«SOMETIMES PEOPLE have the wrong idea of maths and think that it will be overtaken by computers,” said the mathematician Alain Connes in 2000. He was describing why a team of esteemed mathematicians were offering $1m rewards for solutions to seven intractable mathematical conundrums. These Millennium Prize problems, said Dr Connes, “are totally inaccessible to computers”.
اما کامپیوترها بهتر شدند. در اوایل سپتامبر، اوپنAI، شرکتی آمریکایی، ادعا کرد که یکی از مدل‌های AI داخلی آن مسئله وجود و همواری ناویر-استوکس (Navier-Stokes)، یکی از مسائل جایزه هزاره که مربوط به حرکت سیالات است، را حل کرده است. این تنها دومین مسئله از این مجموعه بود که حل شده و اولین موردی بود که توسط ماشین شکست داده شد. ریاضیدانان دست‌کم یک قرن با این مسئله کلنجار رفته بودند. AI آن را در ۸۸ ساعت حل کرد.
سپس آنچه آلوارو لوزانو-روبالدو، ریاضیدان دانشگاه کانکتیکات، آن را «احتمالاً مهم‌ترین روز در تاریخ ریاضیات تاکنون» نامیده است، رخ داد. در ششم اکتبر، اوپنAI طوفانی از ۷۱۹ مقاله منتشر کرد که راه‌حل‌هایی که همان مدل برای حداقل ۳۷۲ مسئله باز و کهن دیگر یافته بود را شرح می‌دادند. هیچ حوزه‌ای از پژوهش هرگز رویدادی مانند آن را تجربه نکرده است.
بسیاری از ریاضیدانان در حال جشن گرفتن نیستند. «شوک بسیار بزرگ است»، نوشت هوگو دومینیل-کوپن، ریاضیدان دانشگاه ژنو، که در سال ۲۰۲۲ مدال فیلدز (معتبرترین جایزه ریاضیات) را کسب کرد. «من فلج شده‌ام.» در بیانیه‌ای که پس از اعلام حل مسئله ناویر-استوکس منتشر شد—و از آن زمان مورد تأیید بیش از ۸۰۰۰ پژوهشگر قرار گرفته است—دکتر دومینیل-کوپن و ۲۷ نفر دیگر از برندگان مدال فیلدز وضعیت را «عدم تطابق شدید AI در ریاضیات» توصیف کردند. آنها نگران خطرات ناشی از راه‌حل‌هایی هستند که از فهم انسانی جدا شده‌اند. مارتین هایرر از EPFL در لوزان سوئیس، یکی دیگر از امضاکنندگان، می‌گوید اگر کنترل نشود، AI «این حوزه را عقیم خواهد کرد».
واکنش‌های شدید به پیشرفت‌های ریاضی AI، در نگاه اول عجیب به نظر می‌رسد. داشتن پاسخ به سؤالات کهن، پیشرفتی برای بشریت است. ریاضیدانان همچنین علاقه شخصی به مقاومت در برابر اختلال در شغل خود دارند. اما استدلال آنها کاملاً دفاع از منافع شخصی نیست—و پیش‌نمایشی از غوغایی است که ممکن است به زودی در بسیاری از حوزه‌های علمی رخ دهد.
ریاضیدانان معترض استدلال می‌کنند که تمرکز بر راه‌حل‌ها، اهمیت جستجو برای یافتن آنها را نادیده می‌گیرد. پرداختن به مسائل باز، اختراع ابزارها و تکنیک‌های جدید را تحریک می‌کند، برخی از آنها ممکن است بعداً فراتر از هدف اولیه خود مفید واقع شوند. به عنوان مثال، اعداد موهومی که وقتی توان دو می‌شوند مقادیری کمتر از صفر دارند، توسط ریاضیدانان قرن شانزدهم به عنوان «به همان اندازه ظریف که بی‌فایده» توصیف شدند. اکنون این اعداد پایه مهندسی برق، فیزیک کوانتوم و بسیاری چیزهای دیگر هستند.
ریاضیدانان ادعا می‌کنند که صدها مقاله جدید اوپنAI نتوانسته است ایده‌های شگفت‌انگیز یا خطوط تحقیقاتی جدیدی ارائه دهد. لوئیز مارتینز-زورا، ریاضیدان دانشگاه CUNEF در مادرید و متخصص برجسته مسئله ناویر-استوکس، می‌گوید AI در توضیح نحوه رسیدن به نتایج خود چندان خوب عمل نمی‌کند. او مقاله ۱۶۶ صفحه‌ای AI را که روش کار خود را شرح می‌دهد، «یک فرانکنشتاین از بخش‌های مختلف پژوهش» توصیف می‌کند که به هیچ وجه واضح نیست.
ریاضیات تنها حوزه‌ای نیست که با اختلال مواجه است. تحلیل ۴۱.۳ میلیون مقاله از رشته‌های مختلف علوم طبیعی، منتشر شده در مجله Nature در ماه ژانویه، نشان داد که پژوهشگران با سرعتی فزاینده در حال پذیرش AI هستند. دیوید تونگ از دانشگاه کمبریج می‌گوید AI قبلاً شیوه کار فیزیکدانان نظری را به شدت تغییر داده است. «از نظر محاسبات، بدیهی است که به یک LLM مراجعه می‌کنید»، او می‌گوید. «سه ماه پیش اینطور نبود.» در ۲۵ سپتامبر، آنتروپیک (Anthropic)، شرکت دیگری در زمینه AI، اعلام کرد که مدل آن، کلود (Claude)، مرزهای محاسبه تعاملات بین مجموعه‌های خاصی از ذرات را جابه‌جا کرده است.
دانشمندانی که AI را به کار می‌گیرند به نظر می‌رسد موفق هستند: مطالعه Nature نشان داد کسانی که از این فناوری استفاده می‌کنند مقالات بیشتری منتشر می‌کنند و ارجاعات بیشتری دریافت می‌کنند. اما در حالی که برای افراد سودمند است، استفاده از AI دامنه موضوعات مورد مطالعه را تقریباً ۵٪ کاهش داد و تعامل دانشمندان با کارهای یکدیگر را ۲۲٪ کم کرد. جیمز ایوانز، پژوهشگر AI در دانشگاه شیکاگو و یکی از نویسندگان مطالعه، این را «بستن» حوزه‌های پژوهشی توصیف می‌کند. این یافته‌ها با نتایج نظرسنجی اخیر گوگل از بیش از ۶۰۰ دانشمند همسو است. تقریباً نیمی از پاسخ‌دهندگان گفتند AI آنها را به سمت پروژه‌های امن‌تر و تدریجی‌تر سوق می‌دهد که تضمین می‌کنند در کوتاه‌مدت نتایج قابل انتشار تولید کنند. تنها ۲۸٪ فکر می‌کردند AI به آنها امکان می‌دهد کارهای حدسی‌تری انجام دهند. پیشرفت علمی به هر دو نیاز دارد، اما اغلب پژوهش‌های پرخطرتر منجر به عمیق‌ترین پیشرفت‌ها می‌شوند.
هکتور زنیل، دانشمند رایانه در کالج پادشاهی لندن، می‌گوید با نقش پررنگ‌تر AI در علم، خطرات دیگری نیز پدید می‌آیند. دکترهای زنیل و ایوانز در فوریه در مجله Frontiers in Artificial Intelligence آینده‌ای را ترسیم می‌کنند که در آن مدل‌های AI (همراه با مقداری رباتیک) چرخه علمی را کامل می‌کنند، یعنی قادر می‌شوند به صورت خودکار اندازه‌گیری کنند، فرضیه‌سازی کنند، در آزمایشگاه تست کنند و یافته‌ها را ارزیابی کنند و سپس دوباره فرآیند را آغاز کنند. محققان هشدار می‌دهند که این می‌تواند علم را به سرزمین جدید و عجیبی بکشاند که در آن علم ماشینی برای انسان‌ها غیرقابل فهم می‌شود.
در چنین دنیایی هنوز ممکن است بتوان صحت نتایج ماشین‌ها را بررسی کرد و شاید حتی از آنها استفاده کرد. برای مثال، در یک یا دو مورد، پژوهشگران قبلاً توانسته‌اند بر اساس نتایج ریاضی اوپنAI بنا کنند. با این حال، این روش کاملاً جدیدی برای انجام پژوهش خواهد بود. دکتر زنیل می‌گوید دانشمندان ممکن است روزی مانند باستان‌شناسان شوند، کشفیات AI را دنبال کنند و سعی کنند بفهمند چگونه به دست آمده‌اند. دکتر تونگ، که خوشبین است AI نیرویی خیرخواه خواهد بود، با این حال هشدار می‌دهد که «مطمئن نیستم ما واقعاً برای آنچه در شش ماه یا یک سال آینده فرا می‌رسد آماده هستیم.» فیزیک نظری خویشاوند نزدیک ریاضیات است، بنابراین مستعدترین علم برای اختلالات مشابه است.
با این حال، ریاضیدانان هنوز بیکار نشده‌اند. ابهام نتایج اوپنAI وعده کار زیادی برای تأیید روش‌های AI و شناسایی رویکردهای مفیدتر را می‌دهد. علاوه بر این، ریاضیدانان می‌گویند با وجود مهارت AI در حل مسئله، هنوز در کارهای خلاقانه مشکل دارد؛ مثلاً اینکه آیا یک AI می‌توانست اعداد موهومی را اختراع کند، همچنان نامشخص است. اما همانطور که دکتر کنز در حال کشف آن است، دانشمندانی که پتانسیل این فناوری را دست‌کم می‌گیرند، به خطر می‌افتند.