ترنس تائو: هوش مصنوعی ممکن است بحران عظیمی در ریاضیات پدید آورد
ترنس تائو، دارندهٔ نشان فیلدز، هشدار میدهد ابزارهای هوش مصنوعی میتوانند نظام ارزشها و روشهای پژوهش ریاضی را بهگونهای دگرگون کنند که با بحران بنیادینی همچون دورهٔ حدود 1900–1930 قابل مقایسه باشد.
اهمیت هشدار
تائو در متنی برای کنگرهٔ بینالمللی ریاضیدانان 2026 میگوید پرسش محوری دیگر «هوش مصنوعی چه کارهایی میتواند بکند» نیست، بلکه این است که اهداف پژوهش ریاضی کداماند و چه چیزهایی در این رشته بهعنوان ارزش شناخته میشود.
قیاس با بحران بنیادین قرن گذشته
او شباهت وضعیت امروز را با بحران بنیادین ریاضیات اوایل قرن بیستم یادآور میشود؛ زمانی که ظهور پارادوکسها و قضایای ناتمامیت مجبور به بازاندیشی در فروض ضمنی و شکلگیری چارچوبهای جدید شد. بهگفتهٔ تائو، اکنون فشار آزمایش از «حقیقتِ ریاضی» به «چهارچوبِ ضمنیِ ارزشها و روشها» منتقل شده است: چه چیزی مشارکت محسوب میشود، چه آثاری پاداش میگیرند و فهم دقیقاً یعنی چه.
فرض پژوهشی و شواهد
تائو بر این باور است که ابزارهای هوش مصنوعی بهزودی میتوانند بخش قابلتوجهی از وظایف پژوهشی ریاضی را با کیفیت مناسب و هزینهٔ معقول انجام دهند. اشارهٔ او به پروژهٔ First-Proof است؛ در دور دوم این پروژه، ده مسئلهٔ پژوهشیِ منتشرنشده در برابر چهار سیستم هوش مصنوعی قرار گرفتند و در هفت مورد، دستکم یک سیستم پاسخی ارائه داد که داوران آن را «اساساً بینقص» یا نیازمند «اصلاحات اندک» ارزیابی کردند — با هزینههایی در دامنهٔ دهها تا صدها دلار برای هر مسئله.
وقتی معیارها به هدف بدل میشوند
تائو به قانون گودهارت اشاره میکند: وقتی یک معیار به هدف تبدیل شود، دیگر معیار قابلاعتمادی نیست. سیستمهای مولد معمولاً خروجیهایی ارائه میدهند که از منظر کمّی «خوب» بهنظر میرسد، اما ممکن است با فهم عمیق یا نوآوری واقعی همخوان نباشد. همچنین مشوقهای مالی و بازارِ ابزارهای هوش مصنوعی پاداشهایی را تقویت میکند که مبتنی بر نتایج قابلنقل و قابلاندازهگیریاند، نه لزوماً کشف یا بینش ژرف.
فزونی برهانها و کاهش فهم
خطر واقعی وقتی ظاهر میشود که کاهش برهانِ کیفی به انبوهِ برهانهای کمعمق بدل شود: دستگاهها قادر به تولید برهانهایی هستند که از نظر فرمی صحیحاند، اما سریعتر از آنکه انسانها آنها را بررسی و درک کنند، انباشته میشوند. تائو تأکید میکند که برهانهای حاصل از کار انسانی اغلب شامل اصطکاک و اشتباهات سازندهاند — لمها، تغییر نمادگذاری یا تکههایی از متن که نشان میدهند نویسنده روی نکتهای دشوار کار کرده است — در حالی که نسخهٔ بسیار صیقلخوردهٔ تولیدشده توسط هوش مصنوعی ممکن است «خواندنش آسان و آموختنش دشوار باشد.»
معیارهای انتشار و شرطِ توضیح انسانی
تائو به «بیانیهٔ لیدن دربارهٔ هوش مصنوعی و ریاضیات» اشاره میکند که در ژوئن 2026 منتشر شد و از سوی اتحادیهٔ بینالمللی ریاضی (IMU) پشتیبانی شده است. قاعدهٔ سرانگشتی او ساده است: اگر نویسندگان نتوانند یک سخنرانی روشن و در سطح کارشناسی دربارهٔ نتایجشان ارائه کنند — سخنرانیای که هم صحیح باشد و هم منابع آن معلوم باشد — آن نتیجه نباید منتشر شود. برهانی که هیچ انسانی نتواند آن را بهدرستی توضیح دهد، حتی اگر از نظر فرمی پذیرفته شود، ناقص ارزیابی میشود.
آموزش نسل بعدی ریاضیدانان
تائو خواستار طراحی فعالانهٔ آموزش است تا جنبههای غیرقابلکاهشِ انسانی حفظ شود. تولید تمرینهای حلشده بهتنهایی کافی نیست؛ دانشجویان باید فرایند کشف، تجربهٔ دشواریها و مقاومت فکری را از سر بگذرانند. او کاربردهای کمکی هوش مصنوعی مثل جستجوی ادبیات، ترسیم نمودار یا تبدیل اسلاید به متن را پذیرفته اما خواهان محدودیت در استفاده از این ابزارها در آموزش و تولیدِ دانش اصلی است.
پیشنهادها برای جامعهٔ ریاضی
- بازنگری معیارهای انتشار و ارزیابی پژوهش برای تطابق با واقعیتهای جدید.
- استفاده از ابزارهای اعتبارسنجی رسمی مفید است، اما شرط توضیح انسانی باید بهعنوان معیار انتشار باقی بماند.
- طراحی مشوقها باید فهم عمیق و آموزش را تقویت کند، نه صرفاً نتایج قابل اندازهگیری.
نگاهی به آینده
اگر جامعهٔ ریاضی بهسرعت قواعد بازی را بازتعریف نکند، هوش مصنوعی میتواند فراتر از تحول ابزار پژوهشی، معیارهای ارزش و نحوهٔ تولید دانش را چنان تغییر دهد که بازگرداندن آن دشوار شود. چالشِ تائو فراتر از توانایی یا ناتوانی مدلهاست؛ پرسش اصلی این است که ریاضیات چه چیزهایی را باید حفظ کند و چه جنبههایی را باید بازآفرینی کند تا معنای فهم و کشف همچنان حفظ شود.
