عصر جديد في الرياضيات: كيف يغير نموذج الذكاء الاصطناعي قواعد التحقق من المعرفة الرياضية؟

في حدث تاريخي، تمكن نموذج من OpenAI في مايو 2026 من تقديم مثال مضاد للفرضية المعروفة بإسم فرضية إردوش للمسافات الوحدوية. الأمر الذي دفع خمسة من علماء الرياضيات لنشر نسخة يدويّة مصدّقة في نفس اليوم، ودخلت النتيجة الأدبيات الأكاديمية في غضون أسابيع.
ولكن الأهم من ذلك هو ما حدث في أغسطس 2026، عندما نشر نفس المختبر عشرة نتائج في الرياضيات وفي علوم الحاسوب النظرية، كل واحدة منها مصحوبة بشهادة قابلة للتحقق آليًا باستخدام نظام Lean 4، دون أي خطوات غير مثبتة. ومع ذلك، بعد أربعة أسابيع، ظلت واحدة من هذه النتائج محط اختلاف لم يُحل بعد حول ما إذا كانت صياغتها تعني ما تدعيه.
وبالتركيز على هذه التحولات، نجد أن الفرق بين هذه التحقق من المعرفة الرياضية يتعلق ببنية العملية نفسها. فهناك ثلاثة مستويات من التحقق: الأول هو صلاحيّة الاشتقاق التي يتحقق منها الكيرنل، والثاني هو وفاء التمثيل الذي يحدد ما إذا كانت العبارة الرسمية تعني السؤال المقصود، والأخير هو الأهمية المعرفية.
وعند النظر إلى هذه المستويات، نجد أن التعامل مع الصلاحية الاشتقاقية يتطلب آليّة بحتة، ما يجعل تكلفتها شبه مجانية، لكن هذا لا يلغي العمل الخاص بالتحقق؛ بل ينقل العبء إلى مستويات تتطلب انتباه الخبير الذي أصبح يعتمد عليه بشكل أكثر ندرة.
تظهر القياسات الخاصة بمجموعات الأبحاث من أغسطس أن البراهين التي تحقق منها الكيرنل تبلغ حجم 20.6 ميجابايت، بينما البيانات التي تحتاج لتحقيق بشري لا تتجاوز 55.6 كيلوبايت، ما يعطي نسبة غير عادية تصل إلى 379 إلى 1. ومع ذلك، تتضمن هذه البيانات 218 تعريفًا خاصًا، بدلاً من الإعتماد على التعريفات المعتمدة من قبل المجتمع.
وبذلك، فإن السطح المتعلق بالتحقيق قد يكون صغيرًا من حيث الحجم، لكنه يتطلب خبرة لا يمكن اختزالها بسهولة.
ختامًا، نستنتج أن الفحص الآلي ينتج وفرة في التحقق بينما يبقي الحاجة للتحكيم أقل من المأمول. ونقترح مقاربة جديدة تتكون من ست فئات لعدم التوافق التمثيلي، وشكل للكشف عن المطالبات الرياضية الناتجة بالذكاء الاصطناعي، بالإضافة إلى تداعياتها على البرمجيات، وتشفير البيانات، وأنظمة القرار المنظمة.