نموذج ذكاء اصطناعي سري يحرز تقدماً مذهلاً في حل واحدة من أعقد مسائل الرياضيات

في الرياضيات، تمر سنوات طويلة أحيانًا بلا خبر كبير، ثم تظهر فجأة إشارة صغيرة تكفي لإرباك كثير من المسلمات. هذا ما حدث مع إعلان Anthropic أن نموذجًا غير مطروح للعامة تمكّن من إحراز تقدّم ملموس في مسألة فرضية ريمان، إحدى أشهر المسائل المفتوحة في تاريخ الرياضيات، من دون أن يحلها نهائيًا، لكن بما يكفي لإعادة النقاش حول ما إذا كانت نماذج الذكاء الاصطناعي باتت تقترب من دور الباحث لا مجرد أداة مساعدة له.

بحسب ما أعلنته الشركة، لم يقدّم النموذج برهانًا عامًا لفرضية ريمان، وهي النقطة الأهم التي يجب تثبيتها من البداية. ما فعله هو رفع الحد الأدنى المعروف للحالات التي تصح فيها الفرضية، أي توسيع نطاق التحقق الرياضي المنظم بدل الوصول إلى الحسم الكامل. هذا النوع من التقدّم ليس تفصيلًا هامشيًا في الرياضيات النظرية، لأن تحسين الحدود وإثبات الصحة على نطاقات أوسع يُعد جزءًا معتبرًا من التراكم العلمي.

الأهمية هنا لا تتعلق فقط بالنتيجة، بل بطريقة الوصول إليها. فالشركة تقول إن أحد موظفيها، من دون خلفية متقدمة في الرياضيات، طلب من النموذج أن يأخذ المحاولة على محمل الجد، ثم تُرك النظام ليعمل على المهمة لنحو يوم ونصف، منسقًا العمل بين عشرات الوكلاء الفرعيين ومستهلكًا عشرات الملايين من التوكنات في توليد الأفكار والتحقق منها وصياغتها.

اللافت في هذه القصة أن النموذج لم يعمل كواجهة سؤال وجواب تقليدية، بل كبيئة بحثية موزعة. تم اختبار 650 فكرة مختلفة، مع توزيع وظيفي بين 60 وكيلًا فرعيًا، بعضهم لتوليد الحدوس الرياضية، وآخرون للمراجعة، وآخرون للتحقق من صحة المسارات المطروحة. هذه البنية تقترب أكثر من فريق بحث مصغر يعمل بتوازٍ، لا من نموذج لغوي يكتب فقرة أو يحل تمرينًا.

هذا التحول مهم تقنيًا لأنه يعكس اتجاهًا متزايدًا في تصميم أنظمة الذكاء الاصطناعي: الانتقال من نموذج واحد ينتج إجابة نهائية إلى منظومة استدلال، مراجعة، وتصحيح ذاتي. وعندما ينجح هذا الأسلوب في مسائل رياضية شديدة الصرامة، فإنه يرسل إشارة إلى مجالات أخرى مثل علوم المواد، البرمجة، والنمذجة العلمية، حيث قد يصبح التنظيم الداخلي للنظام بنفس أهمية قدرته الخام على التوليد.

فرضية ريمان ليست مجرد لغز أكاديمي مشهور بسبب قيمتها الرمزية أو الجائزة المالية المرتبطة بها، بل لأنها تمس فهمنا العميق لتوزيع الأعداد الأولية. هذه المنطقة من الرياضيات تبدو بعيدة عن الحياة اليومية، لكنها تقف في الخلفية النظرية لكثير من البنى التي تعتمد عليها الحوسبة الحديثة والتشفير والتحليل العددي.

حين يتمكن نظام ذكاء اصطناعي من دفع هذا النوع من المسائل خطوة إلى الأمام، فالقيمة ليست في العنوان المثير فقط، بل في إثبات أن النماذج اللغوية قد تطوّر نوعًا من الفعالية داخل فضاءات معرفية كانت تُعد سابقًا محصورة تقريبًا على البحث البشري المتخصص. لا يعني ذلك أنها تفهم الرياضيات كما يفهمها الرياضي، لكنه يعني أن الفجوة بين المساعدة التقنية والاكتشاف الجزئي بدأت تضيق.

من النقاط التي تمنح الإعلان بعض الجدية أن النتيجة، وفقًا للتقرير، راجعها رياضيان من داخل الشركة، كما جرى تقنينها باستخدام Lean، وهو مساعد برهاني مفتوح المصدر يُستخدم لصياغة الأدلة الرياضية بصورة يمكن التحقق منها آليًا. في زمن يسهل فيه على النماذج اللغوية إنتاج نص مقنع شكليًا لكنه خاطئ، يصبح التحقق الصوري جزءًا أساسيًا من أي ادعاء علمي.

هذا التفصيل يهم القارئ التقني أكثر مما قد يبدو. فالمنافسة في الذكاء الاصطناعي لم تعد تدور فقط حول من ينتج أكثر، بل حول من يستطيع أن يربط التوليد بالتحقق. وكلما دخلت النماذج إلى مجالات عالية الحساسية مثل الرياضيات، الأمن، أو الطب، صار معيار الاعتمادية أقرب إلى البنية التحتية منه إلى ميزة إضافية.

التفاعل داخل الوسط الرياضي يعكس أن المسألة لم تعد مجرد تجربة مثيرة في مختبر شركة. هناك قلق حقيقي من أن دخول الذكاء الاصطناعي إلى إنتاج البراهين والاكتشافات قد يربك مفاهيم راسخة مثل نسبة الإنجاز إلى صاحبه، والمسؤولية عن صحة البرهان، والمعنى الإنساني لفعل الاكتشاف نفسه. بحسب النقاشات التي أشار إليها التقرير، بعض الرياضيين يخشون أن تتآكل قيمة المؤلف البشري إذا غدت النتائج تُنسب إلى منظومات هجينة يصعب تحديد صاحب الفكرة فيها بدقة.

في المقابل، هناك من يرى أن الرياضيات نفسها قد تعيد تعريف أدواتها ونمط عملها، كما حدث سابقًا مع الحوسبة والمحاكاة وقواعد البيانات الضخمة. الاعتراض هنا ليس على استخدام الأداة، بل على احتمال تغيّر الثقافة المعرفية للمجال. وهذا في الحقيقة نقاش أوسع من الرياضيات: من يملك الفكرة عندما تصبح ولادتها موزعة بين نموذج، باحث، أداة تحقق، وسير عمل آلي كامل.

إذا صحّ النظر إلى هذه النتيجة بوصفها علامة اتجاه، فنحن أمام جيل من الأنظمة لا يكتفي بتلخيص المعرفة أو إعادة تركيبها، بل يدخل تدريجيًا إلى مناطق الحدس، التجريب، والبحث المنهجي. لا يزال الإنسان هنا في قلب العملية، خصوصًا في التقييم، الفهم، والصياغة النهائية، لكن دور النموذج يتسع من المساعدة إلى المساهمة.

الدرس الأهم ليس أن فرضية ريمان على وشك السقوط غدًا، بل أن الذكاء الاصطناعي بدأ يضغط على حدود كنا نظن أنها ستبقى أطول وقت ممكن حكرًا على العقل البشري الخالص. وبين الحماسة والحذر، يبدو أن السؤال لم يعد هل يمكن للنماذج أن تشارك في إنتاج معرفة جديدة، بل كيف سنفهم هذه المشاركة عندما تصبح نتائجها أكثر تكرارًا وأصعب على التجاهل.