مهر
اخبار
OpenAI ۳۷۲ نتیجه‌ی ریاضی منتشر کرد؛ ادعای بزرگ، تأیید ناقص
شرکت OpenAI در ۶ اکتبر ۲۰۲۶ صدها دست‌نوشته‌ی ریاضی را روی گیت‌هاب منتشر کرد و گفت یک مدل داخلی آن‌ها را تولید کرده است. اما نبود نام مدل، پرامپت‌ها و تأیید مستقل، این ادعای بزرگ را به یکی از داغ‌ترین بحث‌های جامعه‌ی علمی تبدیل کرده است.
لیست مطالب
بخش ۱ — ماجرا چیست و OpenAI چه چیزی منتشر کرد؟
در ششم اکتبر ۲۰۲۶ شرکت OpenAI مجموعه‌ای بزرگ از دست‌نوشته‌های ریاضی را روی حساب گیت‌هاب خود قرار داد. این شرکت اعلام کرد که این نتایج را یک مدل داخلی هوش مصنوعی تولید کرده است؛ مدلی که نام آن هنوز فاش نشده و در دسترس عموم نیست. خبر خیلی زود در رسانه‌های فناوری و علمی بازتاب پیدا کرد و واکنش‌های متفاوتی از سوی ریاضی‌دان‌ها به همراه داشت.
اگر تازه با دنیای شرکت‌های هوش مصنوعی آشنا شده‌اید، پیشنهاد می‌کنیم مقاله‌ی OpenAI چیست؟ را بخوانید تا با پیشینه‌ی این شرکت و مسیر رشدش بیشتر آشنا شوید. برای دنبال کردن آخرین رویدادهای این حوزه هم می‌توانید به بخش اخبار هوش مصنوعی سر بزنید.
نکته‌ی مهم این است که این یک «انتشار نتیجه» است و نه «تأیید نتیجه». یعنی شرکت دست‌نوشته‌ها را در اختیار جامعه‌ی علمی گذاشته تا بررسی شوند، اما هنوز هیچ نهاد مستقلی صحت همه‌ی آن‌ها را تأیید نکرده است.
بخش ۲ — اعداد و ارقام: ۷۲۲ دست‌نوشته در ۳۷۲ گروه
بر اساس گزارش‌های منتشرشده، مجموعه‌ی جدید شامل ۷۲۲ دست‌نوشته‌ی ریاضی است که در ۳۷۲ گروه از مقالات مرتبط سازمان‌دهی شده‌اند. به همین دلیل در بعضی منابع عدد ۳۷۲ و در بعضی دیگر عدد ۷۲۲ دیده می‌شود؛ این دو عدد دو شیوه‌ی شمارش یک مجموعه‌اند، یکی بر پایه‌ی گروه نتایج و دیگری بر پایه‌ی تک‌تک دست‌نوشته‌ها.
سخنگوی شرکت گفته تقریباً همه‌ی این نتایج «از یک پرامپت به یک عامل هوش مصنوعی» به دست آمده‌اند و فقط بخشی از آن‌ها نیاز به چند بار تلاش داشته‌اند. اگر این ادعا درست باشد، نشان می‌دهد عامل‌های هوش مصنوعی دیگر فقط ابزار کمکی برای تولید متن یا کد نیستند و می‌توانند بدون هدایت مرحله‌به‌مرحله‌ی انسان روی مسائل پژوهشی کار کنند.
برای درک بهتر ظرفیت و محدودیت‌های این فناوری، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی را هم بخوانید.
این نتایج دقیقاً چه نوع مسائلی را شامل می‌شوند؟
شرکت از حل بیش از صد مسئله‌ی قدیمی سخن گفته است. پوشش خبری این مجموعه بیشتر روی ادعاهایی متمرکز بوده که اهمیت بالایی در ریاضیات دارند، از جمله ادعای مربوط به معادلات نویر–استوکس که پیش‌تر هم توسط شرکت مطرح شده بود. با این حال، چون خود دست‌نوشته‌ها بسیار زیاد و تخصصی‌اند، بررسی کامل آن‌ها زمان‌بر خواهد بود.
بخش ۳ — ادعای نویر–استوکس و ماجرای «تأییدنشده»
معادلات نویر–استوکس حرکت سیالات را توصیف می‌کنند و پرسش درباره‌ی رفتار جواب‌های سه‌بعدی آن‌ها یکی از مشهورترین مسائل ریاضیات مدرن است. OpenAI پیش‌تر گفته بود یک مدل داخلی توانسته به نتیجه‌ای درباره‌ی ایجاد تکینگی در زمان محدود برسد و در این مسیر هزاران عامل هوش مصنوعی هم‌زمان کار کرده‌اند.
مشکل اینجاست که طبق گزارش‌ها، آن اثبات هنوز به‌طور کامل در اختیار جامعه‌ی ریاضی نبوده و پژوهشگرانی مثل تریستان باکمستر اعلام کرده‌اند آن را ندیده‌اند. در ریاضیات، یک ادعا تا وقتی دیگران بتوانند گام‌به‌گام آن را بررسی کنند، «نتیجه» به حساب نمی‌آید. همین موضوع باعث شده بخش بزرگی از بحث‌ها حول محور شفافیت بچرخد، نه صرفاً توان مدل.
جدا از موضوع علمی، گزارش‌هایی هم درباره‌ی اختلاف بر سر اعتبار پژوهشی و نحوه‌ی همکاری بین این شرکت و برخی پژوهشگران منتشر شده است. OpenAI برخی اتهام‌ها را رد کرده است. ما در این مقاله فقط روی بخش‌هایی تمرکز می‌کنیم که به‌صورت قابل اتکا گزارش شده‌اند.
بخش ۴ — چرا ریاضی‌دان‌ها محتاط‌اند؟
آندرو ساترلند، ریاضی‌دان MIT، گفته است تا زمانی که مدل منتشر نشود و پژوهشگران دیگر نتوانند نتایج را بازتولید کنند، این ادعا که یک عامل در یک مرحله مسئله را حل کرده، باید «تأییدنشده» در نظر گرفته شود. این موضع را می‌توان موضع استاندارد علم دانست: ادعای خارق‌العاده نیازمند شواهد قابل بازبینی است.
در مقابل، دنیل لیت از دانشگاه تورنتو نگاه متفاوتی دارد. او می‌گوید می‌خواهد پاسخ این مسائل ریاضی را بداند و دلیلی نمی‌بیند که از شرکت بخواهیم آن‌ها را پنهان نگه دارد. به بیان دیگر، حتی اگر روش تولید نتایج کاملاً شفاف نباشد، انتشار خود دست‌نوشته‌ها برای جامعه‌ی ریاضی ارزشمند است، چون می‌توان آن‌ها را بررسی و ایراد یا درستی‌شان را مشخص کرد.
این دو دیدگاه در واقع مکمل‌اند: انتشار نتایج مفید است، ولی پذیرش آن‌ها باید بعد از راستی‌آزمایی انجام شود. تجربه‌ی مشابهی را در ماجرای رقابت هوش‌های مصنوعی در شطرنج هم دیده‌ایم؛ جایی که ادعاها بدون آزمون عملی اعتبار چندانی نداشتند.
بخش ۵ — گروه مشورتی AGMAI و استانداردهای شفافیت
یک پنل نه‌نفره با نام «گروه مشورتی ریاضیات و هوش مصنوعی» (AGMAI) که زیر نظر مؤسسه‌ی مطالعات پیشرفته‌ی پرینستون فعالیت می‌کند، در ۲۹ سپتامبر مجموعه‌ای از توصیه‌ها درباره‌ی نحوه‌ی انتشار نتایج ریاضی تولیدشده با هوش مصنوعی ارائه کرده بود. این توصیه‌ها شامل افشای نام مدل، پرامپت‌ها، خلاصه‌ی استدلال، زمان صرف‌شده و هزینه‌ی محاسباتی برای هر نتیجه بود.
طبق گزارش‌ها، انتشار OpenAI همه‌ی این موارد را پوشش نداده است. شرکت فقط میانگین منابع محاسباتی و ده خلاصه‌ی استدلال را ارائه کرده و پرامپت‌های هر مسئله منتشر نشده‌اند. خود AGMAI هم تصریح کرده که این انتشار «فقط آغاز بررسی» است و نه دست‌نوشته‌ها و نه فرایند شرکت را تأیید می‌کند.
OpenAI همچنین اعلام کرده به‌دنبال یک مخزن مدیریت‌شده توسط جامعه است که استانداردهای این گروه را رعایت کند. اگر این اتفاق بیفتد، می‌تواند الگویی برای انتشار مسئولانه‌ی نتایج علمی تولیدشده با هوش مصنوعی باشد.
بخش ۶ — هزینه و محاسبات پشت ماجرا
یکی از پرسش‌های اصلی این است که تولید چنین نتایجی چقدر هزینه دارد. بر اساس برخی گزارش‌ها، میانگین هزینه‌ی محاسباتی هر نتیجه تقریباً معادل چند ساعت استفاده از ChatGPT Pro بوده است. برای کارهای بزرگ‌تر مانند ادعای نویر–استوکس، شرکت از مصرف محاسباتی در حد میلیون‌ها دلار و استفاده از ده‌ها هزار عامل هم‌زمان خبر داده است.
این ارقام دو پیام دارند. اول اینکه پژوهش با عامل‌های هوش مصنوعی هنوز برای عموم ارزان نیست. دوم اینکه با ارزان‌تر شدن محاسبات، چنین رویکردهایی ممکن است در آینده برای دانشگاه‌ها و استارتاپ‌ها هم در دسترس شود. اهمیت اقتصادی هوش مصنوعی برای کسب‌وکارها را در مقاله‌ی چرا هوش مصنوعی در کسب‌وکار مهم است؟ بیشتر توضیح داده‌ایم.
بخش ۷ — رمزگشایی نامه‌ی ناپلئونی با GPT-6 Astra
در کنار خبر ریاضی، گزارشی دیگر هم دست‌به‌دست شد: یک مهندس شرکت SentinelOne به نام کارتر چرچ با کمک مدل GPT-6 Astra، نامه‌ای نظامی از سال ۱۸۰۹ را در حدود شش ساعت رمزگشایی کرده است. این رمز از نوع جانشینی همصدایی با ۱۵۵ نماد متفاوت بود.
طبق گزارش، مدل اطلاعات جزئی از متن رمزگشایی‌شده را با تحلیل آماری ادبیات فرانسوی قرن نوزدهم ترکیب کرده و متن نهایی را بازسازی کرده است. یک مورخ ژاپنی نتیجه را بررسی و تأیید کرده و سند در پایگاه داده‌ی رمزهای تاریخی «حل‌شده» ثبت شده است. این نمونه نشان می‌دهد بخشی از کاربردهای واقعی مدل‌های جدید، کمک به علوم انسانی و تحقیقات تاریخی است.
بخش ۸ — این خبر برای کاربران ایرانی و ابزارهای هوش مصنوعی چه معنایی دارد؟
برای اغلب کاربران، این خبر به معنای تغییر فوری در ابزارهای روزمره نیست، اما جهت حرکت صنعت را نشان می‌دهد: مدل‌های استدلالگر از پاسخ‌دادن به سؤال به سمت انجام پروژه‌های طولانی و چندمرحله‌ای می‌روند. هرچه این مدل‌ها در ریاضیات و علوم قابل اتکاتر شوند، کیفیت ابزارهایی مثل ChatGPT در تحلیل، برنامه‌نویسی و پژوهش هم بیشتر خواهد شد.
برای اینکه از ابزارهای فعلی بهترین نتیجه را بگیرید، یاد گرفتن مهارت پرامپت‌نویسی اهمیت زیادی دارد. مقاله‌ی آموزش پرامپت‌نویسی برای مبتدیان و بخش آموزش‌های ChatGPT نقطه‌ی شروع خوبی هستند.
همچنین باید به یاد داشت که هوش مصنوعی جایگزین تفکر نقادانه نیست. مقاله‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها یا مهندس واقعی دقیقاً درباره‌ی همین فاصله میان ادعا و واقعیت است.
بخش ۹ — پرسش‌های متداول (FAQ)
آیا OpenAI واقعاً ۳۷۲ مسئله‌ی ریاضی را حل کرده است؟
شرکت ۳۷۲ گروه نتیجه را منتشر کرده، اما صحت آن‌ها هنوز به‌طور مستقل تأیید نشده است. رسانه‌ها و ریاضی‌دان‌ها این ادعا را تا انجام بررسی همتا «تأییدنشده» می‌دانند.
چرا گاهی عدد ۷۲۲ و گاهی ۳۷۲ گفته می‌شود؟
بر اساس گزارش‌ها، ۷۲۲ دست‌نوشته در ۳۷۲ گروه از نتایج مرتبط دسته‌بندی شده‌اند. عدد اول تعداد اسناد و عدد دوم تعداد گروه‌هاست.
مدل سازنده‌ی این نتایج کدام است؟
OpenAI نام مدل را اعلام نکرده و فقط از یک «مدل داخلی» یاد کرده است. به همین دلیل بازتولید نتایج توسط دیگران فعلاً ممکن نیست.
گروه AGMAI چه نقشی دارد؟
این پنل مشورتی در پرینستون توصیه‌هایی برای انتشار شفاف نتایج ریاضی هوش مصنوعی ارائه کرده و درباره‌ی انتشار اخیر گفته که این فقط آغاز بررسی است.
آیا می‌توان به این نتایج اعتماد کرد؟
تا زمانی که ریاضی‌دان‌ها آن‌ها را بررسی نکرده‌اند، بهتر است با احتیاط با آن‌ها برخورد کنید. نتایجی که گواهی ماشین‌خوان مثل Lean دارند، برای راستی‌آزمایی قابل اتکاترند.
