلاع از پیشرفت آنها، آنها را غافلگیر کرده است. OpenAI و دیگران از آن زمان تاکنون صدها راه حل دیگر را برای مسائل ریاضی قدیمی اعلام کرده اند که باعث ایجاد بحرانی در این زمینه شده است.

برخی از ریاضیدانان خواستار محدودیت در استفاده از هوش مصنوعی شده‌اند و هشدار داده‌اند که فرآیند حل مسائل اغلب به اندازه داشتن پاسخ نهایی مفید است. همانند ریاضیات، تامپسون می‌گوید که باید انتظار داشته باشیم که پیشرفت در سایر زمینه‌ها هم اثرات مثبت و هم منفی داشته باشد. او اشاره می‌کند که پیشرفت‌های نظری گاهی باعث پیشرفت‌های عملی در علم می‌شود و پیشنهاد می‌کند که استفاده بیشتر از هوش مصنوعی ممکن است به معنای پیشرفت بیشتر از این طریق باشد. برخی از محققان برجسته هوش مصنوعی قبلا آزمایشگاه‌های جدیدی با تمرکز بر هوش مصنوعی برای علم تأسیس کرده‌اند و آزمایشگاه‌های بزرگ هوش مصنوعی همگی در حال افزایش تحقیقات علمی هستند.

این تلاش‌ها به بررسی این موضوع می‌پردازند که چگونه می‌توان هوش مصنوعی را برای انجام آزمایش‌های واقعی در کنار تحلیل‌های نظری توانمند کرد. ممکن است هوش مصنوعی به این معنا باشد که نظریه‌پردازان دیگر نیازی به حل مسائل کلیدی ندارند، اما محققان می‌گویند که این بدان معنا نیست که برای یافتن راه‌حل‌ها و اطمینان از صحیح بودن آن‌ها به متخصصان نیازی نیست. مانسو می‌گوید: «ما هنوز به افرادی نیاز داریم که ایده‌های خوبی برای اتصال نقاط ایجاد کنند. او اضافه می کند که برای مشکلات بسیار پیچیده، ممکن است هوش مصنوعی اشتباه کند.

(در واقع OpenAI چندین راه‌حل را در آخرین مجموعه داده پس از انتشار خود پس گرفت.) «ما همچنین به روش‌هایی برای تأیید آنچه انجام شده است نیاز داریم، زیرا برای یک مدل بسیار آسان است که به شما بگوید «این پاسخ درست است» و وقتی به کل راه‌حل نگاه می‌کنید، متوجه می‌شوید که شاید اینطور نیست.»

این نسخه ای از خبرنامه آزمایشگاه هوش مصنوعی ویل نایت است. خبرنامه های قبلی را اینجا بخوانید.