يمتد حضور الذكاء الاصطناعي العلمي إلى ما وراء الرياضيات

الذكاء الاصطناعي ينتقل من البرهان الرياضي إلى نظرية علمية أوسع

بدأت أنظمة الذكاء الاصطناعي تظهر تقدماً قابلاً للقياس في الأسئلة النظرية ضمن مجالات تتجاوز الرياضيات، وفقاً لبحث ناقشه باحث معهد ماساتشوستس للتكنولوجيا Neil Thompson. ويشير التحليل إلى أن مكاسب القدرات التي تثير الاضطراب حالياً في بعض فروع الرياضيات قد تمتد إلى الاحتمالات والإحصاء والاقتصاد ونظرية الطاقة العالية والجاذبية وعلم الكونيات والفيزياء الكمومية.

لا يعني هذا الاكتشاف أن الذكاء الاصطناعي حل محل العلماء أو أنه قادر على إدارة برنامج بحثي حديث بصورة مستقلة. فقد ركزت الدراسة على مهمة أضيق نطاقاً لكنها مؤثرة: حل مشكلات نظرية ثبتت إجاباتها لاحقاً في أوراق بحثية. وفي هذه المجالات، وجد الباحثون تحسناً حاداً في معدلات نجاح أقوى النماذج بين منتصف عام 2024 ومنتصف عام 2026.

ويكتسب هذا المسار أهميته لأن العمل النظري غالباً ما يوفر اللغة والنماذج والتنبؤات التي يعتمد عليها العلم التجريبي. وإذا تمكن الباحثون من استخدام الذكاء الاصطناعي بصورة موثوقة لاستكشاف أجزاء من هذا العمل، فقد يظهر الأثر ليس فقط في الحسابات الفردية، بل أيضاً في سرعة البحث العلمي وتنظيمه.

من حصة صغيرة من المشكلات إلى أكثر من الثلث

اختبرت دراسة Thompson، التي أجراها بالاشتراك مع Gabriel Manso وClaudio Mayrink Verdun، سلسلة من نماذج OpenAI على مشكلات مستمدة من أوراق بحثية نُشرت بين ديسمبر 2025 ومايو 2026. وشملت النماذج التي فحصتها المجموعة o1 وo3 وGPT-5 وGPT-5.1 وGPT-5.4 وGPT-5.5.

وعبر المجالات النظرية التي شملها التقييم، انتقلت أفضل الأنظمة من حل نحو 2% من المشكلات بصورة صحيحة في منتصف 2024 إلى نحو 35% في منتصف 2026. ولا يزال ذلك بعيداً عن الكفاءة الشاملة، كما أنه لا يعني أن كل إجابة تبدو صحيحة يمكن الاعتماد عليها. لكن حجم الزيادة لافت: فقد تكون الأداة التي تنجح نادراً مجرد فضول، بينما يمكن لأداة تقدم مساهمات كبيرة عبر معيار تقييم أن تصبح جزءاً من الممارسة البحثية المعتادة.

صمم الباحثون التقييم للحد من مصدر قلق أساسي عند اختبار نماذج اللغة: ما إذا كان النظام يعيد ببساطة إنتاج مواد صادفها أثناء التدريب. وجاءت المشكلات من أوراق نُشرت قبل ظهور الحلول ذات الصلة في منشورات لاحقة، واستخدمت الحلول المنشورة بوصفها معيار الحقيقة. كما حُظر الوصول إلى الإنترنت أثناء الاختبار، لذلك لم تتمكن الأنظمة من استرجاع إجابة من الويب.

ولا يلغي هذا الإعداد كل قيود التقييم القائم على المعايير. لكنه يهدف إلى التمييز بين حل المشكلات والبحث المباشر أو الحفظ. ولذلك تشكل نتيجة الدراسة دليلاً على أن النماذج المختبرة تمكنت من توليد حلول لبعض الأسئلة على الأقل، رغم أن الإجابة لم تكن متاحة في مواد التدريب التي يمكنها الوصول إليها.

نتيجة محدودة، وليست بديلاً علمياً عاماً

نطاق العمل مهم. فقد ركز الفريق على مجالات يمكن للنماذج فيها معالجة المشكلات من دون تشغيل عمليات محاكاة أو إجراء تجارب فيزيائية. ولا يمكن اختزال جزء كبير من العلم في الاستدلال الرمزي وحده. فما تزال الأعمال المخبرية وتصميم الأجهزة والمراقبة الميدانية وجمع البيانات والمحاكاة والتكرار أجزاء أساسية من اكتشاف كيفية عمل العالم.

حتى داخل التخصصات التي تهيمن عليها النظرية، لا يساوي الحل الصحيح مساهمة بحثية مفيدة. يحتاج العلماء إلى تقييم الافتراضات واختيار الأسئلة الجديرة بالبحث وتفسير النتائج وتحديد ما إذا كانت حجة مقترحة تصمد أمام التدقيق. وهذه عمليات اجتماعية وتقنية في آن واحد، وتشمل مراجعة الأقران والنقاش والأدلة المتراكمة.

ومع ذلك، فإن المجالات التي اختيرت للدراسة ليست هامشية. فالاحتمالات والإحصاء يشكلان الاستدلال في العلوم والصناعة بأكملها. وتؤثر النظرية الاقتصادية في السياسات وتحليل الأسواق. أما فيزياء الطاقة العالية وعلم الكونيات والفيزياء الكمومية فهي مجالات يمكن أن يكون فيها الاستدلال المجرد محورياً لدفع سؤال ما إلى الأمام قبل أن يصل إلى كاشف أو تلسكوب أو جهاز مختبري.

إذا أصبح الذكاء الاصطناعي قادراً على التعامل مع مزيد من العمل الروتيني أو الوسيط في هذه المجالات، فقد يكون الأثر المباشر متفاوتاً. وقد يستخدمه الباحثون لتوليد أساليب مرشحة، أو التحقق من الاشتقاقات، أو استكشاف صيغ بديلة، أو تسريع التحليل في مراحله المبكرة. وستعتمد قيمة هذه الاستخدامات على التحقق. فالطريق السريع إلى استنتاج خاطئ قد يهدر الوقت بالكفاءة نفسها التي يهدر بها الحساب البطيء.

سابقة الرياضيات تشكل التوقعات

يأتي التقييم الجديد في وقت تواجه فيه الرياضيات بالفعل عروضاً بارزة لقدرات الذكاء الاصطناعي. فقد أعلنت OpenAI مؤخراً أن نموذجاً غير مُعلن عنه حل تحدياً كبيراً طال أمده يتعلق بمعادلات Navier-Stokes التي تصف حركة الموائع. وأثارت تلك الواقعة جدلاً، مؤكدة أن الادعاءات الاستثنائية في الرياضيات والذكاء الاصطناعي تتطلب فحصاً مستقلاً ودقيقاً.

وبالنسبة إلى Thompson، تكمن الدلالة الأوسع في أن التخصصات النظرية قد تقترب من فترة يتغير فيها دور الذكاء الاصطناعي بسرعة. وهو يتوقع أن تتحول أسئلة نظرية كثيرة خلال بضع سنوات بفعل ما تستطيع الأنظمة إنجازه. ويستند هذا التوقع إلى خط الاتجاه الذي أظهرته الدراسة، لا إلى إثبات أن أي مجال بعينه سيُؤتمت بالكامل.

أما المستقبل القريب الأكثر احتمالاً فهو تعاوني لا فردي: يحدد العلماء الأجندات والمعايير، بينما تتولى أنظمة الذكاء الاصطناعي حصة متزايدة من استكشاف المشكلات. وقد يوسع ذلك الوصول إلى أدوات تحليلية متقدمة، لكنه قد يجعل القدرة على التحقق من العمل الذي تولده الآلات أكثر قيمة. وسيتعين على مؤسسات البحث أن تقرر كيفية احتساب المساهمات، وتدريب الطلاب، والحفاظ على الخبرة المستقلة اللازمة لاكتشاف الأخطاء الدقيقة.

ما الذي ينبغي مراقبته تالياً

• ما إذا كانت مكاسب الأداء ستستمر في المشكلات الجديدة، لا في التقييمات الاسترجاعية فقط.
• مدى بقاء الحلول التي تولدها النماذج صحيحة بعد مراجعة الخبراء والتحقق الرسمي.
• ما إذا كانت الأنظمة تستطيع تقديم مساهمات مفيدة عندما تكون المحاكاة أو التجارب أو البيانات المتخصصة مطلوبة.
• كيفية تكيف المجموعات العلمية مع ممارسات التأليف والتدريب وضبط الجودة مع تحول الذكاء الاصطناعي إلى أداة بحث منتظمة.

لا تثبت الدراسة أن الذكاء الاصطناعي سيصبح الطريقة الافتراضية لحل مشكلات النظرية العلمية. لكنها توضح سبب أخذ هذا الاحتمال على محمل الجد الآن. ففي أقل من عامين، انتقلت أقوى الأنظمة المختبرة من حل جزء صغير من الأسئلة المختارة إلى حل أكثر من الثلث. وبالنسبة إلى التخصصات القائمة على الاستدلال الصعب، فهذا تحول يستحق المراقبة عن كثب.

تستند هذه المقالة إلى تقرير نشرته Wired. اقرأ المقال الأصلي.