أعلنت OpenAI يوم الثلاثاء عن خطوة جريئة بنشرها 722 مخطوطة رياضيات أنتجها نموذج ذكاء اصطناعي داخلي لم تُطلقه بعد. هذه الأوراق، التي تغطي 372 عائلة من النتائج، متاحة الآن للعموم عبر مستودع GitHub. ويُذكر أن هذا النموذج هو ذاته الذي قدم إثبات Navier-Stokes الشهير الشهر الماضي، مما يبرز قدراته المتقدمة في حل المشكلات المعقدة.
تفاصيل الأوراق ومحتوى المستودع
يحتوي المستودع على العديد من البراهين التي تأتي بنسخ رسمية مكتوبة بلغة Lean، وهي لغة برمجة تُمكّن الحاسوب من التحقق من صحة البرهان. ومع ذلك، لا تتوفر جميعها بنسخ رسمية، وقد أشارت OpenAI إلى أن بعض النتائج غير الرسمية قد تحتوي على مشكلات، وتعهدت بإصلاحها بسرعة مع الإبقاء على جميع الإصدارات السابقة متاحة. تحمل كل ورقة كتلة استشهاد خاصة بها لضمان التتبع.
كما نشرت OpenAI عشرة ملخصات لمنطق النموذج. وقد خرجت نتيجتان عن الإجراءات القياسية: إحداهما منطقة خالية من الأصفار لدالة Riemann zeta، والتي قام إنسان بتحريرها لزيادة سهولة القراءة. والأخرى هي برهان لتخمين Hodge للمتغيرات الأبيلية المعقدة (CM abelian varieties).
تساؤلات ومخاوف مجتمع الرياضيات
أفادت OpenAI بأنها استندت إلى نصيحة مجموعة استشارية مستقلة من علماء الرياضيات تُدعى AGMAI، والتي دعت مختبرات الذكاء الاصطناعي سابقًا إلى التوقف عن اختبار مشكلات الرياضيات الصعبة على النماذج الخاصة. كما طالبت بنشر المطالبات، الوقت، وتكلفة الحوسبة وراء كل نتيجة، محذرة من خطر إنشاء نظام ذي مستويين حيث تتفوق المختبرات على بقية المجال. ورغم استشارة OpenAI، أكدت AGMAI يوم الثلاثاء أن نصيحتها لا تعني تأييد النتائج أو طريقة حصول OpenAI عليها.
أثار هذا الإطلاق تساؤلات وشكوكًا بين الخبراء. فقد صرح دان روبرتس، قائد الأبحاث في OpenAI، لصحيفة «نيويورك تايمز» بأن اختبار النماذج الداخلية يساعد في بناء أدوات أفضل، وأن البراهين كانت نتاجًا عرضيًا. لكن عالم الرياضيات تريستان باكماستر من جامعة نيويورك شكك في قدرة OpenAI على التحقق من هذا العدد الكبير من النتائج المنشورة دفعة واحدة. وبالمثل، نصح عالم الرياضيات أندرو ساذرلاند من MIT بمعاملة ادعاءات «الوكيل الفردي» على أنها غير مُتحقق منها حتى يتمكن الآخرون من تشغيل النموذج وتكرار النتائج.
ماذا يعني هذا للمطورين؟
بالنسبة للمطورين والمصممين، يبرز هذا الحدث القدرات المتنامية لنماذج الذكاء الاصطناعي في مجالات بحثية معقدة كالرياضيات. نرى أن هذه الإنجازات، رغم الإشادة بها، تثير تحديات مهمة تتعلق بالتحقق والشفافية. عندما تتمكن نماذج AI من إنتاج براهين رياضية معقدة، فمن الضروري وجود آليات قوية لضمان صحتها وتكرارها، خاصةً عندما تكون النماذج المُستخدمة غير متاحة للعموم. يشجع هذا التطور على ضرورة تطوير أدوات وممارسات تضمن الثقة في المخرجات التي تولدها أنظمة الذكاء الاصطناعي، ويسلط الضوء على النقاش الدائر حول مساهمة AI في البحث العلمي وكيفية دمج هذه الأدوات بمسؤولية في عملية الابتكار والتطوير.
المصدر: thenextweb.com