هفته گذشته در سخنرانی‌ای در امآیتی شرکت کردم که نیل تامپسون، پژوهشگر حوزه پیشرفت رایانش و هوش مصنوعی، ارائه داد. او در همان نیم ساعت، استدلالی متقاعدکننده ساخت که چند حوزه علمی در آستانه زیر و رو شدن با هوش مصنوعی هستند.
در حالی که ریاضیدانان هنوز از خودکارسازی رشته‌شان با هوش مصنوعی به خود می‌پیچند، مطالعه تازه تامپسون نشان میدهد احتمال، نظریه آمار، نظریه اقتصادی، نظریه انرژی بالا، گرانش و کیهانشناسی و فیزیک کوانتوم می‌توانند قربانی بعدی باشند؛ به‌خاطر توانایی‌های سریعاً در حال تحول مدلهای پیشرو. به گفته این مطالعه، بین میانه ۲۰۲۴ تا میانه ۲۰۲۶، بهترین مدلهای هوش مصنوعی از حل صحیح حدود ۲ درصد مسائل نظری این حوزه‌ها به حدود ۳۵ درصد رسیده‌اند و نشانه‌ای از کند شدن این پیشرفت وجود ندارد. تامپسون می‌گوید: «انتظار داریم طی چند سال، خیلی از پرسش‌های نظری از نظر توانایی هوش مصنوعی در حل آن‌ها کاملاً دگرگون شود.»
آزمایشگاه تامپسون به‌طور کلی بررسی می‌کند پیشرفت علوم کامپیوتر چطور بر جامعه و نوآوری اثر می‌گذارد. این مطالعه را او همراه گابریل مانسو، دانشجوی دکترا، و کلاودیو مایرینک وردون، پژوهشگر، انجام داد؛ آن‌ها مسائل مطرح‌شده در مقاله‌های پژوهشی منتشرشده بین دسامبر ۲۰۲۵ و مه ۲۰۲۶ را برداشتند و بعد آزمودند آیا مدلهای مختلف اوپن‌ای‌آی، از جمله o1، o3، جی‌پی‌تی ۵، ۵.۱، ۵.۴ و ۵.۵ می‌توانند آن‌ها را حل کنند.
نکته حیاتی این است که راه‌حل این مسائل در مقاله‌هایی پیدا شد که بعد از تاریخ پایان آموزش مدلهای مورد آزمون منتشر شده بودند. یعنی مدل‌ها باید خودشان راه‌حل را پیدا می‌کردند، نه اینکه به پاسخ‌های تزریق‌شده در داده آموزشی تکیه کنند؛ آن مقاله‌ها به‌عنوان پاسخ مرجع برای سنجش مهارت مدل‌ها به کار می‌رفتند. پژوهشگران دسترسی مدل‌ها به اینترنت را هم بستند تا نتوانند راه‌حل‌ها را آنلاین پیدا کنند.
حوزه‌های پوشش‌داده‌شده محدود بود؛ این سه نفر روی رشته‌هایی تمرکز کردند که مدل می‌تواند بدون شبیه‌سازی یا آزمایش به نتیجه برسد. اما کارشان نشان میدهد همان موجی که امروز در ریاضیات حس می‌شود، احتمالاً به دیگر حوزه‌های نظری و ریاضی‌محور علوم هم می‌رسد.
در ماه سپتامبر، اوپن‌ای‌آی دنیای ریاضیات را تکان داد و اعلام کرد مدلی منتشرنشده چالش بزرگ و دیرینه‌ای به نام ناویر-استوکس را حل کرده است؛ معادلاتی که رفتار حرکت سیال را توضیح می‌دهند. این ماجرا پس از آن جنجالی‌تر شد که یکی از ریاضیدانان دانشگاه نیویورک، که با یکی دیگر از دانشگاهیان مرتبط با آنتروپیک کار می‌کرد، اوپن‌ای‌آی را متهم کرد پس از اطلاع از پیشرفتشان، زودتر دست به انتشار زده است.
از آن زمان اوپن‌ای‌آی و دیگران صدها راه‌حل دیگر برای مسائل دیرینه ریاضی اعلام کرده‌اند و همین موضوع بحرانی در این رشته ایجاد کرده است. برخی ریاضیدانان خواستار محدود کردن استفاده از هوش مصنوعی شده‌اند و هشدار داده‌اند که خود فرایند حل مسئله اغلب به‌اندازه داشتن پاسخ نهایی مفید است.
تامپسون می‌گوید مثل ریاضیات، باید انتظار داشته باشیم پیشرفت در حوزه‌های دیگر هم اثرهای مثبت و منفی داشته باشد. او اشاره می‌کند پیشرفت‌های نظری گاهی پیشرفت‌های عملی در علم را به راه می‌اندازند و استفاده بیشتر از هوش مصنوعی می‌تواند یعنی‌که مسیر پیشرفت از این راه بیشتر شود. برخی پژوهشگران سرشناس هوش مصنوعی همین حالا آزمایشگاه‌هایی با تمرکز بر «هوش مصنوعی برای علم» بنیان گذاشته‌اند و آزمایشگاه‌های بزرگ هوش مصنوعی هم پژوهش علمی خود را تقویت می‌کنند. این تلاش‌ها بررسی می‌کنند چطور می‌توان به هوش مصنوعی امکان داد در کنار تحلیل نظری، آزمایش واقعی هم انجام دهد. شاید هوش مصنوعی یعنی‌که نظریه‌پردازان دیگر برای حل مسائل کلیدی لازم نباشند، اما به گفته پژوهشگران این یعنی بی‌نیازی از متخصصان نیست؛ برای فهم راه‌حل‌ها و اطمینان از درستی‌شان انسان لازم است.
مانسو می‌گوید: «ما همچنان به افرادی نیاز داریم که ایده‌های خوب بسازند و نقطه‌ها را به هم وصل کنند.» او اضافه می‌کند در مسائل بسیار پیچیده ممکن است هوش مصنوعی دچار اشتباه شود؛ همان‌طور که اوپن‌ای‌آی چند راه‌حل در آخرین مجموعه داده‌اش را پس از انتشار پس گرفت. او می‌گوید: «راهی هم برای راستی‌آزمایی آنچه انجام شده لازم است، چون خیلی آسان است مدل بگوید این پاسخ درست است و بعد که به کل راه‌حل نگاه می‌کنی، ببینی شاید درست نباشد.»