وقتی هوش مصنوعی در سال ۲۰۲۶ حدس هشتاد ساله اردوش را ابطال کرد، بسیاری پرسیدند چرا انسانها این راه را نرفتند. پاسخ صرفاً کمبود توان محاسباتی نبود — بلکه ساختار اجتماعی علم، ترس از شکست، و فشارهای نهادی بود که محققان انسانی را از کاوش در برخی مسیرها باز میداشت. جامعهشناسی علم پاسخهایی دارد که هیچ آزمایشگاه ریاضیای آموزش نمیدهد.
۱. توماس کوهن و نقاط کور پارادایمها
در سال ۱۹۶۲، توماس کوهن (Thomas Kuhn) با انتشار «ساختار انقلابهای علمی» (The Structure of Scientific Revolutions) تصویر متعارف علم — جستجوی آهسته و پیوسته به سمت حقیقت — را به چالش کشید. کوهن استدلال کرد که علم در دورههای طولانی «علم عادی» (Normal Science) کار میکند که در آن جامعه علمی درون یک پارادایم — مجموعهای از فرضیات، روشها، و نمونههای مسئلههای موفق — فعالیت میکند.
پارادایمها نه فقط راهنما، بلکه محدودکننده هستند. وقتی یک رشته علمی پارادایمی را میپذیرد، برخی سؤالات «خارج از دایره» علم قرار میگیرند — نه به این دلیل که پاسخشان ناممکن است، بلکه چون پرسیدن آنها «علم درستی» به نظر نمیرسد. در مورد حدس اردوش، پارادایم غالب در هندسه ترکیباتی بر بهبود تدریجی کرانها تمرکز داشت. همه به دنبال نشان دادن n^{4/3 - ε} برای ε > 0 بودند — نه جستجو برای ساختارهایی که اساساً حدس را نقض کنند.
این تمرکز منطقی به نظر میرسد: پیشرفت تدریجی امنتر است، راحتتر قابلاندازهگیری است، و احتمال شکست در آن کمتر است. اما دقیقاً همین «امنیت» بود که جامعه ریاضی را از دیدن امکان وجود نقضمثال باز داشت.
«انقلابهای علمی نه با یافتن پاسخهای جدید، بلکه با پرسیدن سؤالهای متفاوت آغاز میشوند.» — توماس کوهن، «ساختار انقلابهای علمی»
۲. سیستم مرتون: چرا ریاضیدانان از شکست میترسند
جامعهشناس آمریکایی رابرت مرتون (Robert K. Merton) در دهههای ۱۹۴۰ تا ۱۹۶۰ ساختار اجتماعی علم را با دقتی مشابه ریاضی تحلیل کرد. او چهار هنجار اساسی علم را شناسایی کرد: جهانشمولی (Universalism)، اشتراکگذاری (Communalism)، بیطرفی (Disinterestedness)، و شک سازمانیافته (Organized Skepticism). اما آنچه مرتون در واقعیت میدید با این ایدهآلها فاصله داشت.
واقعیت این است که نظام ارتقا در دانشگاهها — «تولید کن یا از بین برو» (Publish or Perish) — به شدت علیه ریسکپذیری عمل میکند. یک ریاضیدان جوان که سه سال روی یافتن نقضمثال برای حدس اردوش کار کند و ناموفق باشد، نه مقالهای برای ارتقا دارد، نه گرنتی برای تمدید، و نه موقعیت دانشگاهیای که سرپا بماند. سیستم آکادمیک بهگونهای طراحی شده که شکستهای بزرگ — حتی شکستهای ارزشمند — بهشدت تنبیه میشوند.
علاوه بر این، اثر ماتیو (Matthew Effect) — که مرتون آن را از انجیل متی برگرفت («به هر که داشته باشد داده خواهد شد») — در توزیع منابع علمی عمل میکند. دانشمندان مشهور گرنتهای بزرگتر، همکاران بهتر، و دسترسی بیشتر به مجلات معتبر دارند. این سیستم پروژههای امن را تشویق میکند، نه پروژههای جسورانه.
۳. هوش مصنوعی و آزادی از ترس اجتماعی
یک سیستم هوش مصنوعی نگران «سیوی» خود نیست. نگران اینکه همکاران حوزه دربارهاش چه فکری میکنند نیست. نگران این نیست که پنج سال تلاش بینتیجه بهنظر برسد. این «کوری اجتماعی» — که از یک زاویه نقص است — از زاویه دیگر ابزاری قدرتمند برای کاوش جسورانه است.
در مورد حدس اردوش، هوش مصنوعی رویکردی را دنبال کرد که اکثر ریاضیدانان انسانی «احمقانه» ارزیابی میکردند: جستجوی بیواسطه برای نقضمثال بدون هیچ پیشنظریهای درباره شکل آن. در جامعه ریاضی، این رویکرد «بروت-فورس» بهعنوان فاقد ظرافت ریاضی تلقی میشود و کمتر کسی حاضر است سالهای عمر خود را صرف چنین جستجویی کند.
اما مثال آلفافولد (AlphaFold) از دیپمایند جالبتر است. برای دههها، زیستشناسان ساختاری «میدانستند» که تا با بلورشناسی اشعه ایکس یا کرایوالکترونمیکروسکوپی پروتئینی را آزمایش نکنی، نمیتوان ساختار سهبعدی آن را پیشبینی کرد. این «دانستن» در واقع یک پارادایم بود — و آلفافولد آن را شکست. پیش از آلفافولد، ادعا کردن که میتوانی تنها از توالی اسیدآمینه ساختار پروتئین را پیشبینی کنی در اکثر محافل علمی مایه خجالت بود. آلفافولد «خجالت» نکشید.
«مشکل اصلی دانشمندان این نیست که نمیدانند — مشکل این است که چیزهایی میدانند که اشتباه است.» — منسوب به مارک تواین، اما در محافل علمی با تلخی بیشتری تکرار میشود
۴. سوگیری انتشاراتی و شکلدادن به مرزهای دانش
سوگیری انتشاراتی (Publication Bias) یکی از پنهانترین و مخربترین آسیبشناسیهای علم مدرن است. مجلات علمی — حتی معتبرترینهایشان — بهطور طبیعی گرایش دارند نتایج مثبت و قابلاستفاده را منتشر کنند. مطالعاتی که «هیچچیزی پیدا نشد» کمتر منتشر میشوند، کمتر خوانده میشوند، و کمتر مورد استناد قرار میگیرند.
در ریاضیات، این سوگیری شکل متفاوتی دارد: اثباتهای ناموفق هیچگاه منتشر نمیشوند. اگر ریاضیدانی سه سال تلاش کند حدسی را ثابت کند و ناموفق باشد، عموماً هیچ مدرکی از این شکست در ادبیات علمی باقی نمیماند. این یعنی نسل بعدی ریاضیدانان نمیداند کدام مسیرها بیراهه بودند — و ممکن است دقیقاً همان بیراههها را دوباره طی کند.
تلاشهایی مثل arXiv و مجلات اوپناکسس بخشی از این مشکل را کاهش دادهاند، اما ساختار انگیزشی اساسی تغییر نکرده است. یک دکترای ریاضی که در پایاننامهاش فصلی با عنوان «رویکردهایی که کار نکردند» بنویسد ممکن است در دفاعیه با مشکل مواجه شود.
۵. آیا باید ساختار انگیزشی علم را تغییر دهیم؟
ابطال حدس اردوش سؤال مهمتری را مطرح میکند: آیا میتوان سیستمهایی طراحی کرد که دانشمندان انسانی را نیز از ترس اجتماعی رها کند؟
برخی پیشنهادها در جامعه علمی مطرح شدهاند. گرنتهای «آزادی پژوهشی» که پژوهشگران میتوانند بدون ارائه نتیجه تضمینشده چند سال روی مسائل پرریسک کار کنند. نشریاتی برای نتایج منفی که شکستهای ارزشمند را ثبت و منتشر کنند. تغییر معیارهای ارزیابی از «تعداد مقالات» به «اهمیت پرسشها». اما هر یک از این رویکردها با مقاومت نهادی مواجه میشوند.
شاید واقعبینانهترین چشمانداز این باشد که هوش مصنوعی به عنوان یک همتای بدون ترس در کنار دانشمندان قرار گیرد. این سیستمها میتوانند رویکردهایی را دنبال کنند که انسانها از دنبال کردن آنها میترسند — نه به این دلیل که انسانها کمتر باهوش هستند، بلکه چون انسانها پیامدهای اجتماعی شکست را احساس میکنند.
۶. جدول مقایسهای: قیدهای اجتماعی علم انسانی در برابر بیقیدی هوش مصنوعی
برای فهم دقیقتر اینکه چرا هوش مصنوعی توانست مسیری را طی کند که نسلها ریاضیدان از آن پرهیز کردند، بهتر است عوامل بازدارنده اجتماعی را یکبهیک کنار عملکرد یک سیستم هوش مصنوعی بگذاریم. هیچکدام از این عوامل ماهیت فنی یا ریاضی ندارند؛ همه آنها ریشه در ساختار پاداشدهی، اعتبار و ارزیابی جامعه علمی دارند، همان چیزی که کوهن آن را علم عادی و مرتون آن را هنجارهای نهادی علم مینامید. جدول زیر پنج مکانیزم اصلی را که در بخشهای پیشین این مقاله توضیح داده شد، از محدودیت پارادایمی تا سوگیری انتشاراتی و ترس از قضاوت همتایان، بهصورت فشرده در برابر رفتار متناظر یک سیستم هوش مصنوعی قرار میدهد.
نکته مهم این است که این تفاوتها لزوماً به معنای برتری ذاتی هوش مصنوعی نیست. هوش مصنوعی از محاسبات موازی و حافظه گسترده بهره میبرد، اما آنچه در مسئله اردوش تعیینکننده بود، عمدتاً آزادی از پیامد اجتماعی شکست بود، نه صرفاً قدرت محاسباتی خام. این جدول کمک میکند تا مرز میان محدودیتهای واقعاً شناختی و محدودیتهای صرفاً اجتماعی روشنتر شود، تمایزی که برای طراحی سیاستهای پژوهشی آینده اهمیت دارد.
| عامل بازدارنده | اثر روی پژوهشگر انسانی | وضعیت در هوش مصنوعی | پیامد در مسئله اردوش |
|---|---|---|---|
| محدودیت پارادایمی (کوهن) | پرسشهای خارج از پارادایم غیرعلمی تلقی میشوند | تعصب پارادایمی ندارد، مسیرها را یکسان میبیند | جستوجوی مستقیم نقضمثال بهجای بهبود کران |
| فشار «تولید کن یا از بین برو» | پروژههای پرریسک تهدید شغلی محسوب میشوند | هیچ نگرانی شغلی یا نیاز به ارتقا ندارد | تخصیص زمان نامحدود به مسیر پرریسک و پرزمان |
| اثر ماتیو (تمرکز منابع) | دانشمندان مشهور منابع بیشتری برای ریسکپذیری دارند | وابسته به سلسلهمراتب اعتبار علمی نیست | دسترسی یکسان به «تلاش» صرفنظر از شهرت |
| سوگیری انتشاراتی | شکستها ثبت و به اشتراک گذاشته نمیشوند | میتواند مسیرهای ناموفق را در حافظه نگه دارد و کنار بگذارد | پرهیز مؤثرتر از تکرار بیراهههای قبلی |
| ترس از قضاوت همتایان | رویکرد «بروتفورس» فاقد ظرافت تلقی میشود | هیچ حساسیتی به داوری اجتماعی همتایان ندارد | انتخاب رویکرد صرفاً بر اساس احتمال موفقیت |
این مقایسه نشان میدهد که مزیت هوش مصنوعی در ابطال حدس اردوش کمتر ماهیت الگوریتمی و بیشتر ماهیت اجتماعی داشت: نبود هزینه شغلی، نبود ترس از قضاوت، و بیاعتنایی به سلسلهمراتب اعتبار علمی. همین موضوع است که این پرونده را از یک داستان صرف ریاضی به یک مطالعه موردی در جامعهشناسی علم تبدیل میکند. اگر نهادهای علمی بتوانند حتی بخشی از این آزادی از ترس را برای پژوهشگران انسانی بازتولید کنند، شاید کشفیات بیشتری شبیه ابطال حدس اردوش یا موفقیت آلفافولد، بدون نیاز به هوش مصنوعی، ممکن شود.
نتیجهگیری: کوری اجتماعی علم و درمان آن
ماجرای حدس اردوش نشانهای از یک حقیقت عمیقتر است: علم نه فقط توسط منطق و شواهد، بلکه توسط ساختارهای اجتماعی، ترسهای انسانی، و محاسبات شغلی هدایت میشود. هوش مصنوعی با بیاعتنایی کامل به این فشارها، مسیرهایی را کاوید که انسانها از کاویدنشان طفره میرفتند. این نه به معنای برتری هوش مصنوعی، بلکه نشانهای از یک خلأ در ساختار علم انسانی است که ما باید آن را جدی بگیریم. اگر جامعه علمی درسهای این ماجرا را بیاموزد، شاید بتواند سیستمهای انگیزشی بسازد که دانشمندان را از ترس رها کند — و بگذارد کنجکاوی خالص، نه محاسبه ریسک شغلی، مسیر کشف را تعیین کند.
پرسشهای پرتکرار
چرا انسانها هشتاد سال به سراغ نقض حدس اردوش نرفتند؟
چون پارادایم غالب در هندسه ترکیباتی بر بهبود تدریجی کرانها متمرکز بود و جستوجوی مستقیم برای نقضمثال بدون پیشنظریه، غیرعلمی و پرریسک ارزیابی میشد. نظام آکادمیک «تولید کن یا از بین برو» نیز محققان را از صرف چند سال روی پروژهای با احتمال شکست بالا بازمیداشت.
پارادایم علمی از دید توماس کوهن چیست؟
به گفته کوهن، پارادایم مجموعهای از فرضیات، روشها و نمونهمسئلههای موفق است که جامعه علمی در دورههای «علم عادی» درون آن فعالیت میکند. پارادایمها راهنما هستند اما محدودکننده نیز هستند و برخی پرسشها را عملاً خارج از دایره پژوهش قابلقبول قرار میدهند.
اثر ماتیو در جامعهشناسی علم به چه معناست؟
اثر ماتیو، اصطلاحی از رابرت مرتون، به تمرکز فزاینده منابع علمی (گرنت، اعتبار، دسترسی به مجلات) در دست دانشمندان از پیش مشهور اشاره دارد. این پویایی پروژههای امن و قابلپیشبینی را تشویق میکند و انگیزه کاوش در مسیرهای جسورانه را کاهش میدهد.
چرا آلفافولد نمونهای از شکستن یک پارادایم علمی است؟
پیش از آلفافولد، باور غالب در زیستشناسی ساختاری این بود که پیشبینی ساختار سهبعدی پروتئین تنها از روی توالی اسیدآمینه، بدون آزمایش تجربی، ممکن نیست. آلفافولد این «دانستن» را که در واقع یک مفروضه پارادایمی بود، بدون تردید اجتماعی زیر سؤال برد و شکست.
تفاوت اصلی کوری اجتماعی انسان و هوش مصنوعی در پژوهش چیست؟
انسانها پیامدهای اجتماعی شکست — از دست دادن اعتبار، گرنت یا موقعیت شغلی — را در انتخاب مسیر پژوهشی لحاظ میکنند، حتی ناخودآگاه. هوش مصنوعی چنین محاسبهای ندارد، بنابراین میتواند مسیرهایی را که از نظر اجتماعی «پرریسک» یا «بیظرافت» به نظر میرسند بدون تردید دنبال کند.