Blog

«ریاضیات عوض شده، بیایید قبولش کنیم»: پاسخ یک ریاضی‌دان برجسته به ۷۰۰ مقاله‌ی OpenAI در وبلاگ ترنس تائو

فرانک کالگاری، ریاضی‌دان دانشگاه شیکاگو، در وبلاگ ترنس تائو می‌گوید انتشار بیش از ۷۰۰ مقاله‌ی ریاضی OpenAI نقطه‌ی عطف بود و پیشنهاد می‌کند هر مقاله را «انگار با AI نوشته شده» ارزیابی کنیم، استخدام را حضوری‌تر کنیم و از ژورنال‌ها بیشتر بخواهیم.

2 Nov 2026 · 4 min read · AI · Mathematics · OpenAI · Terence Tao · Research · Lean · Academia · LLM

«ریاضیات عوض شده، بیایید قبولش کنیم»: پاسخ یک ریاضی‌دان برجسته به ۷۰۰ مقاله‌ی OpenAI در وبلاگ ترنس تائو

یک ماه پیش، OpenAI بیش از ۷۰۰ مقاله‌ی پژوهشی ریاضی را یک‌جا منتشر کرد؛ کاری که حالا خیلی‌ها آن را نقطه‌ی عطف تاریخ ریاضیات می‌دانند. از آن روز، دنیای ریاضی دو دسته شده: آن‌هایی که حس می‌کنند رشته‌شان «تو خالی» شده، و آن‌هایی که می‌گویند بازی تازه شروع شده. حالا فرانک کالگاری، نظریه‌اعدادی‌دان دانشگاه شیکاگو، در یک پست مهمان در وبلاگ ترنس تائو (شاید مشهورترین ریاضی‌دان زنده) با عنوان «ریاضیات عوض شده، بیایید مثل آن رفتار کنیم» جواب داده؛ پستی که با صدها امتیاز و کامنت از داغ‌ترین بحث‌های Hacker News شده.

هوگو دومینیل-کوپن در ویدیوی Numberphile درباره‌ی پایان کوهنوردی ریاضی
هوگو دومینیل-کوپن، برنده‌ی مدال فیلدز، در ویدیوی «پایان کوهنوردی ریاضی»؛ او گفته بود همه‌ی مسئله‌های بازی که در طول کارش نام برده، در فهرست OpenAI ادعای اثبات دارند (منبع: Numberphile / YouTube)

چرا بعضی ریاضی‌دان‌ها ناراحت‌اند؟

کالگاری انتقاد را رد نمی‌کند: به گفته‌ی او مقاله‌های OpenAI با وجود ایده‌های فوق‌العاده، «افتضاح نوشته شده‌اند»، ارجاع‌دهی را رعایت نکرده‌اند و بعضی‌شان حتی غلط‌اند. اما می‌گوید ما کنترلی روی رفتار شرکت‌های تریلیون‌دلاری نداریم؛ چیزی که دست خودمان است، استخدام، داوری مقاله‌ها و آموزش دانشجوهاست.

او ماجرا را با طبقه‌بندی گروه‌های ساده‌ی متناهی در دهه‌ی ۷۰ و ۸۰ مقایسه می‌کند: پروژه‌ای عظیم که موفق شد، اما با حل شدن «مسئله‌ی مشهور»، علاقه به آن حوزه سرد شد. حالا حس بعضی رشته‌ها این است که کل آن طبقه‌بندی را یک‌شبه، چاپ‌شده و درهم، روی کف اتاقشان ریخته‌اند. حرف کالگاری: حل شدن مسئله‌های مرکزی پایان رشته نیست؛ مثل این است که بگوییم کشف جدول تناوبی، شیمی را «تمام کرد».

جان کانوی در ویدیوی Numberphile درباره‌ی گروه هیولا
کالگاری به سؤال محبوب جان کانوی اشاره می‌کند: «چرا گروه هیولا (Monster) وجود دارد؟»؛ نمونه‌ای از سؤال‌های عمیقی که بعد از حل شدن مسئله‌ی بزرگ هم باقی ماندند (منبع: Numberphile / YouTube)

پیشنهادهای عملی کالگاری

  • هر مقاله را انگار با AI نوشته شده ارزیابی کنید. نتیجه‌ای که ماشین می‌تواند تولید کند، دیگر به‌تنهایی ارزش ندارد؛ نویسنده باید توضیح دهد چرا ریاضیاتش جالب است و چه سؤال‌های تازه‌ای باز می‌کند.
  • استخدام حضوری‌تر. به‌جای شمردن مقاله در Annals و JAMS، با پست‌داک‌ها و حتی دانشجوهای دکتری مصاحبه‌ی رودررو کنید.
  • از ژورنال‌ها بیشتر بخواهید و اگر عوض نشدند، کنارشان بگذارید. به نظر او بخش بزرگی از مقاله‌های arXiv اصلاً نباید جایی چاپ شوند؛ مقاله‌ی کمتر و بهتر، ترجیحاً با اثبات تأییدشده در Lean.
  • آموزش گسترده‌تر. دانشجو باید نمای وسیعی از ریاضیات داشته باشد، نه فقط یک مهارت فنی باریک؛ ولی آموزش ریاضی عمیق بدون AI هم لازم است، همان‌طور که با وجود کامپیوتر هنوز به بچه‌ها حساب یاد می‌دهیم.
  • سمینارهای بهتر که درباره‌ی سؤال‌های بزرگ و جاهایی که گیر کرده‌ایم حرف بزنند، نه یک تغییر کوچک در یک روش قدیمی.
  • مالکیت نتایج. آنچه از ماشین بیرون آمده روی هزاران سال تلاش ریاضی بشر ساخته شده؛ اعتبارش را به نام بشریت بگیرید، نه به نام یک غول سیلیکون‌ولی.
فرانک نلسون کول، ریاضی‌دان آمریکایی
فرانک نلسون کول سه سال یکشنبه‌هایش را صرف تجزیه‌ی عدد ۲ به توان ۶۷ منهای ۱ کرد؛ کالگاری می‌گوید این کار در ۱۹۰۳ یک دستاورد بود، اما امروز کامپیوتر آن را در کسری از ثانیه انجام می‌دهد (منبع: Wikimedia Commons)

او بخش «حقیقت تلخ» را هم دارد: با وجود همه‌ی حرف‌ها درباره‌ی «فهم»، یک نگاه به arXiv نشان می‌دهد خیلی‌ها با عجله مقاله‌های AI-محور بیرون می‌دهند تا «اولین» باشند. جمله‌ی جسورانه‌اش: «اگر به‌عنوان یک ریاضی‌دان ارشد نگران‌اید که AI از شما جلو بزند، یعنی به اندازه‌ی کافی بلندپرواز نیستید.»

ترنس تائو
ترنس تائو، که این پست مهمان در وبلاگش منتشر شده و این روزها مجموعه‌ای از نوشته‌ها درباره‌ی ریاضیات در عصر AI را میزبانی می‌کند (منبع: Wikimedia Commons)

نظر من

به نظرم این پست فقط درباره‌ی ریاضی نیست؛ دقیقاً همان بحثی است که ما برنامه‌نویس‌ها هر روز داریم. وقتی تولید «خروجی» (اثبات، کد، مقاله) تقریباً مجانی می‌شود، ارزش واقعی می‌رود سمت انتخاب مسئله‌ی درست، فهمیدن عمیق نتیجه و توضیح دادنش برای بقیه. پیشنهاد «هر کاری را انگار با AI انجام شده ارزیابی کن» را می‌شود عیناً برای مصاحبه‌ی برنامه‌نویس‌ها و ریویوی کد هم به کار برد.

چیزی که بیشتر از همه دوستش داشتم لحن کالگاری است: نه انکار، نه ترس، بلکه پذیرش این‌که بخشی از فرهنگ قدیمی از بین می‌رود و همزمان هیجان برای چیزی که می‌شود ساخت. البته این را هم نباید فراموش کرد که خودش می‌گوید بعضی از آن ۷۰۰ مقاله غلط‌اند؛ پس نقش آدم‌ها برای سنجیدن و فهمیدن، کم‌رنگ نشده، فقط عوض شده.

منبع: Mathematics has changed. Let’s act like it – وبلاگ ترنس تائو (نوشته‌ی فرانک کالگاری) | ویدیوی Numberphile | بحث در Hacker News

Comments0

Comments +

00

No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.

Leave a comment

0 / 2000