به نقل از دیجیتال مارکتینگ ایران، سم آلتمن، مدیرعامل OpenAI، اعلام کرده است که این شرکت قصد ندارد انتشار دستاوردهای ریاضی تولیدشده با هوش مصنوعی را متوقف کند؛ حتی اگر فرایند بررسی و اعتبارسنجی این یافته‌ها فشار زیادی بر جامعه ریاضی‌دانان وارد کرده باشد. او ضمن ابراز همدلی با پژوهشگرانی که باید صحت اثبات‌ها و نتایج جدید را بررسی کنند، تأکید کرده است که دسترسی عمومی به دانش بنیادی علمی اهمیت بیشتری دارد و یافته‌های تازه دیگری نیز در انتظار انتشار هستند.
اظهارات آلتمن در شرایطی مطرح می‌شود که انتشار مجموعه‌ای از راه‌حل‌ها و اثبات‌های ریاضی توسط OpenAI بحث‌های گسترده‌ای درباره نحوه اطلاع‌رسانی علمی، اعتبارسنجی نتایج و مسئولیت شرکت‌های هوش مصنوعی ایجاد کرده است. گروهی از ریاضی‌دانان معتقدند انتشار سریع نتایج، بدون ارائه پیش‌زمینه و مستندات کافی، بار سنگینی برای بررسی علمی بر دوش پژوهشگران می‌گذارد.
سم آلتمن: حق بشریت برای دسترسی به دانش بنیادی باید حفظ شود
مدیرعامل OpenAI در قسمت اخیر پادکست «Cheeky Pint» درباره انتقادهای مطرح‌شده از شیوه انتشار دستاوردهای علمی این شرکت صحبت کرد. او گفت با دشواری‌هایی که پژوهشگران در مواجهه با حجم بالای نتایج تولیدشده توسط هوش مصنوعی تجربه می‌کنند، همدلی دارد؛ اما از نظر او، این موضوع نباید به پنهان‌ماندن کشفیات علمی منجر شود.
آلتمن در این گفت‌وگو بر این دیدگاه تأکید کرد که مردم حق دارند درباره سازوکار جهان و دانش بنیادی اطلاعات بیشتری به دست آورند. او معتقد است اگر یک سیستم هوش مصنوعی به نتیجه‌ای علمی و مهم دست پیدا کند، نباید صرفاً به دلیل دشواری بررسی آن، انتشار یافته متوقف شود.
او همچنین پذیرفت که شیوه اطلاع‌رسانی و ارائه نتایج می‌تواند بهتر شود. این نکته اهمیت دارد؛ زیرا بخش قابل‌توجهی از انتقادهای جامعه علمی نه به اصل استفاده از هوش مصنوعی در پژوهش، بلکه به نحوه انتشار، مستندسازی و امکان ارزیابی مستقل دستاوردها مربوط می‌شود.
چرا ریاضی‌دانان از شیوه انتشار نتایج OpenAI انتقاد می‌کنند؟
انتشار اثبات‌های ریاضی با استفاده از هوش مصنوعی، به‌خودی‌خود اتفاقی مهم در مسیر توسعه ابزارهای پژوهشی محسوب می‌شود. با این حال، یک نتیجه ریاضی زمانی می‌تواند در جامعه علمی پذیرفته شود که مسیر استدلال آن روشن، قابل بررسی و قابل بازتولید باشد. صرف اعلام اینکه یک مدل مسئله‌ای دشوار را حل کرده است، برای تأیید علمی آن کافی نیست.
برخی ریاضی‌دانان در واکنش به فعالیت‌های OpenAI، به چند مشکل اصلی اشاره کرده‌اند: ارجاع‌دهی ناکافی به پژوهش‌های پیشین، نبود توضیحات و پیش‌زمینه لازم، مستندات محدود و دشواری راستی‌آزمایی برخی اثبات‌ها. از نگاه این منتقدان، وقتی نتایج متعدد و با سرعت بالا منتشر می‌شوند، پژوهشگران باید زمان زیادی صرف کنند تا مشخص شود هر ادعا دقیقاً چه معنایی دارد و آیا استدلال ارائه‌شده معتبر است یا خیر.
این مسئله به‌ویژه زمانی پیچیده‌تر می‌شود که خروجی مدل به شکل گزارش‌های کوتاه یا توضیحات مبهم منتشر شده باشد. در چنین شرایطی، جامعه علمی نمی‌تواند صرفاً به خلاصه یک نتیجه اتکا کند و برای بررسی آن به جزئیات روش، فرضیه‌ها، مراحل استدلال و ارتباط آن با دانش قبلی نیاز دارد.
بر اساس گزارش منتشرشده، OpenAI در ماه مورد اشاره صدها اثبات و نتیجه ریاضی ارائه کرده است؛ اما بخش زیادی از این موارد به دلیل کوتاهی گزارش‌ها و ابهام در توضیحات، بررسی و ارزیابی آن‌ها را دشوار کرده‌اند. بنابراین، مسئله اصلی فقط تعداد نتایج نیست، بلکه کیفیت مستندسازی و امکان بررسی مستقل آن‌ها نیز اهمیت دارد.
OpenAI دستاوردهای ریاضی بیشتری را منتشر خواهد کرد
یکی از نکات مهم گفت‌وگوی آلتمن، تأیید وجود نتایج دیگری است که هنوز به‌صورت عمومی منتشر نشده‌اند. وقتی از او پرسیده شد آیا OpenAI فراتر از صدها اثبات اخیر، یافته‌های ریاضی بیشتری در اختیار دارد، پاسخ او مثبت بود و تأکید کرد که شرکت قطعاً نتایج دیگری نیز دارد.
این اظهارنظر نشان میدهد فعالیت‌های پژوهشی OpenAI در حوزه ریاضیات به مجموعه نتایج منتشرشده محدود نیست. با این حال، آلتمن در این گفت‌وگو جزئیات مشخصی درباره زمان انتشار، تعداد دقیق یافته‌های بعدی یا موضوعات علمی آن‌ها ارائه نکرد.
در نتیجه، می‌توان گفت شرکت قصد ادامه این مسیر را دارد، اما هنوز روشن نیست نتایج آینده با چه سازوکار و چه سطحی از مستندات در اختیار جامعه علمی قرار خواهند گرفت. این موضوع احتمالاً یکی از محورهای اصلی بحث میان OpenAI و پژوهشگران در ادامه خواهد بود.
کانال «Hold My Beer»؛ آزمایش توانایی مدل‌ها در حل مسائل دشوار
آلتمن در بخش دیگری از گفت‌وگو به رویکرد داخلی OpenAI برای آزمایش توانایی مدل‌های هوش مصنوعی اشاره کرد. به گفته او، در پیام‌رسان داخلی شرکت کانالی با نام «Hold My Beer» ایجاد شده بود تا دشوارترین مسائل علمی و ریاضی در اختیار مدل‌ها قرار بگیرند و توانایی آن‌ها در حل این چالش‌ها سنجیده شود.
او توضیح داد که تمرکز شرکت بر حل مسائل ریاضی برای مدتی از کنترل خارج شده بود؛ با این حال، این فعالیت را تلاشی عمدی برای آزمایش مرزهای توانایی مدل‌ها می‌داند. چنین رویکردی نشان میدهد OpenAI از مسائل دشوار علمی نه‌فقط به‌عنوان موضوعات پژوهشی، بلکه به‌عنوان معیاری برای سنجش ظرفیت استدلال و حل مسئله سیستم‌های خود استفاده می‌کند.
در این روش، مسائل پیچیده می‌توانند به آزمون‌هایی برای بررسی توانایی مدل‌ها در تحلیل ساختارهای ریاضی، دنبال‌کردن استدلال‌های چندمرحله‌ای و رسیدن به نتایجی تبدیل شوند که بررسی آن‌ها برای انسان زمان‌بر است. البته حل یک مسئله در محیط آزمایشی همچنان باید از نظر صحت ریاضی و اعتبار روش اثبات بررسی شود.
هزینه صدها میلیون دلاری OpenAI برای حل مسائل ریاضی
یکی دیگر از بخش‌های قابل‌توجه اظهارات آلتمن، اشاره به هزینه بالای این فعالیت‌های پژوهشی بود. او برآورد کرده است که OpenAI صدها میلیون دلار برای تلاش در جهت حل مسائل پیچیده ریاضی هزینه کرده است. به گفته او، بیش از ۱۰ میلیون دلار نیز تنها به حل معادلات ناویه-استوکس اختصاص یافته است.
معادلات ناویه-استوکس از مباحث بنیادی ریاضیات کاربردی و مکانیک سیالات هستند و برای توصیف حرکت سیالاتی مانند آب و هوا به کار می‌روند. برخی پرسش‌های نظری مرتبط با این معادلات، از مسائل دشوار و شناخته‌شده ریاضیات محسوب می‌شوند. اختصاص چنین بودجه‌ای برای کار روی این حوزه، مقیاس سرمایه‌گذاری شرکت‌های هوش مصنوعی در پژوهش‌های بنیادی را نشان میدهد.
این سطح از هزینه‌کرد در عین حال پرسش‌هایی درباره آینده تأمین مالی پژوهش‌های علمی ایجاد می‌کند. زمانی که شرکت‌های بزرگ فناوری منابع مالی قابل‌توجهی را به حل مسائل بنیادی اختصاص می‌دهند، ممکن است توازن سرمایه‌گذاری میان آزمایشگاه‌های خصوصی و مراکز دانشگاهی تغییر کند.
برخی پژوهشگران نگران‌اند که تمرکز منابع مالی و محاسباتی در شرکت‌های بزرگ هوش مصنوعی، دسترسی گروه‌های دانشگاهی و پژوهشگران مستقل به امکانات موردنیاز را دشوارتر کند. با این حال، میزان تحقق چنین نگرانی‌ای به نحوه توزیع منابع، سیاست‌های همکاری علمی و دسترسی عمومی به ابزارها و نتایج بستگی دارد.
انتشار یا محرمانه‌ماندن کشفیات؛ تناقض در رویکرد OpenAI؟
در کنار تأکید آلتمن بر ضرورت انتشار دانش علمی، تصمیم‌های OpenAI درباره برخی دستاوردهای مهم نیز مورد انتقاد قرار گرفته است. منتقدان به سه دستاورد بزرگ در حوزه‌های ریاضیات، فیزیک و علوم کامپیوتر اشاره می‌کنند که جزئیات یکی از آن‌ها، مرتبط با نظریه یانگ-میلز، به‌صورت عمومی منتشر نشده است.
نظریه یانگ-میلز از چارچوب‌های بنیادی در فیزیک نظری و توصیف برهم‌کنش‌های ذرات به شمار می‌رود. به همین دلیل، انتشار یا محرمانه‌ماندن نتایج مرتبط با آن می‌تواند برای جامعه علمی اهمیت زیادی داشته باشد.
مسئولان OpenAI گفته‌اند تصمیم به منتشرنکردن جزئیات این دستاورد با پیشنهاد گروهی از کارشناسان منتخب و با هدف آماده‌سازی و ارائه بهتر اطلاعات اتخاذ شده است. با این حال، منتقدان به تفاوت این تصمیم با توصیه‌های گروهی از ریاضی‌دانانی اشاره می‌کنند که پیش‌تر با شرکت مشورت کرده بودند.
این اختلاف دیدگاه، پرسشی مهم درباره نحوه مدیریت دستاوردهای علمی شرکت‌های هوش مصنوعی مطرح می‌کند: چه زمانی انتشار سریع یک نتیجه به نفع پیشرفت علم است و چه زمانی لازم است برای تکمیل مستندات، بررسی مستقل و آماده‌سازی دقیق‌تر اطلاعات، انتشار آن به تعویق بیفتد؟ پاسخ به این پرسش به ماهیت کشف، میزان اطمینان از صحت آن و پیامدهای انتشار وابسته است.
چالش بعدی هوش مصنوعی؛ اثبات علمی در کنار سرعت کشف
اظهارات آلتمن نشان میدهد OpenAI می‌خواهد انتشار دستاوردهای علمی تولیدشده با هوش مصنوعی را ادامه دهد و معتقد است دسترسی به دانش بنیادی نباید به دلیل دشواری ارزیابی متوقف شود. در مقابل، انتقادهای ریاضی‌دانان یادآوری می‌کند که ارزش یک کشف علمی تنها به سرعت یا پیچیدگی مسئله حل‌شده وابسته نیست؛ بلکه شفافیت روش، قابلیت بازبینی و امکان تأیید مستقل نیز بخش جدایی‌ناپذیر اعتبار علمی آن هستند.
اگر مدل‌های هوش مصنوعی بتوانند با سرعتی بسیار بیشتر از ظرفیت بررسی جامعه علمی، نتایج تازه تولید کنند، فاصله میان تولید دانش و اعتبارسنجی آن ممکن است افزایش یابد. در چنین شرایطی، شرکت‌های توسعه‌دهنده باید علاوه بر توانایی مدل‌ها، به کیفیت گزارش‌های علمی، ارائه مستندات کامل و همکاری با پژوهشگران مستقل نیز توجه کنند.
جمع‌بندی
سم آلتمن تأکید کرده است که OpenAI انتشار یافته‌های ریاضی تولیدشده با هوش مصنوعی را متوقف نخواهد کرد و نتایج بیشتری نیز در راه هستند. او ضمن پذیرش دشواری کار ریاضی‌دانان در بررسی این دستاوردها، انتشار دانش بنیادی را ضرورتی مهم برای بشریت می‌داند. اشاره به صدها میلیون دلار سرمایه‌گذاری در حل مسائل پیچیده و آزمایش مدل‌ها در پروژه‌هایی مانند کانال «Hold My Beer» نیز ابعاد این فعالیت‌ها را نشان میدهد.
با این حال، چالش اصلی پیش روی OpenAI فقط تولید اثبات‌های بیشتر نیست؛ بلکه باید راهی پیدا کند تا این نتایج با مستندات کافی، ارجاع‌دهی دقیق و امکان راستی‌آزمایی مستقل منتشر شوند. آینده همکاری هوش مصنوعی و جامعه علمی تا حد زیادی به توانایی شرکت‌ها در ایجاد تعادل میان سرعت کشف و استانداردهای اعتبارسنجی علمی وابسته خواهد بود. برای دنبال‌کردن تازه‌ترین خبرها و تحلیل‌های هوش مصنوعی و فناوری، به دیجیتال مارکتینگ ایران مراجعه کنید.
“`
