خبرگزاری آریا - 25 برنده مدال فیلدز که معادل جایزه نوبل در علم ریاضیات برشمرده میشود، هشدار دادهاند که اثباتهای ماشینی، سختترین معادلات ریاضی را خراب میکنند.
بحث بر سر ریاضیات عاملمحور فراتر از اثباتهای ریاضی رفته است و گروهی از برجستهترین ریاضیدانان جهان هشدار دادهاند که رقابت برای وادار کردن هوش مصنوعی به حل ریاضیات دشوار میتواند به حوزهای که قصد پیشرفت آن را دارد، آسیب برساند.
25 برنده مدال فیلدز نامهای سرگشاده را امضا کردهاند و در آن از تلاش روزافزون شرکتهای هوش مصنوعی برای حل مسائل ریاضی معروف به عنوان نمایش توانایی مدلهای هوش مصنوعی انتقاد کردهاند.
امضاکنندگان این نامه استدلال میکنند که یک پاسخ صحیح به تنهایی نمیتواند آنچه تحقیقات ریاضی را ارزشمند میکند، در بر بگیرد.
نگرانی آنها فراتر از رقابت بر سر این است که چه کسی ابتدا یک مسئله را حل میکند. آنها میگویند اثباتهای شتابزده ریاضیات عاملمحور میتواند نحوه تأیید اکتشافات توسط ریاضیدانان، توسعه ایدههای جدید و انتقال دانش به نسلهای آینده را مختل کند.
این هشدار در حالی مطرح میشود که سیستمهای هوش مصنوعی ادعاهای فزایندهای در مورد حل مسائل ریاضی دشوار مطرح میکنند. به عنوان مثال، اثبات اخیر اوپنایآی(OpenAI) هنوز از جانب اکثریت جامعه ریاضی تأیید نشده است.
چیزی فراتر از پاسخها
یک اثبات ریاضی میتواند یک معادله را حل کند و به یک پرسش پاسخ دهد، اما محققان به ماشینآلات و فرآیندهای پشت آن نیز اهمیت میدهند. تکنیکهای جدید میتوانند روابط بین حوزههای به ظاهر نامرتبط را آشکار کنند و ابزارهایی ایجاد کنند که ریاضیدانان دیگر بعداً بر اساس آنها کار کنند.
این فرآیند میتواند سالها طول بکشد. محققان در مورد نتایج بحث میکنند، فرضیات را به چالش میکشند، استدلالها را ساده میکنند و اکتشافات را با کارهای قبلی مرتبط میکنند. در نهایت، یک ایدهی در ابتدا مبهم میتواند بخشی از آموزش ریاضی استاندارد شود.
نویسندگان این نامه نگرانند که شرکتهای هوش مصنوعی بتوانند این فرآیند را کوتاه کنند. سیستمها میتوانند به سرعت یک راهحل ظاهری تولید کنند، اما ریاضیدانان هنوز به زمان نیاز دارند تا مشخص کنند که آیا این راهحل کار میکند یا خیر و مشخص کنند که روش اساسی واقعاً چه چیزی را آموزش میدهد.
«انتساب» به معنی تشخیص اینکه یک ایده یا راهحل از کجا نشأت گرفته است، مشکل دیگری را ایجاد میکند. راهحلهای ریاضیات عاملمحور ممکن است از دههها تحقیق موجود استفاده کنند و تعیین اینکه ایدههای واقعاً جدید از کجا سرچشمه گرفتهاند را دشوارتر کنند.
ریاضیدانان با اشاره به کمبود زمان برای نوشتن دقیق و انتساب مناسب نوشتند: اغلب این راهحلها با عجله اعلام میشوند.
آنها هشدار دادند که ایدههای تولید شده توسط هوش مصنوعی به ریاضیدانان نیاز دارند تا آنها را توسعه داده و در بدنه وسیعتر دانش ادغام کنند.
سرعت میتواند تحقیقات را تغییر دهد
مقیاس اقتصادی توسعه هوش مصنوعی لایه دیگری به این اختلاف اضافه میکند. آزمایشگاههای پیشگام میتوانند منابع محاسباتی عظیمی را به چالشهای ریاضی اختصاص دهند که زمانی به سالها تلاش انسانی نیاز داشتند.
این یک انگیزه غیرمعمول ایجاد میکند. اگر محققان معتقد باشند که یک ایده منتشر نشده میتواند به یک سیستم هوش مصنوعی کمک کند تا نتیجهای بزرگ تولید کند، ممکن است تمایل کمتری به اشتراکگذاری علنی کار خود داشته باشند.
برخی از ریاضیدانان پیش از این، این پرسش را مطرح کردهاند که آیا استفاده از ابزارهای کدنویسی شرکتهای هوش مصنوعی میتواند تحقیقات آنها را در معرض توسعه مدلهای آینده قرار دهد یا خیر. چنین نگرانیهایی میتواند تبادل آزاد اطلاعات را که به طور سنتی به پیشرفت ریاضیات کمک کرده است، تضعیف کند.
این اختلاف فراتر از بحثهای دانشگاهی نیز کشیده شده است. شرکت اوپنایآی پنجشنبه گذشته پس از انتقاد محققان از این شرکت، حمایت مالی خود را از یک رویداد ریاضی در Caltech لغو کرد.
یک ابتکار جداگانه موسوم به «اعلامیه لیدن» نیز خواستار تغییراتی در نحوه برخورد ریاضیدانان، مؤسسات و سیاستگذاران با هوش مصنوعیِ متخصص در ریاضیاتِ به طور فزاینده توانمند شده است.
امضاکنندگان، این فناوری را به طور کامل رد نمیکنند. آنها پتانسیل روشنی برای هوش مصنوعی میبینند تا تحقیقات ریاضی را تسریع کند و به محققان در کشف مسائل دشوار کمک کند.
هشدار آنها مربوط به این است که وقتی حل مسئله به هدف تبدیل میشود، چه اتفاقی میافتد. ریاضیات ممکن است به پاسخهای سریعتری دست یابد، اما در عین حال بخشی از آن فرآیند انسانی را که این پاسخها را به دانشی ماندگار بدل میکند، از دست بدهد.
این پرسش اکنون فراتر از ریاضیات است. همانطور که سیستمهای هوش مصنوعی کار فکری بیشتری را بر عهده میگیرند، سایر حرفهها ممکن است با همان تنش بین تولید یک پاسخ و درک اهمیت آن پاسخ مواجه شوند.