مرداد
اخبار
کلود آنتروپیک کران فرضیهی ریمان را به ۶۷ درصد رساند
آنتروپیک اعلام کرد نسخهای آزمایشی از کلود، با هماهنگی شصت زیرعامل هوشمند، کران فرضیهی ریمان را از ۴۱.۶ به ۶۷.۲ درصد رساند؛ پیشرفتی که ریاضیدانان انسانی دههها برای رسیدن به آن تلاش کرده بودند.
لیست مطالب
۱. چه اتفاقی افتاد؟ ماجرای کلود و فرضیهی ریمان
در جدیدترین اخبار هوش مصنوعی، شرکت آنتروپیک از یک دستاورد پژوهشی غیرمنتظره در حوزهی ریاضیات محض خبر داد. طبق گزارش رسمی این شرکت، یک نسخهی آزمایشی و هنوز منتشرنشده از مدل کلود موفق شده روی یکی از مشهورترین و دشوارترین مسائل حلنشدهی ریاضیات، یعنی فرضیهی ریمان، پیشرفتی قابلتوجه ثبت کند. این مدل فرضیه را حل نکرده است؛ چیزی که هنوز هیچ انسان یا ماشینی به آن نرسیده. اما کلود توانسته کران پایین سهم صفرهای تابع زتای ریمان که با فرضیه سازگارند را از ۴۱.۶ درصد به ۶۷.۲ درصد برساند، عددی که پیشرفتی چشمگیر نسبت به دستاوردهای پیشین ریاضیدانان انسانی بهشمار میرود.
نکتهی جالب این است که این پیشرفت در چارچوب یک آزمایش نسبتاً ساده رخ داد. یکی از کارکنان آنتروپیک به نام جرد سامنر، بدون داشتن پیشینهی قوی در ریاضیات پیشرفته، تنها از کلود خواست که «مسئله را امتحان کند» و در ادامه، بیشتر راهنماییهای او محدود به دلگرمی و تشویق بود، نه هدایت فنی. باقی مسیر را خود سیستم هوش مصنوعی بهصورت خودگردان طی کرد؛ روندی که در نوع خود کمسابقه است.
۲. فرضیهی ریمان چیست و چرا اهمیت دارد؟
فرضیهی ریمان یکی از هفت مسئلهی هزاره است که مؤسسهی ریاضیات کلی برای حل هرکدام جایزهای یکمیلیوندلاری در نظر گرفته است. این فرضیه که برای نخستین بار در سال ۱۸۵۹ توسط برنارد ریمان مطرح شد، دربارهی محل قرارگیری «صفرهای غیربدیهی» تابع زتای ریمان صحبت میکند و پیشبینی میکند همهی این صفرها روی یک خط عمودی مشخص در صفحهی مختلط قرار دارند. اهمیت این فرضیه فراتر از یک بازی ذهنی انتزاعی است؛ اثبات یا رد آن پیامدهای عمیقی برای درک توزیع اعداد اول و بسیاری از شاخههای دیگر ریاضیات و حتی رمزنگاری خواهد داشت.
به همین دلیل، هر پیشرفت -هرچند کوچک- در این حوزه برای جامعهی ریاضی جهان خبر بزرگی محسوب میشود. کاری که کلود انجام داده، اثبات کامل فرضیه نیست، بلکه بهبود یکی از کرانهای شناختهشدهی مرتبط با آن است؛ گامی که میتواند مسیر پژوهشهای آینده را کوتاهتر کند.
۳. روش کار: چگونه شصت زیرعامل کلود مسئله را حل کردند
۳۱ میلیون توکن، ۲۴۰۰ دستور و ۳۶ ساعت کار پیوسته
رویکرد آنتروپیک برای این آزمایش کاملاً متفاوت از پژوهشهای معمول هوش مصنوعی بود. بهجای استفاده از یک مدل واحد، تیم آنتروپیک شصت زیرعامل هوشمند را در قالب Claude Code بهکار گرفت تا بهصورت همزمان و هماهنگ روی بخشهای مختلف مسئله کار کنند. این فرآیند در دو نشست کاری و طی نزدیک به سیوشش ساعت کار پیوسته انجام شد؛ در این مدت، سامانه بیش از سیویک میلیون توکن خروجی تولید و حدود دوهزار و چهارصد دستور شل اجرا کرد.
در جریان کار، زیرعاملها بیش از پنجاهوچهار مقالهی علمی مرتبط را از پایگاه آرکایو دانلود و بررسی کردند و هزاران بررسی عددی روی صفرهای شناختهشدهی تابع زتا انجام دادند تا از صحت مسیر مطمئن شوند. این سطح از خودسازماندهی و تقسیمکار میان زیرعاملها، نمونهای روشن از توانایی رو به رشد سیستمهای چندعاملی هوش مصنوعی در حل مسائل پیچیدهی علمی است؛ موضوعی که در مطلب اهمیت هوش مصنوعی در کسبوکار و علم نیز به آن پرداختهایم.
۴. از ششصد و پنجاه ایدهی شکستخورده تا یک جهش بزرگ
مسیر رسیدن به این نتیجه، مسیری کاملاً خطی و آسان نبود. طبق گزارش آنتروپیک، کلود پیش از رسیدن به رویکرد موفق، حدود ششصد و پنجاه ایده و روش مختلف را امتحان و رد کرد. در نهایت، تنها دو زیرعامل بودند که هستهی اصلی ایدهی کارآمد را شکل دادند؛ سیزده زیرعامل دیگر ایدههای تکمیلی و پشتیبان ارائه دادند، سی زیرعامل رویکردهای تازهای را امتحان کردند که در نهایت به نتیجه نرسید، و سیزده زیرعامل دیگر نقش اعتبارسنج را ایفا کرده و درستی گامبهگام استدلالها را بررسی کردند.
این ساختار توزیعشده و چندلایه، شباهت زیادی به روند کار یک تیم بزرگ پژوهشی انسانی دارد؛ با این تفاوت مهم که کل فرآیند در عرض کمتر از دو روز و بدون خواب یا وقفه انجام شد. کلود همچنین بر پایهی کارهای پیشین ریاضیدانانی مانند بالویوت، گلدستون، سورياجایا و ترنیج-باترباف بنا کرد، نه اینکه یک رویکرد کاملاً بیسابقه ابداع کند؛ نکتهای که خود آنتروپیک هم بهصراحت به آن اشاره کرده است.
۵. اعتبارسنجی: نقش ریاضیدانان انسانی و ابزار Lean
برای آنکه این دستاورد صرفاً یک ادعای بدون پشتوانه نباشد، آنتروپیک فرآیند اعتبارسنجی دقیقی را طی کرد. دو ریاضیدان داخلی این شرکت به نامهای لِوِنت آلپوگه و رالف فورمن، کار کلود را بهدقت بازبینی و تأیید کردند. علاوه بر این، دو ریاضیدان مستقل و شناختهشده به نامهای برایان کانری و دن گلدستون نیز از بیرون سازمان این نتایج را بررسی کردند.
در گامی فراتر از بازبینی انسانی، بخشی از استدلال با استفاده از ابزار اثبات رسمی Lean صورتبندی شد و آزمونهای استاندارد اعتبارسنجی را با موفقیت پشت سر گذاشت. این ترکیب از بازبینی انسانی و اعتبارسنجی رسمی و خودکار، سطح بالایی از اطمینان به نتیجه میدهد؛ هرچند آنتروپیک تأکید کرده این روشها بهتنهایی برای اثبات کامل فرضیهی ریمان کافی نیستند.
۶. واکنش جامعهی ریاضی: نگرانی یا فرصت؟
این خبر بار دیگر یک بحث قدیمی و داغ در جامعهی ریاضی جهان را زنده کرده است: جایگاه هوش مصنوعی در تولید دانش علمی. در ماه ژوئن ۲۰۲۶، گروهی از ریاضیدانان برجسته بیانیهای امضا کردند که در آن نگرانی خود را از این موضوع ابراز کردند که کشفیات تولیدشده توسط هوش مصنوعی، اصل «انتساب به یک فرد مشخص و پذیرش مسئولیت صحت آن» را زیر سؤال میبرد.
در مقابل، تیموتی گاورز، برندهی مدال فیلدز، دیدگاهی متفاوتتر و آرامتر ارائه داده و گفته است شاید در آینده قضایای ریاضی دیگر به نام ریاضیدانان خاصی شناخته نشوند، همانطور که ستارهها هم به نام ستارهشناسان کشفکنندهشان نامگذاری نمیشوند؛ و این لزوماً مشکلساز نیست. این طیف گسترده از واکنشها نشان میدهد جامعهی علمی هنوز در حال یافتن چارچوبی مناسب برای همکاری انسان و هوش مصنوعی در پژوهشهای بنیادین است.
۷. این دستاورد چه معنایی برای آیندهی هوش مصنوعی در علم دارد؟
دستاورد کلود روی فرضیهی ریمان را باید در کنار روند گستردهتر ورود مدلهای زبانی بزرگ به پژوهشهای علمی جدی دید. پیشتر نیز مدلهای دیگری از جمله مدلهای شرکت OpenAI ادعای پیشرفت در حل مسائل ریاضی سطحبالا را مطرح کرده بودند؛ روندی که در مطلب مقایسهی چتجیپیتی و دیپسیک در مسائل استدلالی نیز بررسی شده است. آنچه این مورد را متمایز میکند، مقیاس همکاری بین دهها زیرعامل و طولبودن فرآیند خودگردان بدون دخالت انسانی است.
اگر این روند ادامه پیدا کند، میتوان انتظار داشت هوش مصنوعی نه بهعنوان جایگزین ریاضیدانان، بلکه بهعنوان همکار پژوهشی قدرتمند در کنار آنها ظاهر شود؛ موضوعی که با محدودیتها و پتانسیلهای واقعی هوش مصنوعی که در مقالهی پتانسیل واقعی و محدودیتهای هوش مصنوعی شرح دادهایم، همخوانی زیادی دارد.
۸. محدودیتها و نکات احتیاط
با وجود همهی هیجانات، باید به چند نکتهی مهم توجه کرد. نخست، خود آنتروپیک بهصراحت اعلام کرده انتظار ندارد این روش خاص به حل کامل فرضیهی ریمان بینجامد؛ کلود صرفاً یک کران مرتبط را بهبود داده، نه خود فرضیه را اثبات کرده است. دوم، این مدل هنوز بهصورت عمومی منتشر نشده و کاربران عادی امکان دسترسی به آن را ندارند. سوم، فرآیند تولید و اعتبارسنجی این نتیجه به منابع محاسباتی سنگین و دهها زیرعامل هماهنگ نیاز داشت که برای اکثر کاربران یا حتی پژوهشگران معمولی در دسترس نیست.
اگر میخواهید بدانید چگونه میتوان از ابزارهای هوش مصنوعی موجود برای کارهای تحلیلی و پژوهشی روزمره بهره برد، مطلب آموزش نوشتن پرامپت برای مبتدیان نقطهی شروع خوبی است، هرچند سطح این کاربردها با پروژهی تخصصی آنتروپیک قابلمقایسه نیست.
۹. سؤالات متداول دربارهی کلود و فرضیهی ریمان
آیا فرضیهی ریمان توسط کلود حل شده است؟
خیر. کلود فرضیه را حل نکرده، بلکه یکی از کرانهای پایین مرتبط با آن را از ۴۱.۶ به ۶۷.۲ درصد بهبود داده است. خود فرضیه همچنان یکی از مسائل باز و حلنشدهی ریاضیات باقی میماند.
چرا این خبر مهم است؟
مهم است چون نشان میدهد سیستمهای چندعاملی هوش مصنوعی میتوانند بهصورت خودگردان روی مسائل ریاضی سطحبالا کار کنند و نتیجهای تولید کنند که ریاضیدانان انسانی و ابزار رسمی Lean آن را تأیید کردهاند.
آیا نسخهی مورد استفاده در این آزمایش عمومی شده است؟
خیر. آنتروپیک از یک نسخهی آزمایشی و هنوز منتشرنشدهی کلود استفاده کرده که برای عموم کاربران در دسترس نیست.
آیا ابزارهای مشابه برای کاربران عادی هم وجود دارد؟
برای کاربردهای روزمره و پرامپتنویسی میتوانید از راهنمای آموزشهای چتجیپیتی در سایت ما استفاده کنید، هرچند این سطح ابتدایی با پروژهی پژوهشی آنتروپیک قابلمقایسه نیست.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
