عندما ينجح نظام ذكاء اصطناعي في حل مشكلة رياضية معقدة، غالبًا ما يكون التفسير المعتاد هو أنه أصبح أكثر ذكاءً. قد يكون قد استوعب ملايين الأمثلة الرياضية، أو ربما تعلم استراتيجيات استدلال أفضل عبر التعلم المعزز، أو قد يكون بدأ في تطوير شيء يشبه الحدس الرياضي الحقيقي. كل هذه التفسيرات قد تحتوي على بعض الحقيقة، لكنها تغفل احتمالًا أبسط بكثير.
ذاكرة العمل: المفتاح الخفي لتفوق الذكاء الاصطناعي في الرياضيات
يكمن هذا الاحتمال في أن الذكاء الاصطناعي يمتلك وصولًا إلى ذاكرة عمل أكبر بكثير من الدماغ البشري. أو بعبارة أدق، لديه وصول إلى مساحة عمل رمزية خارجية ضخمة تؤدي العديد من الوظائف التي تؤديها ذاكرة العمل لدى البشر. قد يكون هذا الاختلاف بالغ الأهمية بشكل خاص في مجال الرياضيات.
يمكن لعالم الرياضيات البشري الاحتفاظ بعدد قليل فقط من العناصر غير المألوفة في ذهنه في وقت واحد. بينما يمكن لنموذج الذكاء الاصطناعي الاحتفاظ ببيان المشكلة بالكامل، ومئات المعادلات الوسيطة، والعديد من المقاربات التي تم التخلي عنها، والتعريفات، والقيود، والاستنتاجات السابقة داخل نافذة سياقه. نحن عادةً ما نفسر الأداء الناتج كدليل على تفوق في الاستدلال، لكن بعضه قد يعكس بدلًا من ذلك إزالة أحد أهم القيود البيولوجية على التفكير البشري: سعة ذاكرة العمل المحدودة للغاية لدينا.
قيود ذاكرة العمل البشرية وتأثيرها على الأداء الرياضي
ذاكرة العمل هي النظام العقلي الذي يسمح لنا بالاحتفاظ بالمعلومات ومعالجتها لفترات قصيرة. عند حل معادلة، يجب أن تتذكر ما يمثله كل متغير، والعمليات التي تم إجراؤها بالفعل، والهدف الحالي. وخلال برهان ما، قد تحتاج إلى تتبع الافتراضات، والمبرهنات الوسيطة، والاستثناءات، والحالات المتعددة الممكنة.
تعتبر ذاكرة العمل البشرية محدودة بشكل ملحوظ. سعتها الدقيقة تعتمد على المهمة وكيفية تنظيم المعلومات، لكن التقييد العام واضح من التجربة اليومية. حاول ضرب عددين من ثلاثة أرقام في ذهنك. العمليات الأساسية بسيطة، لكن الصعوبة تأتي إلى حد كبير من الاضطرار إلى الاحتفاظ بالنتائج الجزئية أثناء إجراء حسابات إضافية.
كتابة الأرقام تحول المشكلة. الورق لا يجعلك أكثر ذكاءً، بل يوسع ذاكرة عملك الفعالة. ينطبق المبدأ نفسه على مستويات أعلى من الرياضيات. يستخدم عالم الرياضيات الرموز والمسودات والمخططات والمبرهنات المكتوبة مسبقًا ليس فقط لتوصيل الحل، بل لجعل الاستدلال ممكنًا معرفيًا. يعوض الخبراء عن ذلك من خلال ‘التجزئة’ (chunking). يرى المبتدئ تسلسلًا طويلًا من الرموز، بينما يتعرف الخبير على هيكل مألوف ويعامله ككائن مفاهيمي واحد، مما يسمح بوضع معلومات أكثر بكثير ضمن نفس حدود ذاكرة العمل البيولوجية. لكن التجزئة لا تزيل هذا الحد؛ بل تضغط المعلومات فحسب.
نافذة سياق الذكاء الاصطناعي: مساحة عمل رمزية هائلة
يواجه نموذج الذكاء الاصطناعي قيدًا مختلفًا تمامًا. الأهمية النظرية لذاكرة العمل في الرياضيات ليست مجرد نظرية، بل هي واضحة في الفروقات بين البشر. ترتبط ذاكرة العمل بقوة بالذكاء العام، مما يطرح سؤالًا واضحًا: هل تتنبأ ذاكرة العمل بشكل مستقل بالأداء الرياضي، أم أنها مجرد مقياس آخر غير دقيق لمعدل الذكاء؟
تشير دراسات متعددة إلى أنها تساهم بشيء يتجاوز مقاييس الذكاء التقليدية. على سبيل المثال، فحصت دراسة لـ Alloway و Passolunghi (2011) ذاكرة العمل، والقدرة اللفظية، والمهارات الرياضية لدى الأطفال. ووجدوا أن مقاييس ذاكرة العمل قدمت مساهمة مميزة في الأداء الرياضي بدلًا من مجرد تكرار الارتباط بين الرياضيات والقدرة اللفظية العامة.
في دراسة طولية منفصلة استمرت ست سنوات، قام Alloway و Alloway (2010) بقياس الأطفال في سن الخامسة ثم فحصوا تحصيلهم الأكاديمي بعد ست سنوات. تنبأ أداء ذاكرة العمل المبكر بالقدرة على القراءة والكتابة والحساب لاحقًا حتى بعد تضمين معدل الذكاء في التحليل. وفي الواقع، كانت ذاكرة العمل مؤشرًا أقوى للنتائج الأكاديمية اللاحقة من مقياس معدل الذكاء المستخدم في الدراسة.
وبالمثل، أفاد Blankenship وزملاؤه (2015) أن ذاكرة العمل فسرت تباينًا فريدًا في الطلاقة الرياضية والحساب بعد التحكم إحصائيًا في معدل الذكاء والعمر. كما وجدت تحليلات ميتا واسعة النطاق من قبل Friso-van den Bos وزملاؤه (2013) علاقة ثابتة بين ذاكرة العمل والرياضيات عبر دراسات المدارس الابتدائية، على الرغم من أن قوة العلاقة تباينت وفقًا لنوع ذاكرة العمل والمهمة الرياضية التي يتم قياسها.
لا ينبغي المبالغة في هذه النتائج. تتداخل ذاكرة العمل والذكاء بشكل كبير، ولا يمكن للتحكم الإحصائي عزلهما تمامًا كآليات نفسية مستقلة. كما أن الأدلة لا تعني أن تدريب ذاكرة العمل تجاريًا سيؤدي بالضرورة إلى تحسينات كبيرة في الذكاء أو الرياضيات. ومع ذلك، فإن الاستنتاج الأضيق لا يزال مهمًا: بين الأطفال ذوي الذكاء المقاس المتشابه، لا تزال الاختلافات في القدرة على الاحتفاظ بالمعلومات وتحديثها ومعالجتها تتنبأ بالاختلافات في الأداء الرياضي.
يوفر هذا دليلًا حاسمًا لفهم الذكاء الاصطناعي. إذا كان الأداء الرياضي البشري مقيدًا جزئيًا باختناق في ذاكرة العمل، فإن إعطاء الآلة مساحة عمل رمزية هائلة يغير طبيعة المنافسة. قد تبدو الآلة أكثر ذكاءً رياضيًا جزئيًا لأنها أقل تقييدًا بحدود معرفية تقلل من الأداء البشري.
الرياضيات: بيئة مثالية للذكاء الاصطناعي بفضل طبيعتها الرمزية
يمكن لنموذج اللغة الحديث معالجة تسلسل هائل من الرموز في آن واحد. قد يشمل هذا التسلسل السؤال الأصلي، والتعريفات، والأمثلة، والحسابات الوسيطة، واستدلال النموذج السابق. نافذة السياق ليست مطابقة لذاكرة العمل البشرية؛ بل تُفهم بشكل أفضل على أنها دفتر ملاحظات خارجي عملاق يتحد مع نظام غير مثالي للبحث واستخدام ما كُتب فيه.
هذا التمييز مهم. يمتلك البشر شكلًا من الذاكرة الداخلية النشطة. يمكننا اختيار رقم بصمت، والاحتفاظ به في الذهن، وتحويله، واستبداله بقيمة جديدة دون قول أو كتابة أي شيء. نماذج اللغة القياسية أضعف بكثير في الحفاظ على هذا النوع من الحالة الذهنية الخاصة والمحدثة باستمرار. شكلها الأكثر استقرارًا للذاكرة هو عادة تسلسل الرموز الذي تم إنشاؤه بالفعل. إذا كتب النموذج: (x=6) ثم كتب لاحقًا: (x+3=9)، فإن هذه العبارات تبقى داخل السياق. يمكن للنموذج الانتباه إليها مرة أخرى عند إنشاء الخطوة التالية. لذلك، غالبًا ما يتم إخراج استدلاله. النص ليس مجرد تقرير عن عملية تفكير مكتملة، بل هو جزء من الآلية التي يحدث بها الاستدلال. يفعل البشر شيئًا مشابهًا عند استخدام مسودة، لكن الفرق الرئيسي هو الحجم.
قد يواجه الإنسان غير المدعوم صعوبة في الاحتفاظ بخمسة شروط غير مألوفة نشطة في آن واحد. بينما يمكن للذكاء الاصطناعي الاحتفاظ بالعشرات أو المئات منها بشكل صريح. هذا لا يعني أن كل عنصر في سياق طويل يتم استرجاعه بشكل مثالي. يمكن للنماذج أن تتجاهل المعلومات ذات الصلة، أو تتشتت، أو تفقد تفاصيل. طول السياق المعلن ليس هو نفسه الذاكرة القابلة للاستخدام بشكل مثالي. ومع ذلك، فإن الفارق في السعة المحتملة هائل.
ميزة نافذة السياق ليست مفيدة بنفس القدر في كل أنواع الاستدلال. وهي مهمة بشكل خاص في الرياضيات لأن الاستدلال الرياضي يمكن ترجمته بشكل جيد إلى رموز صريحة. يمكن تدوين كل عنصر ذي صلة تقريبًا في مشكلة رياضية:
- الافتراضات؛
- التعريفات؛
- المعادلات المعروفة؛
- الهدف الحالي؛
- النتائج التي تم إثباتها بالفعل؛
- الحالات التي تم استبعادها؛
- الشروط التي بموجبها تظل كل خطوة صحيحة.
بمجرد كتابتها، تظل هذه المعلومات مستقرة. إذا تم تعريف (x) كعدد صحيح في بداية برهان، فإنه يظل عددًا صحيحًا ما لم يغير البرهان التعريف صراحةً. لا يتحول التفاوت الصارم تدريجيًا إلى تفاوت غير صارم بسبب تغيرات في المزاج أو السياق أو التفسير. صُممت الرموز الرياضية لتقليل الغموض، مما يجعل الرياضيات مناسبة تمامًا لذكاء يعمل عبر مساحة عمل نصية كبيرة.
فكر في مشكلة تتطلب من الحل تذكر أن: (n) فردي، (p) أولي، (x≠0)، وأن فرعًا واحدًا من الحجة قد أدى بالفعل إلى تناقض. قد يفهم الإنسان الاستراتيجية الأساسية ولكنه يقسم على (x) قبل إثبات أن (x≠0). الخطأ لا يرجع بالضرورة إلى نقص في الذكاء، بل قد يكون فشلًا في حفظ السجلات.
يمكن للذكاء الاصطناعي إعادة ذكر القيود النشطة في كل مرحلة:
نعمل بموجب الافتراضات التي تنص على أن (n) فردي، و(p) أولي، و(x≠0).
يصبح السياق سجلًا لحالة الاستدلال. تحتوي العديد من المشكلات الرياضية الصعبة على بصيرة عميقة في مكان ما بالقرب من البداية، لكنها تحتوي أيضًا على قدر كبير من العمل الأقل بريقًا بعد ذلك: توسيع التعبيرات، والتحقق من الحالات، وحمل الشروط عبر التحويلات، والتأكد من توافق الاستنتاج النهائي مع كل افتراض سابق. لا تحتاج الآلة إلى امتلاك بصيرة أعمق من الإنسان للحصول على ميزة هنا؛ قد تكون ببساطة مجهزة بشكل أفضل للحفاظ على الحالة الكاملة للمشكلة أثناء إكمال تسلسل طويل من العمليات.
الرياضيات تركيبية للغاية. يمكن غالبًا تمثيل البرهان على النحو التالي: (أ → ب → ج → د). إذا كانت كل خطوة صحيحة وتم الحفاظ على السلسلة بدقة، فإن الاستنتاج يتبع. تسمح مساحة العمل الكبيرة للنموذج ببناء سلاسل أطول بكثير قبل فقدان الخيط. وهذا مهم لأن صعوبة المشكلة لا تعتمد فقط على صعوبة كل خطوة فردية، بل تعتمد أيضًا على عدد الخطوات التي يجب تنسيقها. قد يكون الشخص قادرًا تمامًا على فهم كل استدلال محلي في حجة مكونة من 100 خطوة بينما لا يزال غير قادر على إنشاء الحجة بأكملها دون مساعدة. تتجاوز المشكلة قدرة الشخص على الحفاظ على الهيكل العام. يمكن للذكاء الاصطناعي تعويض ذلك عن طريق تدوين كل شيء تقريبًا. قد يفسر هذا سبب تحسن أداء النموذج غالبًا مع ‘وقت التفكير’ الإضافي. تسمح الحسابات الإضافية للنظام بإنتاج المزيد من الحالات الوسيطة، وفحص الفروع البديلة، والحفاظ على الاستنتاجات الجزئية. ما يبدو وكأنه تفكير أعمق قد يكون أحيانًا بحثًا أوسع يتم إجراؤه داخل دفتر ملاحظات أكبر بكثير.
ذاكرة العمل المعززة: تمييز هام في قدرات الذكاء الاصطناعي
الوضع مختلف عند مقارنة مشكلة رياضية بسؤال اجتماعي، مثل: ‘لماذا توقفت ماريا فجأة عن الرد على رسائلي؟’ قد تسمح نافذة السياق الأكبر للذكاء الاصطناعي بفحص سنوات من المراسلات. يمكن أن تحدد التغيرات في النبرة والتوقيت والمفردات. لكن المعلومات الحاسمة قد تكون لا تزال مفقودة. ربما ماريا غاضبة، أو مشغولة، أو مريضة، أو فقدت هاتفها، أو تتجنب مشكلة غير ذات صلة. لا يمكن لأي قدر من الذاكرة استرجاع حقائق لم يتم رصدها مطلقًا.
التحدي هنا ليس مجرد الحفاظ على مجموعة معروفة من المقدمات واستنتاج عواقبها، بل هو الاستدلال في ظل عدم اليقين بشأن الأسباب الخفية. يعتمد الاستدلال غير الرسمي أيضًا بشكل كبير على مفاهيم معانيها غير مستقرة. كلمات مثل ‘عادل’، ‘ناجح’، ‘مسؤول’، ‘ضار’، أو ‘ذكي’ لا تمتلك دقة المتغيرات الرياضية. يعتمد معناها على الثقافة والأهداف والسياق. يمكن للنموذج أن يتذكر كل جملة في مناقشة بينما لا يزال يسيء فهم ما يقصده المشاركون.
وينطبق الأمر نفسه على التحليل السياسي، والتفسير التاريخي، واستراتيجية الأعمال، والحكم النفسي. في هذه المجالات، لا تتمثل المشكلة المركزية غالبًا في سعة ذاكرة العمل، بل في تحديد النموذج السببي الصحيح عندما تكون الأدلة غير مكتملة وغامضة. يساعد دفتر الملاحظات الأكبر، لكنه لا يحل المشكلة الأساسية.
الرياضيات مختلفة لأن بيئة الاستدلال مصممة بشكل اصطناعي لجعل الافتراضات صريحة والتحويلات قابلة للتحقق. يمكن غالبًا التحقق من الإجابات الرياضية. يمكن استبدال حل لمعادلة مرة أخرى في التعبير الأصلي. يمكن تقييم هوية مقترحة عدديًا. يمكن لبرنامج كمبيوتر اختبار مئات الحالات. يمكن لمساعد برهان رسمي التحقق مما إذا كان كل استدلال يتبع القواعد المقبولة. يخلق هذا بيئة مثالية للذكاء الاصطناعي. يمكن للنموذج استخدام سياقه ليس فقط لإنتاج حل ولكن أيضًا لتسجيل مقاربات بديلة، وتحديد التناقضات، وتصحيح الأخطاء السابقة. في المجالات الأقل رسمية، تكون التغذية الراجعة أضعف بكثير.
قد يكون التفسير التاريخي المقنع مستحيل التحقق منه بشكل قاطع. وقد لا تكشف استراتيجية عمل ما إذا كانت صحيحة إلا بعد سنوات. وقد يبقى التفسير النفسي غير مؤكد بشكل دائم. في مثل هذه المجالات، يمكن أن تكون الحجة الطويلة والمتماسكة خاطئة تمامًا. تكافئ الرياضيات الأنظمة التي يمكنها إنشاء وتخزين والتحقق من الحالات الوسيطة الصريحة. هذه هي بالضبط القدرات التي تعززها نوافذ السياق، والمسودات، وتنفيذ الكود، والتحقق الرسمي.
قد يعترض بعض الباحثين على وصف نافذة السياق بأنها ذاكرة عمل. ولهم وجهة نظر. ذاكرة العمل البشرية ليست مجرد مخزن مؤقت للتخزين. إنها تتضمن الانتباه، والتثبيط، والتحديث المستمر، والمعالجة النشطة للتمثيلات الداخلية. سياق نموذج اللغة أكثر سلبية. الرموز السابقة تظل ثابتة. لا يمكن للنموذج العودة حرفيًا إلى سطر سابق واستبداله. إنه يولد رموزًا جديدة بناءً على السجل الحالي. لذلك، قد يكون الوصف الأكثر دقة هو ذاكرة العمل الرمزية المعززة.
يمتلك النموذج ذاكرة عقلية خاصة أضعف من الإنسان في بعض النواحي، لكنه يمتلك ذاكرة صريحة أكبر بكثير في نواحٍ أخرى. البشر أفضل في الحفاظ على حالة داخلية صغيرة بصمت. الذكاء الاصطناعي أفضل في العمل على سجل مكتوب ضخم. بالنسبة للرياضيات، قد تكون القدرة الثانية غالبًا أكثر قيمة. لا يتطلب الاستدلال الرسمي أن تظل كل حالة ذات صلة خاصة. بل على العكس، تتحسن الرياضيات عندما تكون الافتراضات والخطوات الوسيطة صريحة. الضعف الظاهري للذكاء الاصطناعي – ميله إلى ‘التفكير بصوت عالٍ’ – يصبح ميزة عندما يكون المجال نفسه مبنيًا على رموز مكتوبة.
إعادة تقييم مفهوم ذكاء الذكاء الاصطناعي في الرياضيات
هذا يقود إلى سؤال أوسع: ماذا يعني القول بأن الذكاء الاصطناعي ‘أفضل في الرياضيات’ من البشر؟ تخيل أنك تعطي شخصين نفس المشكلة الرياضية. يجب على أحدهما حلها بالكامل في ذهنه. ويتلقى الآخر ورقًا غير محدود، وملاحظات مثالية، ووصولًا فوريًا إلى كل حساب سابق، والقدرة على تجربة عدة مقاربات بالتوازي، وآلة تتحقق من كل نتيجة. إذا فاز الشخص الثاني، فلن نستنتج بالضرورة أن الشخص الثاني يمتلك ذكاءً رياضيًا خامًا أكبر. قد نستنتج بدلًا من ذلك أن الشخص الثاني كان لديه بنية معرفية أفضل بكثير للمهمة.
يجب تطبيق نفس الحذر عند مقارنة البشر والذكاء الاصطناعي. تُدرب أنظمة الذكاء الاصطناعي على كميات هائلة من المواد الرياضية. يمكنها إنشاء العديد من الحلول الممكنة، واستخدام الكود، والتشاور مع الأدوات، والحفاظ على آثار استدلال طويلة. لذلك، فإن أدائها هو نتاج عدة عوامل: المعرفة الرياضية، والقدرة على الاستدلال، وسعة الذاكرة، والبحث، والتحقق. نحن نميل إلى التركيز على الاستدلال لأنه المكون الأكثر إثارة من الناحية الفلسفية، لكن الذاكرة قد تقوم بقدر أكبر بكثير من العمل مما ندرك.
توقعات مستقبلية: متى يتفوق الذكاء الاصطناعي حقًا؟
تنتج فرضية ذاكرة العمل تنبؤات واضحة. يجب أن تكون ميزة الذكاء الاصطناعي أكبر في المشكلات التي تتضمن:
- العديد من القيود المتفاعلة؛
- الحسابات الطويلة؛
- تحليل الحالات الموسع؛
- الإشارة المتكررة إلى النتائج السابقة؛
- حفظ السجلات الرمزية الدقيق؛
- كميات كبيرة من التعريفات الرسمية.
يجب أن تكون ميزته أصغر في المشكلات التي تعتمد بشكل أساسي على قفزة مفاهيمية قصيرة واحدة. قد لا يزال عالم الرياضيات اللامع يتفوق على الذكاء الاصطناعي عندما يكون التحدي الحاسم هو إيجاد تمثيل جديد تمامًا للمشكلة. ولكن بمجرد العثور على هذا التمثيل، قد يكون الذكاء الاصطناعي متفوقًا في استكشاف جميع عواقبه.
تتنبأ الفرضية أيضًا بأن تقليل سياق النموذج القابل للاستخدام أو منعه من كتابة الخطوات الوسيطة يجب أن يضر بشكل غير متناسب بالأداء في المهام الرياضية الطويلة. وعلى العكس من ذلك، فإن توسيع الذاكرة الخارجية للإنسان – باستخدام تدوين واضح، ومخططات، وبرمجيات، وملاحظات منظمة – يجب أن يضيق جزءًا من الفجوة. قد تكون المقارنة الأكثر عدالة لذلك ليست بين الذكاء الاصطناعي والإنسان الذي يفكر دون مساعدة، بل بين الذكاء الاصطناعي بأدواته والإنسان الذي يمتلك أنظمة ذاكرة وتحقق خارجية قوية بنفس القدر.
غالبًا ما يوصف صعود الذكاء الاصطناعي الرياضي بأنه انتصار لذكاء الآلة على ذكاء الإنسان. قد يكون هذا التفسير سابقًا لأوانه. من المؤكد أن الذكاء الاصطناعي يبدو وكأنه يتعلم استراتيجيات استدلال أفضل. وقد يطور في النهاية أشكالًا من الحدس الرياضي تساوي أو تتجاوز حدسنا.
لكن بعض ميزته الحالية قد تكون أكثر عملية. لقد تطور الدماغ البشري تحت قيود شديدة. لديه ذاكرة عمل محدودة، ويصاب بالتعب، ويفقد النتائج الوسيطة، ويكافح لتنسيق سلاسل طويلة من الرموز غير المألوفة. الذكاء الاصطناعي غير مقيد بنفس البنية. يمكنه تحويل الاستدلال إلى نص واستخدام هذا النص كمساحة عمل معرفية خارجية شاسعة. والرياضيات، بسبب دقتها وبنيتها الرمزية، هي المجال الذي يمكن فيه تحويل هذه الميزة بسهولة أكبر إلى أداء متفوق.
لذا، فإن السبب الحقيقي وراء تفوق الذكاء الاصطناعي على البشر في الرياضيات قد يكون أقل غموضًا مما نتخيل. ربما تكون المقارنة الأكثر كشفًا ليست بين الذكاء الاصطناعي والإنسان العادي، بل بين شكلين مختلفين جدًا من العبقرية.
لقد كتب الفيزيائي يوجين فيغنر، الذي عرف جون فون نيومان وألبرت أينشتاين، أنه لم يواجه أحدًا يمتلك عقلًا ‘سريعًا وحادًا’ مثل فون نيومان. كان فون نيومان قادرًا على استيعاب كميات هائلة من المعلومات، واتباع حجج معقدة بشكل استثنائي، والتنقل بين المجالات الرياضية بسرعة مذهلة. ومع ذلك، كان فيغنر لا يزال يعتبر فهم أينشتاين أعمق وأكثر اختراقًا وأكثر أصالة. ربما كان لدى فون نيومان قدرة معالجة فكرية خام أكبر، لكن أينشتاين كان أكثر عرضة لإعادة تصور المشكلة نفسها. كان فون نيومان نفسه مفكرًا أصيلًا للغاية، وليس مجرد حاسبة سريعة. لكن تمييز فيغنر يلتقط شيئًا مهمًا. قد يكون الذكاء الاصطناعي حاليًا يتفوق على البشر في الرياضيات ليس بالتفكير مثل أينشتاين، بل من خلال الجمع بين شيء يشبه سرعة واتساع فون نيومان مع دفتر ملاحظات غير محدود عمليًا.
سيتم الوصول إلى العتبة العظيمة التالية عندما يتمكن الذكاء الاصطناعي من القيام بأكثر من مجرد حل المشكلات الموجودة بشكل أسرع من البشر. سيتم الوصول إليها عندما يتمكن الذكاء الاصطناعي من التعرف على أن مشكلة ما قد صيغت بشكل غير صحيح وابتكار طريقة أفضل جوهريًا لفهمها.