چه می‌شود اگر هوش مصنوعی کنترل علم را به دست بگیرد؟

۶ اکتبر ۲۰۲۶ ممکن است به‌عنوان بزرگ‌ترین روز در تاریخ ریاضیات به یاد آورده شود. OpenAI بیش از ۷۰۰ مقاله دانشگاهی منتشر کرد که در آن‌ها از پیشرفت در حل ۳۷۲ مسئله یا ارائه راه‌حل برای آن‌ها خبر داده شده بود؛ مسائلی که دهه‌ها ذهن پژوهشگران را به خود مشغول کرده بودند. ریاضی‌دانان هنوز در تلاش‌اند تا پیامدهای این اتفاق را برای رشته خود درک کنند.

OpenAI نتایج ۷۲۲ دست‌نوشته ریاضی پاسخ‌داده‌شده توسط یک مدل داخلی منتشرنشده را منتشر کرد

پیامدهای این تحول احتمالاً بسیار فراتر از ریاضیات خواهد رفت. اکنون زمان آن رسیده است که تأثیر هوش مصنوعی بر علم به‌طورکلی را جدی‌تر بررسی کنیم. دستاوردهای ریاضی یادشده هم‌زمان سه معنا دارند:

1. گامی بزرگ روبه‌جلو برای بشریت
2. شگفتی‌ای که سرعت سرسام‌آور پیشرفت هوش مصنوعی را برجسته می‌کند.
3. هشداری درباره آینده‌ای که در آن، درک جهان هستی ممکن است به ماشین‌هایی تعلق داشته باشد که ذهن انسان قادر به فهم آن‌ها نیست.

پرسش اصلی این است که چگونه می‌توان بدون قربانی‌کردن درک و شناخت، به پیشرفت دست یافت.

هوش مصنوعی و OpenAI در برابر دانش ریاضیات

هوش مصنوعی ظرفیت علمی خود را در ریاضیات به‌روشنی نشان داده است؛ زیرا اثبات‌های ریاضی از اصول موضوعه سرچشمه می‌گیرند، نه از شواهد تجربی و بنابراین، دست‌کم از نظر اصولی می‌توان صحت آن‌ها را به‌صورت ماشینی بررسی کرد. اما هوش مصنوعی در علوم‌تجربی نیز روند پیشرفت را سرعت بخشیده است؛ بخشی از این تأثیر به آن دلیل است که رشته‌های دیگر از ریاضیات به‌عنوان ابزاری برای پژوهش استفاده می‌کنند. هوش مصنوعی پیش‌بینی‌های هواشناسی را بهبود داده، میلیون‌ها ماده جدید بالقوه کاربردی پیشنهاد کرده و به کنترل آزمایش‌های همجوشی هسته‌ای کمک کرده است. همچنین می‌تواند ساختار تقریباً تمام پروتئین‌های شناخته‌شده را بر اساس اسیدهای آمینه سازنده آن‌ها پیش‌بینی کند؛ دستاوردی که جایزه نوبل را برای «دمیس هاسابیس»، هم‌بنیان‌گذار گوگل دیپ‌مایند به همراه داشت.

مدل هوش مصنوعی WeatherNext گوگل می‌تواند وقوع طوفان‌های حاره‌ای را یک روز زودتر پیش‌بینی کند

استراتژی DeepMind تجاری شد، تیم برنده نوبل AlphaFold منحل شد

تقریباً قطعی است که پیشرفت‌های علمی شگفت‌انگیزتری باتکیه‌بر هوش مصنوعی در راه باشند. هیجان‌انگیزترین فرصت‌ها در زیست‌شناسی نهفته‌اند. پژوهشگران از هوش مصنوعی برای طراحی محصولات کشاورزی مقاوم به خشکسالی، جست‌وجوی داروهای جدید و ساخت ویروس‌های بی‌خطری استفاده می‌کنند که امیدواریم بتوانند باکتری‌های مضر را هدف قرار دهند.

هوش مصنوعی در زیست‌شناسی

نقش هوش مصنوعی در حفاظت از محیط‌زیست

کاربردهای هوش مصنوعی در کشاورزی و دامپروری

همچنین تلاش‌هایی در جریان است تا از هوش مصنوعی برای ساخت مدل‌های رایانه‌ای از نحوه عملکرد سلول‌ها استفاده شود. دانشمندان با در اختیار داشتن تصویری رایانه‌ای از حیات، ممکن است در ادامه به تسلط بر زیست‌شناسی دست یابند و توانایی خلق ارگانیسم‌هایی کاملاً جدید را از نقطه صفر پیدا کنند. در چنین صورتی، DNA نیز به‌نوعی کد رایانه‌ای تبدیل خواهد شد که می‌توان آن را، مانند رشته‌ای از توکن‌ها در یک مدل هوش مصنوعی، دست‌کاری کرد.

آیا ChatGPT واقعاً معادله ناویر-استوکس را فقط در ۸۸ ساعت حل کرده است؟

اثبات جنجالی ریاضی OpenAI آن چیزی نیست که تصور می‌کنید

پیشرفت ظاهری OpenAI در ریاضیات، پرسش‌های عمیقی را مطرح می‌کند

این چشم‌انداز نیز مانند بسیاری از تحولات مرتبط با هوش مصنوعی، به یک اندازه سرگیجه‌آور و هراس‌انگیز است. واکنش نخست بسیاری از ریاضی‌دانان، ترس بوده است. پس از دستاوردهای چشمگیر OpenAI، آن‌ها به‌شدت در برابر ورود این آزمایشگاه به حوزه تخصصی خود موضع گرفته‌اند.

«انجمن ریاضیات انسانی» (The Association for Human Mathematics) که گروهی متشکل از بیش از ۹۰۰ پژوهشگر است هشدار می‌دهد که «ریاضی‌دانان درخواست نکرده بودند که این کار انجام شود.» از نظر آن‌ها، ارزش نهایی ریاضیات نه در اثبات، بلکه در زحمتی است که برای رسیدن به آن صرف می‌شود؛ زیرا همین تلاش است که درک انسان را گسترش می‌دهد. واگذارکردن تولید انبوه راه‌حل‌های درست اما نامفهوم به هوش مصنوعی، مانند آن است که پاسخ تکالیف را مستقیماً در اختیار دانش‌آموزان قرار دهیم؛ زیرا بدون تلاش، یادگیری‌ای اتفاق نمی‌افتد.

ریاضی‌دانان برجسته از روش‌های OpenAI در حل معادله ناویر-استوکس خشمگین هستند

این اعتراض‌ها تا حدی از نوعی دفاع جانبدارانه از منافع صنفی حکایت دارند. دانشگاهیان بیش از هیچ حرفه دیگری حق ندارند درباره چگونگی تولید دانش تصمیم بگیرند یا آن را محدود کنند. جست‌وجوی حقیقت به سود همگان است و نمی‌توان آن را به گروهی خاص از پژوهشگران اختصاص داد. سلسله‌مراتب دانشگاهی که افراد با اثبات گزاره‌ها در آن ارتقا می‌یابند، مقدس نیست. اگر لازم باشد، این ساختارها باید برای جهانی از نو طراحی شوند که در آن هوش مصنوعی اثبات‌ها را تولید می‌کند و انسان‌ها آن‌ها را درک و هضم می‌کنند. در علم، نباید درک و شناخت را بیش از حد بر نتایج مقدم دانست. هر بار که برای رفع سردرد یک قرص استامینوفن می‌خورید، به سازوکاری متکی هستید که کار می‌کند، اما هنوز درک کاملی از آن نداریم.

بااین‌حال، نگرانی از واگذاری علم به ماشین‌ها بی‌اساس نیست. شرکت‌های هوش مصنوعی منابع گسترده‌ای را به پژوهش‌های علمی اختصاص می‌دهند، نه از سر نوع‌دوستی، بلکه به این دلیل که حل مسائل، درست مانند انسان‌ها، می‌تواند به هوشمندتر شدن مدل‌ها کمک کند.

ارائه راه‌حل برای ۱۰ مسئله ریاضی لاینحل

برنده مدال فیلدز، ریاضیات را برای ایمنی هوش مصنوعی ترک می‌کند

یک مدل داخلی OpenAI، یک حدس بنیادین ۸۰ساله در هندسه گسسته را رد کرد

مدل‌های هوش مصنوعی می‌توانند زبان مشترکی را به ریاضی‌دانان ارائه دهند

بسیاری از پژوهشگران بر این باورند که مدلی که در حل مسائل علمی بهتر می‌شود، در انجام سایر کارها نیز عملکرد بهتری خواهد داشت. اگر چنین باشد، هیچ‌کس قادر نخواهد بود با آزمایشگاه‌های بزرگ هوش مصنوعی رقابت کند. این آزمایشگاه‌ها در نهایت مدل‌هایی را کنترل خواهند کرد که می‌توانند برای بهبود خودشان فعالیت کنند و بر اساس برخی تعاریف، به سطحی از هوشمندی برسند که درک آن برای انسان ناممکن باشد. این دانشمندان نابغه هوش مصنوعی از طریق ربات‌های انسان‌نما یا با اتصال مدل‌ها به تجهیزات آزمایشگاهی، با جهان فیزیکی تعامل خواهند داشت؛ روشی که آنتروپیک پیش‌تر آن را به کار گرفته است.

نقشه گمشده آسمان:
چگونه Claude به بازسازی نقشه فرابنفش ناقص آسمان شب کمک کرد؟

مسئله‌ای که چنین آینده‌ای برای علم ایجاد می‌کند، تفاوت چندانی با چالشی ندارد که برای کل جامعه به وجود می‌آورد. انسان‌ها باید منابع لازم را در اختیار ماشین‌ها قرار دهند تا آن‌ها بتوانند به پیشرفت ادامه دهند. اگر هیچ‌کس نداند ماشین‌ها دقیقاً چه می‌کنند، صرفاً تأمین مالی آن‌ها اقدامی بی‌محابا خواهد بود. هیچ‌کس نمی‌تواند مطمئن باشد که مدل‌ها در راستای منافع بشریت عمل می‌کنند. حتی اگر آزمایشگاه‌های هوش مصنوعی موفق شوند ماشین‌ها را با منافع بشریت «هم‌راستا» کنند، به‌گونه‌ای که بتوان کاملاً به آن‌ها اعتماد کرد، جامعه‌ای که در آن انسان‌ها صرفاً از هوش مصنوعی می‌پرسند چه کاری انجام دهند (چه در علم و چه در حوزه‌های گسترده‌تر) جامعه‌ای خواهد بود که در آن انسان‌ها به حیوانات خانگی ماشین‌ها تبدیل می‌شوند.

ممکن است برخی افراد حاضر باشند چنین وضعیتی را بپذیرند، اگر نتیجه آن، برای مثال، درمان تمام بیماری‌ها باشد. اما دست‌کم تا زمانی که هم‌راستایی هوش مصنوعی و انسان به سطحی خدشه‌ناپذیر نرسیده است، علم همواره به حضور یک انسان در چرخه تصمیم‌گیری و اجرا نیاز خواهد داشت. آزمایشگاه‌ها باید بتوانند از هوش مصنوعی برای حل مسائل استفاده کنند، اما تخصیص و نظارت بر منابعی مانند آزمایشگاه‌ها و توان محاسباتی باید در اختیار انسان‌هایی باشد که بتوانند با آگاهی و بر پایه قضاوتی مستدل، فعالیت‌های هوش مصنوعی را ارزیابی کنند. این رویکرد ناگزیر سرعت پیشرفت را کاهش خواهد داد، اما برای حفظ کنترل انسان بر هوش مصنوعی ضروری است.

در این میان، علم ماشینیِ هدایت‌شده به دست انسان، پژوهشگران را وادار خواهد کرد رشته‌های علمی خود را از نو تعریف کنند. دانشمندان باید یاد بگیرند که هدایت مدل‌ها و مطالعه، راستی‌آزمایی و آموزش نتایج آن‌ها را ارزشمند بدانند و برای این فعالیت‌ها اعتبار حرفه‌ای و فرصت‌های پیشرفت شغلی قائل شوند. دولت‌ها نیز باید تخصیص کمک‌هزینه‌های پژوهشی را بر همین مبنا انجام دهند. آزمایشگاه‌های هوش مصنوعی هم باید در مقام اعضایی مسئول از جامعه علمی عمل کنند؛ آثار خود را برای داوری همتا به مجلات علمی بسپارند و روش‌ها و کدهایشان را منتشر کنند.

بررسی و فهم نتایج تولیدشده به‌وسیله رایانه ممکن است کاری کم‌جاذبه به نظر برسد. بخش بزرگی از علم تولیدشده به دست انسان با خطا همراه است؛ زیرا پژوهشگران برای بررسی انتقادی و کنترل کیفیت کار دیگران پاداشی دریافت نمی‌کنند. بااین‌حال، تأکید دوباره بر راستی‌آزمایی و تردید علمی می‌تواند کیفیت علم را بهبود دهد.

بد نیست شعار انجمن سلطنتی بریتانیا را به یاد آوریم که در قرن هفدهم میلادی انتخاب شد:
Nullius In Verba
حرف هیچ‌کس را بی‌چون‌وچرا نپذیر.

اکنون همان روحیه باید بر علمی نیز حاکم باشد که ماشین‌ها تولید می‌کنند.

گزارش حاضر در نسخه October 17^th 2026 نشریه The Economist منتشر شده است.