وقتی هوش مصنوعی و ریاضیدانان انسانی مؤسسه مطالعات پیشرفته پرینستون دست در دست هم حدس هشتاد ساله اردوش را ابطال کردند، آنچه پدید آمد بیش از یک دستاورد ریاضی بود: یک مدل همکاری جدید بین انسان و ماشین شکل گرفت که میتواند نقشهراه کشف علمی در قرن بیستویکم باشد. درک این مدل، نقاط قوت هر طرف، و آنچه هیچیک بدون دیگری نمیتوانند انجام دهند، درسی است که هر پژوهشگر، مهندس و سیاستگذار علمی باید بخواند.
۱. جریان کار واقعی: چهار مرحله همکاری اردوش
آنچه در پروژه IAS/Gemini اتفاق افتاد یک همکاری ساده نبود — یک جریان کار ساختارمند با نقشهای کاملاً متمایز بود. درک دقیق این جریان کار میتواند نقشهراهی برای پروژههای مشابه در آینده باشد.
مرحله اول: تدوین مسئله توسط انسان. ریاضیدانان تیم IAS مسئله را با دقت ریاضی کامل فرموله کردند. این مرحله صرفاً تکنیکال نبود — نیاز داشت محققان تصمیم بگیرند کدام جنبه از فضای مسئله بیشتر ارزش کاوش دارد. Gemini Deep Think نمیتوانست بدون این فرمولهسازی انسانی بداند از کجا شروع کند.
مرحله دوم: جستجوی ساختاری توسط هوش مصنوعی. سیستم هوش مصنوعی با بهینهسازی تکاملی و یادگیری تقویتی (Reinforcement Learning)، بیش از ۱۰۰ میلیون آرایش هندسی را بررسی کرد. الگوریتم بهجای جستجوی تصادفی، از خانوادههایی از ساختارها یاد گرفت که تراکم بالاتری از فاصلههای واحد داشتند.
مرحله سوم: ارزیابی و تفسیر توسط انسان. وقتی هوش مصنوعی ساختارهای امیدوارکنندهای یافت، ریاضیدانان تیم باید تشخیص میدادند کدام ساختارها «واقعاً جالب» هستند — یعنی کدامها پتانسیل تبدیل شدن به نقضمثال بینهایت را دارند. این مرحله کاملاً متکی به بینش ریاضی عمیق انسانی بود.
مرحله چهارم: رسمیسازی در سیستم تأیید رسمی. اثبات نهایی در سیستم Lean 4 نوشته شد — یک زبان اثبات رسمی که هر گام منطقی را تا اصول موضوعه بدیهی بهصورت ماشینی قابلتأیید میکند. این مرحله ترکیبی از کار انسانی و ابزارهای اتوماتیک بود.
«هوش مصنوعی یک ریاضیدان خوب نیست — یک جستجوگر بیخستگی است. ریاضیدانان خوب بلدند چه چیزی ارزش جستجو دارد. وقتی این دو را کنار هم میگذاری، معجزه اتفاق میافتد.» — پروفسور آکشای ونکاتش، IAS پرینستون
۲. اکوسیستم Lean و تأیید رسمی ریاضیات
Lean 4 یک زبان برنامهنویسی و سیستم تأیید رسمی است که در آن میتوان قضایای ریاضی را بهگونهای نوشت که یک کامپیوتر بتواند صحت هر گام منطقی را تأیید کند. این رویکرد که به آن ریاضیات رسمی (Formal Mathematics) میگویند، در دهه گذشته پیشرفتهای چشمگیری داشته است.
Mathlib — کتابخانه ریاضی جامع اجتماع Lean — امروز بیش از ۱ میلیون خط کد تأییدشده دارد که دهها هزار قضیه ریاضی را پوشش میدهد. از حساب پایه تا هندسه جبری پیشرفته، از نظریه اعداد تا توپولوژی — Mathlib به یک زیرساخت مشترک برای ریاضیات قابلتأیید ماشینی تبدیل شده است.
فایدههای تأیید رسمی چندجانبه است. اول، اطمینان مطلق از صحت: وقتی اثبات در Lean پذیرفته میشود، دیگر نیازی به بررسیهای دستی متعدد نیست. دوم، قابلیت استفاده مجدد: هر قضیهای که در Lean ثابت شود میتواند بهعنوان پایه اثباتهای جدید استفاده شود. سوم، شفافیت کامل: هر کسی میتواند هر گام اثبات را بررسی کند — «اعتماد کن، اما تأیید هم بکن» به «فقط تأیید کن» تبدیل میشود.
چالش اصلی این است که ترجمه ریاضیات «غیررسمی» — آنطور که در مقالات نوشته میشود — به Lean یک هنر و مهارت تخصصی است که ریاضیدانان کمی آن را دارند. ۸ ماه رسمیسازی اثبات اردوش در Lean گواهی بر این پیچیدگی است.
۳. نقاط قوت مکمل: آنچه هر طرف داد
برای درک درست همزیستی انسان-هوش مصنوعی باید فهرست صادقانهای از نقاط قوت و ضعف هر طرف داشت.
هوش مصنوعی چه داد: اول، جستجوی جامع در فضاهای بزرگ — بررسی ۱۰۰ میلیون آرایش هندسی که برای هیچ انسانی در هیچ زمانی ممکن نبود. دوم، بیطرفی نسبت به «شهود» — سیستم هیچ تعصبی نسبت به اینکه حدس اردوش «باید» درست باشد نداشت. سوم، یادگیری از الگوها — سیستم ساختارهایی یافت که فرم عجیبی داشتند و هیچ ریاضیدانی آنها را «جالب» نمیپنداشت.
انسانها چه دادند: اول، فرمولهسازی معنادار مسئله — بدون تعریف دقیق انسانی از آنچه باید جستجو شود، جستجو بیهدف میبود. دوم، ارزیابی اهمیت — از میان هزاران الگوی یافتهشده، کدامها واقعاً قابل تعمیم و ریاضیاً معنادارند؟ این قضاوت کاملاً انسانی بود. سوم، پیوند به دانش موجود — ریاضیدانان نتوانستند تنها با دیدن ساختار، ارتباط آن را با توریهای جبری موجود ببینند — ارتباطی که اثبات نهایی به آن متکی بود. چهارم، نگارش اثبات قابلفهم — حتی اثبات Lean باید بهگونهای ساختاردهی شود که جامعه ریاضی بتواند آن را دنبال کند، نه فقط تأییدش کند.
«یک هوش مصنوعی که بدون راهنمایی انسان کار کند مانند یک کتابخانه عظیم بدون فهرست است: همه چیز آنجاست، اما هیچکس نمیداند چه دنبال کند.» — از مقاله روششناسی تیم IAS، ۲۰۲۶
۴. پیامدها برای آموزش ریاضیات و مدال فیلدز
اگر هوش مصنوعی میتواند در کشف ریاضی مشارکت اساسی داشته باشد، آموزش ریاضیات چگونه باید تغییر کند؟ و آیا هوش مصنوعی میتواند روزی مدال فیلدز بگیرد؟
برای آموزش ریاضیات، این همکاری پیام مهمی دارد: مهارتهایی که انسانها باید بیاموزند تغییر میکنند. دانشجویان ریاضی امروز باید یاد بگیرند چطور مسئله را برای سیستمهای هوش مصنوعی فرموله کنند، چطور خروجیهای هوش مصنوعی را ارزیابی کنند، و چطور یافتههای محاسباتی را به اثباتهای ریاضی قابلفهم ترجمه کنند. در عوض، تمرکز کمتری روی محاسبات دستی — که هوش مصنوعی آن را بهتر انجام میدهد — لازم است. این تغییر بهاندازه انقلاب ماشینحساب در دهه ۱۹۷۰ تحولی است در آموزش ریاضیات.
درباره مدال فیلدز — معتبرترین جایزه ریاضی جهان که تنها به ریاضیدانان زیر چهل سال تعلق میگیرد — سؤال جالبتری مطرح است: آیا کمیته فیلدز میتواند به یک تیم انسان-هوش مصنوعی جایزه بدهد؟ آییننامه فیلدز تنها به «افراد» جایزه میدهد. اما اگر یافتهای مهمترین بخشش از جستجوی هوش مصنوعی ناشی شده باشد، نادیده گرفتن آن صادقانه نیست. جامعه ریاضی با این پرسش دستوپنجه نرم میکند — و هنوز پاسخ روشنی ندارد.
۵. الگوی همزیستی در سایر حوزههای علمی
مدل چهارمرحلهای IAS/Gemini — فرمولهسازی انسانی، جستجوی ماشینی، ارزیابی انسانی، رسمیسازی مشترک — الگویی است که میتوان آن را به سایر حوزههای علمی تعمیم داد.
در کشف دارو: آلفافولد از دیپمایند ساختار پروتئینها را پیشبینی میکند — اما دانشمندان شیمیدارویی باید تعیین کنند کدام پروتئینها اهداف درمانی جالبی هستند، و کدام مولکولهای کوچک میتوانند با آنها تعامل کنند. هوش مصنوعی فضای ممکنات را میگردد، انسان هدف را تعیین میکند.
در مدلسازی اقلیم: سیستمهای هوش مصنوعی میتوانند اثر متقابل هزاران متغیر اقلیمی را شبیهسازی کنند — اما دانشمندان اقلیم باید تعیین کنند کدام سناریوها برای سیاستگذاری معنادارتر هستند. و بویژه، تفسیر انسانی نتایج در قالبی که سیاستگذاران بتوانند از آن استفاده کنند ضروری است.
در فیزیک نظری: سیستمهای هوش مصنوعی میتوانند هزاران نظریه جایگزین را از نظر سازگاری ریاضی بررسی کنند — اما فیزیکدانان باید تعیین کنند کدام نظریهها «آزمایشپذیر» هستند و کدامها از نظر فیزیکی معنادار. یک نظریه ریاضیاً سازگار که هیچ پیشبینی آزمایشپذیری نداشته باشد برای فیزیک بیارزش است.
۶. محدودیتهای همزیستی: آنچه هوش مصنوعی نمیتواند
برای داشتن تصویری واقعبینانه، باید صادق بود درباره آنچه هوش مصنوعی در این مدل همکاری نمیتواند — و احتمالاً تا آیندهای قابلپیشبینی نخواهد توانست.
اول، «جهشهای مفهومی»: بزرگترین کشفیات ریاضی — مانند ایده گالوا برای حلناپذیری معادلات درجه پنج، یا مفهوم فضاهای هیلبرت هیلبرت — از جهشهایی مفهومی ناشی شدند که نه از جستجوی جامع، بلکه از نوعی بینش انسانی عمیق آمدند. هوش مصنوعی میتواند در چارچوب مفاهیم موجود جستجو کند، اما ساختن چارچوب مفهومی جدید همچنان انسانی است.
دوم، تعیین «چه چیزی اهمیت دارد»: اینکه کدام مسئله ارزش حل کردن دارد، کدام حدس به کدام جنبههای علم ارتباط دارد، کدام نتیجه برای فهم انسانی از جهان معنادار است — اینها قضاوتهایی هستند که به ارزشها، فهم زمینهای گسترده، و تجربه انسانی متکیاند.
سوم، ارتباط با جامعه علمی: ریاضیات نه فقط اثبات، بلکه یک گفتمان اجتماعی است. یک اثبات باید قابل فهم، قابل تدریس، و قابل توسعه توسط دیگران باشد. تبدیل یافته محاسباتی به دانش مشترک جامعه علمی یک کار انسانی است.
۷. الگوی چهارمرحلهای در عمل: مقایسه حوزههای علمی
مدلی که در پروژه IAS/Gemini شکل گرفت — فرمولهسازی انسانی، جستجوی ماشینی، ارزیابی انسانی، رسمیسازی مشترک — یک نسخه اختصاصی ریاضیات نیست. نمونههای مشابه پیش از اردوش هم وجود داشتهاند: پروژه FunSearch گوگل دیپمایند با جستجوی مبتنی بر مدل زبانی، رکوردهای جدیدی در مسئله کلاسیک cap set و بستهبندی بهینه ثبت کرد، و AlphaFold ساختار سهبعدی صدها میلیون پروتئین را پیشبینی کرد. در هر دو مورد، همان تقسیمکار تکرار شد: ماشین فضای بزرگ را میگردد، انسان تعیین میکند کدام یافته ارزش پیگیری دارد.
جدول زیر این الگو را در چند حوزه علمی کنار هم میگذارد تا تفاوت نقشها روشنتر شود. نکته مشترک در همه ردیفها این است که هوش مصنوعی هرگز جایگزین قضاوت انسانی درباره «اهمیت» یک یافته نمیشود — نقش آن گسترش دامنه جستجو است، نه تعیین معنا.
| حوزه علمی | ابزار یا سیستم هوش مصنوعی | نقش کلیدی انسان | خروجی نمونه |
|---|---|---|---|
| ریاضیات محاسباتی | Gemini Deep Think + Lean ۴ | فرمولهسازی مسئله و رسمیسازی اثبات | ابطال حدس اردوش |
| کشف دارو | AlphaFold | انتخاب هدف درمانی و آزمایش تجربی | پیشبینی ساختار پروتئین |
| جستجوی ترکیبیاتی | FunSearch | تعریف تابع هدف و ارزیابی راهحلها | رکورد جدید در مسئله cap set |
| مدلسازی اقلیم | شبیهسازیهای یادگیری ماشین | انتخاب سناریوهای معنادار برای سیاستگذاری | پیشبینی الگوهای اقلیمی منطقهای |
| فیزیک نظری | جستجوگرهای سازگاری ریاضی | تشخیص نظریههای آزمایشپذیر | غربالگری نظریههای جایگزین |
آنچه از این مقایسه برمیآید این است که «همزیستی» یک شعار انتزاعی نیست، بلکه یک تقسیمکار قابل تکرار است که در چند حوزه علمی مستقل از هم، بهطور مستقل شکل گرفته. همین تکرارپذیری است که آن را به یک الگوی روششناختی جدی برای کشف علمی تبدیل میکند، نه فقط یک داستان موفقیت یکباره در ریاضیات.
نتیجهگیری: نقشهراه همزیستی علمی
اثبات حدس اردوش نه اعلام برتری هوش مصنوعی بود، نه ثابت کرد که ریاضیدانان انسانی منسوخ شدهاند. بلکه نشان داد که آینده کشف علمی در «همزیستی هوشمندانه» نهفته است — جایی که هر طرف بهترین خود را به میدان میآورد و ضعفهای دیگری را پوشش میدهد. انسان چارچوب معنایی میآورد، هوش مصنوعی ظرفیت جستجو میآورد؛ انسان قضاوت ارزشی دارد، هوش مصنوعی بیخستگی دارد؛ انسان جامعه علمی را میشناسد، هوش مصنوعی از ترس اجتماعی آزاد است. اگر جامعه علمی، آموزشی، و سیاستگذار این درس را بیاموزد و ساختارهایی بسازد که این همزیستی را تسهیل کند، قرن بیستویکم میتواند شاهد شتاب کشف علمیای باشد که هیچ دورهای از تاریخ بشر تجربه نکرده است.
پرسشهای پرتکرار
مدل چهارمرحلهای همکاری انسان و هوش مصنوعی در اثبات اردوش چیست؟
این مدل شامل چهار گام است: تدوین دقیق مسئله توسط ریاضیدانان انسانی، جستجوی ساختاری بیش از ۱۰۰ میلیون آرایش هندسی توسط هوش مصنوعی، ارزیابی و تفسیر نتایج امیدوارکننده توسط انسان، و در نهایت رسمیسازی اثبات در سیستم Lean ۴. هر مرحله به شدت به مرحله قبل و بعد وابسته است و حذف هرکدام، کل فرآیند را ناقص میکند.
چرا هوش مصنوعی بهتنهایی نمیتوانست حدس اردوش را اثبات کند؟
هوش مصنوعی میتواند فضاهای عظیم را بیخستگی جستجو کند، اما تشخیص اینکه کدام ساختار یافتهشده «واقعاً جالب» و قابل تعمیم به یک اثبات ریاضی است، به بینش عمیق انسانی نیاز دارد. همچنین پیوند ساختار جدید به دانش ریاضی موجود و نگارش اثباتی قابلفهم برای جامعه علمی، کاری کاملاً انسانی باقی مانده است.
تفاوت Lean 4 و Mathlib چیست؟
Lean ۴ یک زبان برنامهنویسی و سیستم تأیید رسمی است که صحت هر گام منطقی یک اثبات را ماشینی بررسی میکند. Mathlib کتابخانه ریاضی جامعی است که روی Lean ساخته شده و بیش از یک میلیون خط کد تأییدشده از دهها هزار قضیه ریاضی را در خود دارد؛ بهعبارت دیگر، Lean موتور تأیید است و Mathlib مجموعه دانش قابل استفاده مجدد روی آن.
آیا هوش مصنوعی میتواند مدال فیلدز بگیرد؟
آییننامه مدال فیلدز فقط به «افراد» زیر چهل سال جایزه میدهد، نه به سیستمهای هوش مصنوعی یا تیمهای ترکیبی انسان-ماشین. اما وقتی بخش مهمی از یک کشف از جستجوی هوش مصنوعی ناشی میشود، جامعه ریاضی هنوز پاسخ روشنی برای نحوه اعتباربخشی به این نوع مشارکت ندارد و این پرسش همچنان باز است.
الگوی همزیستی انسان-AI در کشف اردوش چگونه به سایر حوزههای علمی تعمیم مییابد؟
همان ساختار چهارمرحلهای — فرمولهسازی انسانی، جستجوی ماشینی، ارزیابی انسانی، رسمیسازی مشترک — در حوزههایی مثل کشف دارو، مدلسازی اقلیم و فیزیک نظری هم دیده میشود. در همه این حوزهها، هوش مصنوعی فضای ممکنات را میگردد و انسان تعیین میکند کدام نتیجه از نظر علمی و عملی معنادار است.