في عالم الذكاء الاصطناعي المتطور، كثيرًا ما تتعلق المناقشات الحالية بالاكتشاف العلمي بقدرتين رئيسيتين: البحث عن المعرفة الحالية والتنفيذ عبر تحسين العمليات والمحاكاة. ورغم أهمية هاتين القدرتين، إلا أنهما لا تعكسان العمل المركزي في عملية الاكتشاف: تشكيل النماذج وتطورها.

قدم الباحثون مؤخرًا بحثًا جديدًا يقترح رؤية ثلاثية الطبقات للذكاء الاصطناعي في الاكتشاف العلمي. الطبقة الأولى تتعلق بالبحث والاسترجاع الذي تقدمه نماذج اللغات الضخمة (Large Language Models). أما الطبقة الثانية، فهي الابتكار الرئيسي في هذا البحث، حيث تدور حول تشكيل النماذج من خلال التفكير النوعي: القدرة على التعرف على مدى عدم كفاءة الإطار الحالي وفهم المشكلة ضمن مساحة تمثيلية أوسع، ليس من خلال التجربة والأخطاء، بل من خلال إدراك هيكلي لما هو مفقود وأين يمكن العثور عليه.

الطبقة الثالثة تتعامل مع التنفيذ، والتحسين، والتكرار. ويشير البحث إلى أن الطبقة الثانية هي الأكثر أهمية والأقل تطويرًا حتى الآن. فالبحث دون تشكيل نموذج يبقى محصورًا ضمن الأطر الموروثة، بينما يعزز التنفيذ دون مراجعة المفاهيم التجارب الموجودة بالفعل.

لتوضيح أسلوب التفكير في الطبقة الثانية، تم تقديم ثلاثة دراسات حالة:
1. الإثبات الجذري لنظرية غاوس-بونت بواسطة سيرغي تشيرن.
2. حل مشكلة تقارب دالة نستروف المعجلة من خلال دوال ليابونو.
3. إثبات تلقائي لنظرية المسافة الأحادية لإردوش من قبل OpenAI في عام 2026.

كل حالة تظهر نفس التوقيع الهيكلي: إطار أصبح غير كافٍ، وجود مفهوم مفقود، وحل تم اكتشافه في مجال مجاور غير متوقع. هذه النتائج تفتح الأفق لتطوير أساليب جديدة لدعم الابتكار العلمي من خلال الذكاء الاصطناعي، مما يجعلنا نتساءل: كيف يمكن أن نستخدم هذه الأفكار في مجالات أخرى لتعزيز الاكتشافات الجديدة؟