تتحول الرياضيات إلى ساحة الاختبار للذكاء الاصطناعي المتقدم
يطرح باحثا OpenAI سيباستيان بوبِك وإرنست ريو حجة واضحة حول سبب وجود الرياضيات اليوم في قلب نقاش الذكاء الاصطناعي العام. وفي حلقة حديثة من OpenAI Podcast، كما نقلها موقع The Decoder، وصف الباحثان الرياضيات بأنها أكثر من مجرد مجال صعب لنماذج اللغة. وقد قدماها باعتبارها اختبار ضغط موجزًا للقدرات الأوسع التي سيحتاجها أي نظام ذكي على نحو عام.
وتستند هذه الحجة إلى طبيعة العمل الرياضي نفسه. فالبراهين تتطلب استدلالًا طويلًا ومتسقًا داخليًا، وغالبًا ما يستمر لفترات ممتدة. وخطأ واحد قد يبطل سلسلة كاملة من التفكير. وبهذا المعنى، ليست الرياضيات مجرد معيار آخر. إنها مجال يعتمد النجاح فيه على الموثوقية، وتصحيح الذات، والمثابرة، لا على الطلاقة وحدها.
تحول سريع في قدرات النماذج
قال بوبِك إن وتيرة التغيير كانت لافتة. وتذكر أنه قبل أربع سنوات فقط أُعجب بنموذج Minerva من Google لأنه استطاع رسم خط عبر نقاط على نظام إحداثي. أما قبل عامين، فلم تكن هناك نماذج تركّز على الاستدلال بالشكل الذي يقود اليوم جزءًا كبيرًا من تقدم المجال. واليوم، قال، تساعد هذه الأنظمة علماء الرياضيات في أعلى المستويات، بمن فيهم الحاصلون على ميدالية Fields، في عملهم اليومي.
وتكتسب هذه النقلة أهمية لأن الرياضيات لطالما اعتُبرت من أصعب المجالات التي يمكن للذكاء الاصطناعي اختراقها بصورة ذات معنى. ووفقًا لبوبِك، كان معظم علماء الرياضيات قبل 18 شهرًا، في أحد المؤتمرات، لا يزالون يعتقدون أن نماذج اللغة الكبيرة بعد توسيعها لن تكون قادرة على المساعدة في مسائل بحثية مفتوحة. لذا فإن الانتقال من الشك إلى الاستخدام العملي حدث في إطار زمني مضغوط.
من مساعد إلى شريك بحثي
قدّم ريو مثالًا ملموسًا على هذا التحول. وقال الأستاذ السابق في الرياضيات بجامعة UCLA إنه حل مسألة مفتوحة عمرها 42 عامًا تتعلق بطريقة نسترُوف في نظرية التحسين بمساعدة ChatGPT، وذلك خلال ثلاث أمسيات بلغ مجموعها نحو 12 ساعة. وقبل استخدام النموذج، كان قد أمضى أكثر من 40 ساعة في المشكلة دون التوصل إلى حل.
وتكتسب روايته أهمية خاصة لما تكشفه عن تقسيم العمل. فلم يصف ريو النموذج بأنه وحي معصوم من الخطأ. بل كان هو نفسه بمثابة مُتحقق، يلتقط الأخطاء ويوجه الحوار نحو مسارات أكثر وعدًا. وهذه الصياغة مهمة. فقيمة النظام، في هذا التصور، تكمن في تسريع الاستكشاف واقتراح طرق مثمرة، بينما يظل الإنسان مسؤولًا عن التحقق.
لماذا تناسب الرياضيات نقاش AGI
تقوم حجة بوبِك الأوسع على أن الرياضيات تصلح معيارًا لـAGI لأنها تتطلب المكونات نفسها اللازمة في المجالات العلمية والتقنية الصعبة الأخرى. فالنظام القادر على الاحتفاظ ببراهين طويلة يجب أن يكون قادرًا على الحفاظ على التركيز، والاتساق الداخلي، واكتشاف الأخطاء، ومراجعة استدلاله الخاص. وهذه قدرات قابلة للنقل، وليست حيلًا خاصة بالرياضيات.
كما قارن بوبِك التدريب الرياضي بالتعليم البشري. فتعليم الطلاب الرياضيات لا يعني فقط أنهم سيصبحون جميعًا رياضيين محترفين، بل لأن هذا التخصص يفرض شكلًا من التفكير المنظم. وبالطريقة نفسها، قد يؤدي تدريب النماذج على الرياضيات إلى إنتاج عادات استدلال تنتقل إلى مجالات مثل علم الأحياء وعلوم المواد.
وللرياضيات ميزة أخرى: التقييم فيها واضح على نحو غير معتاد. فالمسائل تكون عادة محددة جيدًا، ويمكن التحقق من الإجابات. وفي مجال يضج بالمعايير الغامضة والادعاءات المتنازع عليها، يمنح ذلك الباحثين بيئة أكثر وضوحًا لقياس التقدم.
فكرة “وقت AGI”
من بين الأفكار الأكثر إثارة التي طرحها بوبِك ما سماه “وقت AGI”. واستخدم هذا التعبير لوصف المدة التي يمكن فيها للنموذج أن يحافظ فعليًا على ما يعادل خطًا متماسكًا من التفكير. وقال إنه قبل عامين فقط كانت الأنظمة قادرة على محاكاة هذا النوع من التفكير لدقائق. أما الآن، فيمكنها فعل ذلك لأيام أو حتى أسبوع. والهدف التالي هو تمديد هذا الأفق إلى أسابيع وأشهر.
وهذا إطار مفيد لأنه ينقل النقاش بعيدًا عن درجات الاختبار لمرة واحدة نحو القدرة على التحمل. فإذا كان من المتوقع أن تعمل الأنظمة المستقبلية كباحثين آليين، فسيتعين عليها أن تظل منتجة لفترات طويلة بدلًا من الاكتفاء بحل مهام منفصلة. وبالتالي فإن توسيع “وقت AGI” ليس مجرد شعار، بل يشير إلى هدف تطويري ملموس.
طموح الباحث الآلي
قال الباحثان إن OpenAI تبني “باحثًا آليًا” قادرًا على العمل على المشكلات لفترات طويلة بدرجة من الاستقلالية. كما قالا إن طرق التدريب الأساسية عامة وليست مخصصة للرياضيات وحدها. وإذا كان ذلك صحيحًا، فإن المكاسب التي تظهر أولًا في الرياضيات قد تنتقل في النهاية إلى مجالات علمية أخرى.
لكن هذا لا يعني أن المسار محسوم. فالنقاش حول ما الذي تثبته التطورات الرياضية فعلًا سيستمر، لا سيما بشأن المسائل المفتوحة الشهيرة وكمية الدعم البشري التي لا تزال الأنظمة الحالية تحتاجها. ومع ذلك، فقد تجاوز النقاش بوضوح مجرد الحساب أو جديد مسابقات الذكاء الاصطناعي. والسؤال الناشئ الآن هو ما إذا كان الذكاء الاصطناعي يمكن أن يصبح موثوقًا في النوع من الاستدلال الممتد الذي يتطلبه البحث الجاد.
إذا كانت الرياضيات هي ساحة الاختبار لهذا التحول، فإن حجة بوبِك وريو بسيطة: قد يمر الطريق إلى ذكاء آلي أوسع عبر أصعب أشكال التفكير المنضبط التي ابتكرها البشر.
تعتمد هذه المقالة على تقرير من The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com