الإنجاز الرياضي لـ OpenAI: كيف يمكن للذكاء الاصطناعي أن يغير مجالات العلوم والمالية والأمن السيبراني

نشرت OpenAI مئات الأبحاث الرياضية التي أنتجها نموذج الذكاء الاصطناعي الداخلي الخاص بها. ولا يتعلق الأمر هنا بحل المعادلات المعتاد أو مساعدة الطلاب في واجباتهم المنزلية، بل يتعلق بنتائج في مجالات رياضية معقدة، حيث يعمل الباحثون منذ سنوات على حل مشكلات لم تُحل بعد. 

وبالنسبة لصناعة التكنولوجيا، فإن هذا الأمر يتجاوز مجرد عرض قدرات نموذج آخر. فإذا تمكن الذكاء الاصطناعي من تسريع الاكتشافات العلمية بشكل منهجي، فقد يؤدي ذلك إلى تغيير اقتصادات قطاعات الأدوية وعلم المواد والهندسة والأمن السيبراني. 

في الوقت نفسه، لا تعني النجاحات الرياضية بعد أن الذكاء الاصطناعي قادر بالفعل على اختراق التشفير المصرفي أو أنظمة العملات المشفرة. لفهم الأهمية الحقيقية لهذا الحدث، يجب التمييز بين ما أظهره النموذج فعليًّا والتوقعات المتعلقة بإمكانياته المستقبلية.

تستعرض UA.News النتائج الرياضية التي تمكن نموذج OpenAI من تحقيقها، وأسباب الجدل الدائر بين العلماء حول مصداقية اكتشافاته وقيمتها العملية، وكيف يمكن لتطور الذكاء الاصطناعي الرياضي أن يؤثر على الاقتصاد العالمي والأنظمة المالية وأمن التكنولوجيا الرقمية. 

ما الذي فعلته نموذج OpenAI بالضبط

نشرت OpenAI نتائج تجربة قام خلالها نموذج الذكاء الاصطناعي الداخلي التابع لها بحل مسائل رياضية معقدة. وحاول النموذج اكتشاف نظريات رياضية جديدة، وبناء البراهين، وتطوير الأفكار التي قد تكون مفيدة للبحوث العلمية المستقبلية. وفي الوقت نفسه، لم تفتح OpenAI هذا النموذج للاستخدام على نطاق واسع حتى الآن.

ووفقًا لبيانات الشركة، تضمنت المجموعة الأولية من النتائج 722 مخطوطة رياضية، تم تجميعها في 372 مجموعة موضوعية. وشملت هذه المخطوطات نظرية الأعداد، والهندسة، والجبر، والتحليل الرياضي، وعلم الحاسوب النظري. بشكل عام، عالجت النموذج حوالي 4000 مسألة بحثية، لكن لم يتم نشر جميع النتائج، بل فقط الأعمال التي اختارتها الشركة واعتبرتها ذات أهمية كافية.

وأثناء المراجعة اللاحقة، تبين أن جزءًا من المواد يحتاج إلى تصحيح. فقامت OpenAI بسحب ثلاث مخطوطات وإعادة فحص 14 مخطوطة أخرى. يُظهر هذا الحادث إحدى المشكلات الرئيسية لتطبيق الذكاء الاصطناعي في العلوم: يمكن للنموذج توليد استدلالات رياضية معقدة، لكن لا يزال من الضروري التحقق من صحتها. فمجرد إنتاج عدد كبير من الأبحاث لا يعني بالضرورة أن كل واحدة منها تحتوي على نتيجة رياضية مثبتة.

أصبحت فرضية ريمان أحد أبرز مجالات البحث — وهي إحدى أشهر المشكلات الرياضية التي لم تُحل بعد. وترتبط هذه الفرضية بتوزيع الأعداد الأولية وسلوك أصفار دالة زيتا لريمان. أفادت OpenAI في بياناتها أن النموذج أحرز تقدمًا في دراسة مسألة رياضية ذات صلة، لكنه لم يثبت صحة فرضية ريمان الكلاسيكية.

لا تزال فرضية ريمان الكلاسيكية دون حل حتى الآن، وهي مدرجة ضمن قائمة «مشاكل الألفية» السبع. وقد رصد معهد كلاي للبحوث الرياضية جائزة قدرها مليون دولار لحل كل واحدة منها. 

ومن المهم أيضًا كيفية عمل النموذج على مثل هذه المسائل. ففي الأبحاث الرياضية المعقدة، لا يكفي الحصول على الإجابة الصحيحة: بل يجب توضيح سبب صحتها، وتبرير كل خطوة مهمة، وإثبات أن الاستنتاج ينبثق فعليًّا من الشروط الأولية. حاول نموذج OpenAI بناء سلاسل الاستدلال هذه، وإيجاد الادعاءات الوسيطة، وتطويرها لتصبح براهين رياضية كاملة. وهذا يختلف عن استخدام الذكاء الاصطناعي لشرح نظرية معروفة بالفعل أو حل مسألة نموذجية باستخدام خوارزمية جاهزة.

ولكي يتمكن الباحثون الآخرون من تقييم النتائج، نشرت OpenAI المواد على GitHub. وهذا يتيح للباحثين فرصة دراسة المخطوطات، وتحليل البراهين المقترحة، واكتشاف الأخطاء، والتحقق من مدى حداثة الاستنتاجات التي تم التوصل إليها. كما قدمت الشركة، بالنسبة لجزء من الأعمال، صياغات بلغة Lean — وهي لغة ونظام خاصان للإثباتات الرياضية.

تتيح لغة Lean التحقق مما إذا كان البرهان الرسمي يتوافق مع القواعد الرياضية المعمول بها. فإذا عثرت المنظومة على خطأ منطقي في البرهان المسجل، فإنها قادرة على الكشف عنه. 

وبهذه الطريقة، أظهرت OpenAI ليس فقط قدرة الذكاء الاصطناعي على حل مهام فردية، بل إمكانية استخدامه كأداة للبحث عن نتائج رياضية جديدة. وفي الوقت نفسه، لا يلغي هذا التجريب الحاجة إلى الخبرة البشرية: فلا يزال يتعين على العلماء تقييم الأبحاث المنشورة، والتحقق من موثوقيتها، وتحديد أي منها يوسع بالفعل حدود المعرفة الرياضية.

لماذا كانت ردود فعل المجتمع الرياضي متباينة

بالنسبة لجزء من علماء الرياضيات، شكل عدد ونطاق الأبحاث المنشورة دليلاً على أن الذكاء الاصطناعي يتقدم بوتيرة أسرع بكثير مما توقعه حتى المتخصصون. أما بالنسبة للآخرين، فلم يكن السؤال الرئيسي هو ما إذا كان النموذج قادرًا على تقديم برهان، بل ما إذا كان البشر قادرين على فهمه والتحقق منه واستخدامه في أبحاث لاحقة.

صرح إريك فان إيرب، أستاذ الرياضيات في كلية دارتموت، والذي تتقاطع اهتماماته العلمية مع جزء من الأبحاث المنشورة، بأن OpenAI تتقدم بوتيرة أسرع بكثير مما كان يتوقع. وفي الوقت نفسه، شدد على أن قيمة البحث في الرياضيات البحتة لا تكمن فقط في الإجابة عن المسألة، بل أيضًا في ما يتعلمه الباحثون خلال عملية حلها.

وهذا أحد التناقضات الرئيسية المحيطة بالذكاء الاصطناعي في مجال الرياضيات. فإذا قدم النظام النتيجة الصحيحة، لكن لم يتمكن العلماء من فهم منطق البرهان بسرعة أو رؤية كيفية تطبيقه في مسائل أخرى، فإن هذا الاكتشاف لا يتحول بالضرورة إلى أداة جديدة للعلم.

وقد أثار عالم الرياضيات الشهير تيرينس تاو مشكلة مماثلة، حيث انتقد النهج الذي يحصل فيه الناس على نتائج عمل الأنظمة المستقلة، ولكنهم لا يفهمونها دائمًا بالقدر الكافي لشرحها لزملائهم، أو الإجابة عن الأسئلة، أو بناء أبحاث لاحقة عليها.

وتتعلق الانتقادات أيضًا بالطريقة التي نشرت بها OpenAI المواد. فلم تكن سوى جزء من المخطوطات مصحوبة بأدلة رسمية يمكن التحقق منها بواسطة الكمبيوتر، ولم تكن التفسيرات التفصيلية لعملية استدلال النموذج متاحة إلا لعدد محدود من النتائج. لذلك سيتعين على الباحثين إنفاق موارد كبيرة لتحديد أي من الاستنتاجات المنشورة يمكن أن تصمد أمام التدقيق المستقل.

ومن الجدير بالذكر أن الشركة لم تكتفِ بنشر الأوراق البحثية فحسب، بل أعلنت أيضًا عن تبرع بقيمة 5 ملايين دولار لمبادرة جديدة تابعة لمؤسسة سيمونز (Simons Foundation). ومن المفترض أن تساعد هذه الأموال علماء الرياضيات على دراسة نتائج الذكاء الاصطناعي، وعقد المؤتمرات، وتطوير برامج علمية جديدة. وهذا في الواقع اعتراف بأن توليد نتيجة رياضية ليس سوى جزء من العمل: فمن الضروري فهمها والتحقق منها ودمجها في المعرفة الموجودة.

كيف يمكن للذكاء الاصطناعي أن يغير اقتصاد الاكتشافات العلمية

التأثير الرئيسي المحتمل لهذه الأنظمة هو تقليص الوقت بين طرح المشكلة العلمية والحصول على النتيجة. اليوم، قد تتطلب الأبحاث الأساسية سنوات من العمل من قبل علماء ذوي كفاءة عالية، وتمويلًا من الجامعات، وموارد حاسوبية، وفرقًا من المتخصصين. وإذا تمكن الذكاء الاصطناعي من تولي جزء كبير من عملية البحث عن الفرضيات، والتحقق من النتائج المرحلية، وبناء البراهين، فستتمكن فرق البحث من اختبار المزيد من الأفكار في نفس الوقت.

وهذا له أهمية اقتصادية محتملة تتجاوز حدود الرياضيات بكثير. تُستخدم الأساليب الرياضية الأساسية في الفيزياء، وتطوير المواد، ونمذجة التفاعلات الكيميائية، والتعلم الآلي، وتحسين اللوجستيات، والنمذجة المالية. وإذا تعلم الذكاء الاصطناعي كيفية اكتشاف أنماط جديدة ونقلها بين التخصصات، فسيكون بإمكانه تسريع عمل قطاعات بأكملها.

وهذه العملية تحدث بالفعل في مجال البرمجة. تساعد أدوات الذكاء الاصطناعي المطورين على كتابة الأكواد، واكتشاف الأخطاء، وإنشاء منتجات برمجية أكثر تعقيدًا. ومع ذلك، هذا لا يعني أن المتخصصين البشريين أصبحوا غير ضروريين: فقد زاد عدد المهام التي يمكن تنفيذها، لكن مراقبة الجودة، والهندسة، والمسؤولية تظل أمورًا مهمة.

قد يحدث تحول مماثل في الرياضيات. فالذكاء الاصطناعي قادر على استعراض الخيارات، واقتراح الافتراضات المساعدة، واكتشاف الروابط غير الواضحة. أما الإنسان فسيحدد المشكلات التي تستحق الحل، وما إذا كان النتيجة مهمة حقًا، وكيفية استخدامها في أبحاث أخرى.

ومع ذلك، فإن أتمتة العلم لن تجعله بالضرورة أرخص للجميع. تتطلب أقوى النماذج موارد حاسوبية هائلة، ويعتمد تطويرها على الوصول إلى الرقائق باهظة الثمن ومراكز البيانات والطاقة الكهربائية. ولذلك، قد تحظى الشركات القادرة على تمويل العمليات الحسابية واسعة النطاق واستقطاب أفضل المتخصصين بميزة تنافسية.

وهناك خطر تركيز القدرات العلمية في أيدي عدد قليل من الشركات التكنولوجية. وإذا ظلت أفضل النماذج مغلقة، فقد تجد الجامعات ومراكز الأبحاث الصغيرة نفسها في حالة تبعية للمنصات الخاصة. فهي ستحصل على النتائج، لكنها لن تتمكن دائمًا من إعادة إنتاج عملية البحث بأكملها بنفسها.

وهذه المسألة لم تعد تتعلق بالتكنولوجيا فحسب، بل باقتصاد العلم أيضًا: من سيتحكم في أدوات الاكتشافات، ومن ستعود إليه النتائج، وكيف سيتم توزيع الفوائد الناتجة عن استخدامها.

هل يهدد الذكاء الاصطناعي الرياضي العملات المشفرة والبنوك حقًا؟

تتعلق إحدى أكثر آفاق تطور الذكاء الاصطناعي الرياضي التي يتم مناقشتها بالتشفير — وهي التكنولوجيا التي تحمي المعاملات المصرفية والتوقيعات الرقمية والرسائل الشخصية ومحافظ العملات المشفرة.

تعتمد التشفير الحديثة على مسائل رياضية يُعتبر حلها بالوسائل الحاسوبية المتاحة أمراً بالغ الصعوبة. وعلى وجه الخصوص، تستخدم أنظمة المفتاح المفتوح خصائص معينة للأعداد والهياكل الرياضية، والتي بفضلها يصبح إنشاء التوقيع الرقمي أو تشفير البيانات أمرًا سهلاً، في حين أن استعادة المفتاح السري دون المعلومات المناسبة — أمر مستحيل عمليًا في الظروف الواقعية.

وإذا تعلم الذكاء الاصطناعي كيفية اكتشاف أساليب رياضية جديدة، فسيكون بإمكانه مساعدة الباحثين في البحث عن نقاط الضعف في خوارزميات التشفير. لكن من المهم التمييز بين عدة احتمالات مختلفة: إثبات النظرية، والبحث عن ثغرة أمنية في تطبيق برمجي محدد، واختراق الحماية التشفيرية عمليًّا — كلها مهام مختلفة.

النتائج الرياضية التي نشرتها OpenAI لا تثبت في حد ذاتها اختراق بيتكوين أو إيثريوم أو الأنظمة المصرفية. ولا يوجد ما يدعو إلى القول بأن الأبحاث المنشورة تتيح استعادة المفاتيح الخاصة للمستخدمين أو التحايل على آليات التشفير الحديثة.

ومع ذلك، فإن التأثير المحتمل للذكاء الاصطناعي على الأمن السيبراني أوسع بكثير من مجرد العملات المشفرة. يمكن أن تساعد هذه النماذج في فحص الكود البرمجي، واكتشاف الأخطاء في تنفيذ البروتوكولات، وأتمتة تدقيق الأنظمة، ودراسة خصائص الخوارزميات. ويمكن لكل من المدافعين عن الأمن والمهاجمين استخدام هذه الأدوات نفسها.

وبالنسبة للقطاع المالي، يعني ذلك ضرورة تقييم ليس فقط موثوقية الخوارزميات نفسها، بل أيضًا أمان البرمجيات وأنظمة إدارة المفاتيح والبنية التحتية للمدفوعات الرقمية. سيتعين على البنوك وشركات التكنولوجيا متابعة تطور عمليات البحث الآلي عن نقاط الضعف والاستعداد لحالة يمكن فيها إجراء عمليات التدقيق المعقدة بسرعة أكبر بكثير.

ويبقى تطور الحواسيب الكمومية عاملاً منفصلاً. فمن الناحية النظرية، يمكن لجهاز كمومي قوي بما يكفي اختراق جزء من أنظمة التشفير الشائعة، لكن هذا يمثل تهديداً تقنياً منفصلاً. الذكاء الاصطناعي ليس حاسوبًا كموميًا، كما أن النجاحات الرياضية للنماذج لا تعني الظهور التلقائي لمثل هذا المورد الحاسوبي. وفي الوقت نفسه، يمكن لأتمتة الأبحاث الرياضية أن تساعد المتخصصين في اكتشاف هجمات جديدة وتطوير وسائل حماية أكثر موثوقية.

لماذا تتنافس الشركات على الذكاء الاصطناعي العلمي

أصبح المجال الرياضي مجالًا آخر للمنافسة بين مطوري النماذج المتطورة. فبينما كان التركيز في السابق ينصب على كتابة النصوص والبرمجة ومعالجة المعلومات، أصبحت الآن قدرة الأنظمة على التخطيط للبحوث بشكل مستقل، والتعامل مع سلاسل الاستدلال الطويلة، والتحقق من نتائجها الخاصة، أمراً يزداد أهميةً يوماً بعد يوم.

وبالنسبة لـ OpenAI، فإن هذا يمثل أيضًا وسيلة لإثبات قيمة النماذج التي لا تزال غير متاحة للجمهور العريض. وتُظهر الشركة أن أنظمتها يمكن أن تكون مفيدة ليس فقط كمساعدين في المهام اليومية، بل كأدوات للعمل العلمي الاحترافي.

وعلى المدى البعيد، قد تصبح هذه الإمكانيات سوقًا تجاريًا مستقلاً بذاته. فالشركات الصيدلانية، ومصنعو المواد، والمؤسسات المالية، والشركات الهندسية، جميعها مهتمة بأنظمة قادرة على تقصير مدة الأبحاث والتوصل إلى حلول واعدة بشكل أسرع. وحتى لو كان الوصول إلى أقوى النماذج مكلفًا، فإنه قد يعود بمردود مالي بفضل تسريع تطوير المنتجات أو خفض تكاليف الأبحاث.

وفي الوقت نفسه، لا يُعد حجم المواد المُنتجة بحد ذاته مؤشراً على القيمة التجارية. فلتحويل النتيجة الرياضية إلى تقنية عملية، غالباً ما يتطلب الأمر إجراء تجارب إضافية، وأعمالاً هندسية، واختباراً في ظروف واقعية. لذلك، فإن أكبر الفوائد لن تذهب بالضرورة إلى الشركات التي تنتج أكبر عدد من النظريات، بل إلى تلك التي ستتمكن من تحويل نتائج النماذج إلى حلول مجربة.

ماذا يعني ذلك لمستقبل العلم

أظهرت دراسة OpenAI أن إمكانيات الذكاء الاصطناعي تمتد إلى مجالات كانت تُعتبر حتى وقت قريب من أصعب المجالات التي يمكن أتمتتها. ومع ذلك، فقد أظهر الإصدار الواسع النطاق للمخطوطات الرياضية أيضًا مدى أهمية التحقق المستقل، ووضوح البراهين، والمسؤولية عن الاستنتاجات العلمية.

في المستقبل القريب، لن يكون الاختبار الرئيسي هو عدد الادعاءات الجديدة التي يمكن للنموذج صياغتها، بل عدد تلك الادعاءات التي سيتمكن العلماء من تأكيدها وتفسيرها واستخدامها لتطوير المعرفة في المستقبل. وهذه العملية بالذات هي التي ستحدد ما إذا كان الذكاء الاصطناعي الرياضي سيتحول إلى أداة كاملة الأهلية للبحوث الأساسية.

وبالنسبة للشركات والدول، فإن هذا يفتح في الوقت نفسه آفاقًا جديدة ويخلق مخاطر. فقد تؤدي الاكتشافات العلمية الأسرع إلى تسريع تطور الطب والهندسة وتكنولوجيا الحوسبة، لكنها ستتطلب أيضًا اتباع نُهج جديدة لحماية البيانات وفحص البرمجيات وتوزيع الوصول إلى النماذج المتطورة.

لم يحل الذكاء الاصطناعي محل الرياضيين بعد، ولم يجعل التشفير الحديث عديم الفائدة. ومع ذلك، فهو يغير بالفعل نطاق وسرعة العمل البحثي. وستعتمد المرحلة التالية من هذا التحول على مدى قدرة المؤسسات العلمية وشركات التكنولوجيا والباحثين المستقلين على تحويل نتائج النماذج إلى معرفة موثوقة تصمد أمام الاختبار وتحقق فائدة حقيقية.