پیشرفتهای هوش مصنوعی در حل مسائل ریاضی
در ماههای اخیر، هوش مصنوعی توجه زیادی را به خود جلب کرده است، بهویژه زمانی که یکی از مدلهای داخلی شرکت OpenAI توانسته است اثبات یکی از مسائل هزاره، یعنی «وجود و همواری ناویر-استوکس»، را ارائه دهد. این مسئله یکی از شش چالش بزرگ و حلنشده در ریاضیات است که جایزهای یکمیلیوندلاری برای حل آن در نظر گرفته شده است.
موفقیتهای قابل توجه و واکنشهای اولیه
این اثبات، هرچند هنوز نیازمند بررسیهای دقیق و تایید نهایی توسط ریاضیدانان است، موجی از هیجان و امیدواری در جامعه علمی ایجاد کرد. تریستان باکمستر، استاد دانشگاه نیویورک، این لحظه را با شکست گری کاسپاروف در برابر ابررایانه دیپبلو مقایسه کرد، که نشاندهندهٔ اهمیت و پتانسیل این پیشرفت است.
نگرانیها و انتقادها در مقابل موفقیتهای هوش مصنوعی
با این حال، سه روز پس از اعلام این موفقیت، واکنشهایی منفی و انتقادی نیز بهراه افتاد. برندگان مدال فیلدز، معتبرترین جایزه در حوزه ریاضیات، نامهای اعتراضی تحت عنوان «ناهمسویی شدید هوش مصنوعی در ریاضیات» منتشر کردند. در این نامه، آنها هشدار دادند که تمرکز بیش از حد بر استفاده از مدلهای زبانی و هوش مصنوعی برای حل مسائل بزرگ، میتواند به علم و جامعه ریاضیات آسیب برساند.
تفاوت در دیدگاهها و نگرانیهای آینده
مشکل اصلی در این است که ریاضیدانان و شرکتهای فعال در حوزه هوش مصنوعی، تعاریف متفاوتی از موفقیت دارند. در حالی که آزمایشگاههای بزرگ هوش مصنوعی حل مسئله را پایان یافتن مسابقه میدانند، ریاضیدانان معتقدند هر اثبات، در واقع، مسیر جدیدی را در فهم و توسعه علم باز میکند و نباید آن را تنها به عنوان یک موفقیت فنی تلقی کرد.
جمعبندی
پیشرفتهای اخیر در زمینه هوش مصنوعی نشان میدهد که این فناوری میتواند نقش مهمی در حل مسائل پیچیده و حلنشدنی ایفا کند. اما همزمان، نیاز است که جامعه علمی با دقت و حساسیت بیشتری به ارزیابی و بررسی نتایج این فناوری بپردازد و نگرانیهای مشروع ریاضیدانان را در نظر گیرد تا از بروز مشکلات احتمالی در آینده جلوگیری شود.
چرا ریاضیدانان جواب آماده نمیخواهند؟
وقتی نگاهی به نامههای مدالیستها میاندازیم، درمییابیم که اعتراض اصلی آنها به حضور هوش مصنوعی در حوزهی ریاضی، صرفاً بهخاطر جایگزینی یا جایگاهسازی نیست. ترنس تائو، یکی از امضاکنندگان اصلی این نامه، از سالها قبل در توسعه و آزمایش مدلهای مختلف هوش مصنوعی فعالیت میکرده و بارها بر ظرفیت آنها در جستوجوی ایدههای نو، تحلیل استدلالها و همکاری با پژوهشگران تأکید کرده است.
در واقع، اعتراضها بیشتر بر این نکته تمرکز دارند که هوش مصنوعی میتواند، نه تنها مسیر تحقیق را تسریع کند بلکه فهم و مطالعه ریاضی را بهبود بخشد. اما نگرانی اصلی آنها درباره اهداف شرکتها در تعریف و استفاده از این مدلها است که ممکن است در جهت منافع تجاری یا رقابتی قرار داشته باشد.
مسائل مشهور ریاضی، اغلب بهعنوان قفلهایی تصور میشوند که تنها با یافتن کلیدشان باز میشوند. صورتمسئله، در ظاهر روشن است و اثبات یا درست بودن نتیجه، یا مشخص میکند یا خیر، و نام کاشف آن در تاریخ به ثبت میرسد. همین موضوع، آن را به گزینهای جذاب برای شرکتهایی که میخواهند پیشرفتهای خود در مدلهای هوش مصنوعی را نشان دهند، تبدیل کرده است.
از طرف دیگر، ریاضیات مزایای فنی قابل توجهی برای این شرکتها دارد، چون امکان ارزیابی خودکار صحت اثباتهای صوری فراهم میشود. مدلهای پیشرفته میتوانند یک مسئله را حل کرده، بازخورد قابل فهمی ارائه دهند و راهحلهای جایگزین را آزمایش کنند، که این امر روند پژوهش را سرعت میبخشد.
آزمایشگاههای هوش مصنوعی نیز امیدوارند که تواناییهای حاصل از اثبات قضایا، در قالب استدلالهای عمومیتر و قابل تعمیمتر به کار گرفته شوند. از نگاه آنها، حل مسائل مشهور، علاوه بر ارزش آموزشی، میتواند به عنوان دادههای ارزشمندی برای معرفی مدلهای هوش مصنوعی به سرمایهگذاران و عموم مردم مورد استفاده قرار گیرد.
با این حال، پژوهشهای ریاضی معمولاً مسیرهای بسیار پیچیدهتری نسبت به نتایج نهایی دارند که در قالب اثباتهای قطعی ارائه میشوند. بسیاری از ریاضیدانان سالها روی یک مسئله کار میکنند و هرگز به راهحل نهایی نمیرسند، اما در این مسیر، راهکارهای جدیدی توسعه مییابند، ارتباطات پنهان میان حوزههای مختلف کشف میشود و پرسشهایی مطرح میشود که شاید از مسئله اولیه مهمتر باشند.
به همین دلیل، ارزش ریاضیات در کشف مسیرهای نوینی است که پیش از این برای محققان ناشناخته بوده است. ایدههای ریاضیدانان، پیش از آنکه در قالب قضیهای کامل و صیقلخورده در مقالات منتشر شوند، در سمینارها، گفتوگوهای پژوهشی و نوشتههای اولیه آزمایش میشوند، تغییر میکنند و در نهایت وارد زبان مشترک این حوزه میگردند.
ریاضیدانان معتقدند که مسائل باز، علاوه بر لحظهی اثبات و راهحل نهایی، از نظر پتانسیل آموزشی نیز ارزشمند هستند. زمانی که اساتید مسئلهای را به دانشجویان میدهند، آنها درگیر روشهای مختلف حل مسئله میشوند، بنبستها را تجربه میکنند و در فرآیند تلاش، مهارتهای تحلیل و تفکر خود را تقویت میکنند.
پژوهشگران جوان، در طول مسیر حل مسائل دشوار، یاد میگیرند کدام مسیرها ارزش دنبال کردن دارند، کدام شباهتها سطحی هستند و چگونه مسئله را به سؤالات بهتری تبدیل کنند. اگر شرکتی فقط پاسخ نهایی را ارائه دهد، روند حل مسئله به پایان میرسد، اما بخش مهمی از قابلیتها و دستاوردهای مرتبط با فرآیند، حذف میشود.
در نهایت، شرکتهای هوش مصنوعی تنها بر حل چند مسئلهی باز تأکید میکنند و ادعا میکنند که چند ماه از رقبا جلو افتادهاند. اما جامعهی ریاضی میپرسد: پس از اثبات، چه چیز جدیدی درباره ساختارها، روابط و طبیعت فهمیدهایم که قبلاً نمیدانستیم؟
از رؤیا تا بحران؛ جرقههای نگرانی عمیق
با نگاهی دقیقتر به واکنشها و رویدادهای چند ماه گذشته، میتوان ریشههای اعتراض و نگرانیهای موجود در جامعه ریاضی را بهتر درک کرد. هر زمان که مدلهای هوش مصنوعی در حل مسائل پیچیده ریاضی به نتایج غیرمنتظرهای دست یافتهاند، همزمان با افزایش شور و هیجان عمومی، ریاضیدانان نسبت به فرآیندهای اعلام، اعتبارسنجی و ثبت این دستاوردها، دچار تردید و بدبینی شدهاند.
در ماه مه ۲۰۲۶، یک مدل داخلی از OpenAI نمونهای خلاف انتظار برای حدس مشهور فاصلهی واحد ارائه داد؛ مسئلهای که پل اردوش در سال ۱۹۴۶ مطرح کرده بود و به دنبال یافتن چگونگی قرار دادن نقطهها در کنار هم به گونهای که بیشترین تعداد جفتهای فاصلهی یک واحد را داشته باشند، بود. این موفقیت نشان میداد که هوش مصنوعی توانسته است راهحلی پیدا کند که در گذشته تصور نمیشد.
نکته قابل توجه این است که دقت این حل در زمان آزمایش توسط هوش مصنوعی، بسیار بالا بود. ریاضیدانان دههها چیدمان نقاط روی شبکه مربعی را بهترین ساختار ممکن میدانستند، اما مدل OpenAI راهحلی یافت که تعداد جفتها را بیشتر میکرد. این دستاورد، ابتدا با استقبال مثبت مواجه شد و چند ریاضیدان برجسته، اثبات آن را بررسی و نسخهای مختصر از آن را ارائه دادند. در آن زمان، همکاری میان انسانها و هوش مصنوعی نوید آیندهای امیدوارکننده را میداد، زیرا ماشینها ایدههایی نوآورانه را کشف میکردند و انسانها آنها را توضیح و توسعه میدادند.
تغییر لحن و بحران اعتبار در جامعه ریاضی
اما تنها دو ماه بعد، لحن گفتگوها تغییر کرد و ترنس تائو در کنگره بینالمللی ریاضیدانان، وضعیت را بحرانی در حوزه ارزشها و روشهای ریاضی دانست. دیگر نتایج هوش مصنوعی به تنهایی کفایت نمیکرد و جامعه ریاضی باید تعیین میکرد که چگونه این نتایج باید ارزیابی و اعتبارسنجی شوند و جایگاهشان در پژوهشهای ریاضی چگونه باید تثبیت شود.
برخی منتقدان، روشهای مورد استفاده در OpenAI را به حمله بروتفورس تشبیه میکنند؛ یعنی آزمایش بیوقفه و کورکورانه تمامی راهحلهای ممکن، که البته منظور آنها به معنای صرف آزمایش همه گزینهها نیست، بلکه تمرکز بر مقیاس عظیم عملیات است. در اول آگوست، OpenAI ده نتیجه جدید را به نسخه داخلی مدل Astra نسبت داد؛ به ویژه اثبات وجود گروههای غیرسوفیک، که موضوع بحثبرانگیزی بود، زیرا راهحلهای مطرحشده، بر پایه پژوهشهای آندریاس توم و گابور کون استوار بودند، اما اطلاعیه اولیه شرکت، گویی طی دههای پیشرفتهایی در این حوزه صورت نگرفته است.
اثبات مسئله نایور-استوکس، نگرانیهای قبلی را در ابعادی بسیار بزرگتر جمعبندی کرد. این شرکت در عرض ۸۸ ساعت، حدود ۱۰ هزار ایجنت را به کار گرفت تا مسیرهای مختلف را همزمان آزمون کند، راهحلهای ممکن و بنبستها را کنار بگذارد و یافتههای امیدوارکننده را به مرحله بعدی برساند. برخی منتقدان، روش کار OpenAI را به حمله بروتفورس، هرچند با تفاوت، تشبیه میکنند؛ یعنی عملیات جستوجوی گسترده و موازی، که به جای آزمون تصادفی، بر مقیاس عملیات و توان محاسباتی بالا تکیه دارد.
در این میان، آزمایشگاههای قدرتمند در حوزه هوش مصنوعی قادرند بیشترین توان محاسباتی را بر روی پیچیدهترین مسائل متمرکز کنند و قبل از فرصت جامعه ریاضی برای تحلیل و ارزیابی، پیروزیهای خود را اعلام کنند. این روند، نگرانیهایی در مورد آیندهی روشهای علمی و اعتبارسنجی نتایج در حوزه ریاضیات ایجاد کرده است و سوالاتی درباره نحوه همکاری و همافزایی بین انسان و ماشین در مسیر کشفهای علمی مطرح میسازد.
پیدا کردن منشأ ایدههای بشری در مسیرهای مبهم
در فرآیندهای پژوهشی، اغلب ریاضیدانان پیش از انتشار نتایج، با همکاري و گفتگو دربارهٔ مسیرهای ممکن بحث میکنند. آنها در سمینارها محاسبات ناقص را نشان میدهند و از همکارانشان برای تبیین و بهبود راهکارها کمک میگیرند. این فضای تعاملی، حالا با ورود هوش مصنوعی وارد مرحلهای جدید شده است؛ اما زمانی که ابزارهای هوشمند به جای کمک، جایگزین پژوهشگر میشوند، شرایط به طور چشمگیری تغییر میکند.
تأثیر هوش مصنوعی بر فرآیندهای تحقیقاتی و چالشهای آن
پروژههای تحقیقاتی مانند مطالعه روی معادلات اویلر و ناویر-استوکس، توسط پژوهشگرانی چون تریستان باکمستر و لونت آلپوگه انجام شده است. این محققان، از ابزارهایی مانند کلاد کد و Codex بهره برده بودند و در اوایل سپتامبر، خبر پیشرفتشان به شرکت OpenAI رسید. این شرکت بلافاصله مدل داخلی خود را بر روی مسائل مرتبط آزمایش کرد و توانست اثباتی در حوزه ناویر-استوکس ارائه دهد، که چند روز بعد منجر به اعلام رسمی شد.
این روند، پژوهشگران را در تردید و نگرانی فرو برد؛ زیرا زمانبندی اعلام نتایج، سوالاتی دربارهٔ استقلال و صحت نتایج به وجود آورد. آیا این مدل کاملاً مستقل عمل کرده است یا به نوعی از طریق ابزارهای کمکی تقویت شده است؟
ردپای تفکر انسانی و چالشهای ناشی از آن
سم آلتمن، مدیر OpenAI، در پاسخ به این نگرانیها، اعلام کرد که تحقیقات داخلی نشان میدهد پژوهشگران و هوش مصنوعی قبل از انتشار، به راهکارهای ارائهشده دسترسی نداشتهاند. شرکت همچنین تأکید کرد که پیامهای رد و بدل شده در طول فرآیند آموزش، نمیتوانسته است بر نتایج نهایی تأثیرگذار باشد و تفاوتهای اساسی میان اثباتهای مختلف، نشاندهندهٔ استقلال نسبی مدل است. اما این موضوع، همچنان چالشی جدی در حوزه صحتسنجی نتایج است؛ چرا که پژوهشگران بیرون از آزمایشگاههای هوش مصنوعی، هیچ راهی برای بررسی منشأ خروجیهای مدل ندارند.
محدودیتهای شفافیت و امکانسنجی منشأ ایدهها
وقتی هوش مصنوعی از ایدهای بهره میبرد، تشخیص منبع آن—چه مقالهای منتشر شده باشد، چه دادههای آموزشی یا گفتگوهای مستقل—تقریباً غیرممکن است. تنها شرکتهای توسعهدهنده، به دادهها و فرآیندهای آموزش کامل دسترسی دارند، و این موضوع، ابهام بزرگی در حوزهٔ اعتماد و صحت نتایج ایجاد میکند. آندریاس توم، استاد هندسه در دانشگاه فنی درسدن، پس از انتشار نتایج OpenAI، اظهار داشت که سهم پژوهشهای قبلی و مسیرهای رسیدن به نتایج، به درستی منعکس نشده است.
توم همچنین دربارهٔ توانایی مدل در تسلط بر روشهایی که به عنوان مسیرهای ابتدایی و بدیهی برای اثبات شناخته نمیشوند، ابراز تعجب کرد. او تلاش داشت بداند که آیا محتوای گفتگوهایش با هوش مصنوعی، وارد دادههای آموزشی شده است یا خیر؛ اما پاسخهای شرکت، قانعکننده نبودند. هرچند ناشناسسازی دادهها میتواند نام پژوهشگر را حذف کند، اما محتوای فکری و ایدهها همچنان باقی میمانند و نمیتوان آنها را به سادگی از هم تمیز داد.
پیامدهای عدم شفافیت و تاثیر بر جامعهٔ علمی
این وضعیت، باعث شده است که پژوهشگران در حوزههای مختلف، در انتشار نتایج اولیه، محتاطتر عمل کنند و یا انتشار یافتههای خود را به تعویق بیندازند. در عین حال، هوش مصنوعی، که قرار بود همکاری و همافزایی در جامعه ریاضی را تسهیل کند، حالا فضای پژوهش را محدودتر و پنهانتر کرده است. این روند، جامعه علمی را به سمت پنهانکاری و کاهش شفافیت سوق میدهد و چالشهای جدیدی در ارزیابی و تایید نتایج ایجاد میکند، که نیازمند راهکارهای جدید و سیاستگذاریهای مناسب است.
وقتی اثباتها فراوان و فهمها نادر میشوند
چند ماه پیش، ترنس تائو پیشبینی کرد که در آیندهای نزدیک، ریاضیات از دورهای که اثباتها کمتعداد و ارزشمند بودند، وارد دورهای میشود که اثباتها به وفور یافت میشوند. در آن زمان، مجلات علمی، فرآیند داوری، استخدامها و اعتبارهای علمی در حوزه ریاضیات بر اساس فرض کمبود اثباتها شکل گرفته بودند، چرا که تصور میشد اثباتها نادر و ارزشمند هستند.
در گذشته، دشواری اثباتها فرصت مناسبی برای متخصصان فراهم میکرد تا مقالات را مطالعه و ارزیابی کنند، اشتباهات احتمالی را بیابند و در نهایت، ارزش و اهمیت نتایج جدید را در مقایسه با دانش قبلی تشخیص دهند. اما حالا، با پیشرفت فناوری، این روند تغییر کرده است.
از عصر کمبود اثبات به دوره سوءهاضمهی دادهها
امروزه، تصور کنید که هزاران عامل هوشمند، روزانه صدها فرضیه را آزمایش میکنند و ابزارهایی مانند Lean میتوانند صحت منطقی صورتبندیها را بررسی کنند. در چنین شرایطی، تعداد نتایج و اثباتها به قدری زیاد میشود که هیچ انسانی فرصت مطالعه و درک آنها را ندارد. بهطور خلاصه، کمبود اثبات جای خود را به نوعی «سوءهاضمهی اثبات» داده است، جایی که حجم بیسابقهای از دادهها و نتایج، فهم عمیق و تحلیل آنها را دشوار میسازد.
در دوران جدید، دیگر درست بودن یک نتیجه بهتنهایی ارزشمند نیست. ممکن است ماشین اثباتی، نتیجهای کاملاً صحیح و طولانی را ارائه دهد، اما تا زمانی که انسانها نتوانند ارتباط آن را با شاخههای دیگر علم درک و سادهسازی کنند، هوش مصنوعی تنها یک بسته اطلاعاتی بیپاسخ است که پشت درهای علم رها شده است.
پایینتر آمدن سطح ارزیابی نتایج توسط ابزارهای هوشمند
در سیستمهایی مانند Lean و دیگر ابزارهای رسمی، امکان بررسی صحت منطقی اثباتهای بسیار طولانی وجود دارد، اما این بررسیهای صوری لزوماً معنای اهمیت یا ایده پشت نتایج را روشن نمیکند. اگر سرعت تولید اثباتها توسط ماشینها بیش از توان هضم و درک انسانها باشد، ریاضیدانان بیشتر نقش حسابرسان و نظارتکنندگان بر خروجیهای هوش مصنوعی را بر عهده خواهند داشت، نه کشف ایدههای نو.
این وضعیت بر نسل آینده ریاضیدانان نیز تأثیرگذار است، چرا که تمرکز آنها ممکن است به جای توسعه مفاهیم جدید، معطوف به ارزیابی و تایید نتایج تولید شده توسط ماشینها شود. در این حالت، مسیرهای تربیت و رشد دانشآموزان و دانشجویان ریاضی نیز تغییر خواهد کرد.
تفاوت سفرهای کشف در ریاضیات انسانی و ماشینی
در مسیر سنتی، ریاضیدانها ابتدا فهم و درک مفهومی از مسأله پیدا میکردند، سپس ایدهپردازی میکردند و در نهایت اثبات مینویسند. اما در عصر فراوانی اثبات، ممکن است ماشینها ابتدا نتیجه را ارائه دهند و انسانها پس از آن، به بررسی و تحلیل عمیقتر بپردازند. این روند، به نوعی، ترتیب کشف و درک را تغییر میدهد.
- مسیر سنتی: فهم ← ایده ← اثبات
- مسیر جدید: اثبات ← بررسی ← درک
آینده علم، بستگی زیادی به این دارد که پس از تولید اثباتهای ماشینی، چه اتفاقی بیفتد. اگر صرفاً برای رکوردشکنی و جمعآوری حجم عظیم اثباتها باشد، این دادهها کمکی به فهم عمیق و توسعه دانش نمیکنند. اما اگر انسانها فرصت داشته باشند نتایج را توضیح دهند و ارتباطشان را با مفاهیم دیگر کشف کنند، هوش مصنوعی میتواند دریچههای جدیدی را به روی دانش بشری بگشاید.
نقش قانونگذاران در تعیین سرنوشت ریاضیات در عصر نوین
وقتی گروهی از برندههای مدال فیلدز در سال ۲۵ اعلامیهای هشدارآمیز درباره آیندهی ریاضیات منتشر کردند، زنگ خطری جدی به صدا درآمد. این بیانیه، صریح و تأملبرانگیز بود، اما راهحلهای مشخصی ارائه نمیداد. در عوض، خواستار مداخلات فوری جامعه علمی و شرکتهای فعال در حوزه هوش مصنوعی برای مدیریت بحران شدند، اما جزئیات راهکارهای عملی را بیان نکردند.
در این مسیر، راهکارهای صرفاً سلبی ممکن است کمکی نکنند. جلوگیری کامل از درگیر شدن مدلهای هوش مصنوعی با مسائل حلنشده، مانع کشف یافتههای ارزشمند میشود. از سوی دیگر، بازگرداندن به روشهای قدیمی مانند داوری انسانی یا انتشار جزوههای پرامپت و لاگهای استدلال ماشینها، نمیتواند به وضوح مشخص کند که ایدههای نوآورانه از ذهن انسان سرچشمه گرفته یا نتیجه فرآیندهای ماشینی است.
بیانیهی لیدن: تلاش برای مهار انحصار و تنظیم رفتار
در ژوئن ۲۰۲۶، گروهی بینالمللی از ریاضیدانان و پژوهشگران، «اعلامیهی لیدن دربارهی هوش مصنوعی و ریاضیات» را منتشر کردند. هدف این سند، تعیین قواعد روشن برای استفاده از هوش مصنوعی در پژوهشهای ریاضی بود. در این بیانیه، بر شفافیت در استفاده از ابزارهای هوش مصنوعی و منابع محاسباتی تأکید شد، و مسئولیت صحت نتایج و ارجاع به کارهای پیشین همچنان بر عهدهی انسان باقی میماند.
همچنین، در این اعلامیه هشدار داده شد که استفاده از آثار پژوهشگران در آموزش مدلهای هوش مصنوعی بدون رضایت یا اعتباردهی مناسب، میتواند مشکلاتی ایجاد کند. در کنار آن، خواستار سرمایهگذاری در زیرساختها و آزمایشگاههای عمومی شدند تا پژوهش ریاضی از وابستگی به ابزارهای خاص شرکتهای خصوصی نجات یابد.
اما چالش اصلی هنوز بر جای است: چگونه میتوان شرکتهایی را که مدلهای بزرگ، دادههای عظیم، توان محاسباتی بینظیر و مسیرهای انتشار نتایج را در اختیار دارند، ملزم به رعایت اصول اخلاقی و علمی کرد؟ در حالی که دانشگاهها میتوانند قوانین مجلات علمی را تغییر دهند، کنترل تصمیمات و سیاستهای پشت درهای بسته شرکتهای خصوصی، نبردی بسیار پیچیده و دشوار است.
کدام حرفهها فردا اولین قربانی حضور هوش مصنوعی خواهند بود؟
ریاضیات، شاید نخستین حوزهای باشد که با بحران و تناقضهای ناشی از حضور هوش مصنوعی روبهرو میشود. برخلاف بسیاری از علوم، اثباتهای ریاضی در نهایت میتواند به زنجیرهای از گامهای منطقی تبدیل شود که کامپیوتر قادر به راستیآزمایی آنها است. این موضوع، پرسشهای جدیدی درباره جایگاه انسان در فرآیندهای پژوهشی و ابتکاری ایجاد میکند.
به زودی، برنامهنویسی، طراحی، پژوهشهای علمی و حتی روزنامهنگاری تحلیلی نیز با نسخههای پیچیدهتر و مبهمتر همین فناوریها مواجه خواهند شد. وقتی یک ماشین میتواند در مدت زمان کوتاهی محصول نهاییای تولید کند که سالها تلاش و آموزش انسانی را طلب میکرد، دیگر ارزش یک حرفه بر اساس تعداد محصولات ساخته شده سنجیده نمیشود. ارزش واقعی در فرآیندهای فکری و خلاقانه و در توانایی انسان در انتخاب مسئله، راهحلهای احتمالی، تحلیل شکستها و انتقال یافتههای فکری به دانش است.
هوش مصنوعی شاید بتواند سختترین مسائل ریاضی را حل کند، اما در عین حال، سوالات اساسی و بنیادیای باقی میمانند که شرکتهای مصنوعی از پاسخدادن به آنها طفره میروند. شاید جامعه ریاضی حق دارد عصبانی باشد، چرا که در میان انبوه اثباتها و رویکردهای مبهم، فهمیدن ارزش واقعی تلاشهای انسانی سختتر شده است و معنای آن در دنیای امروز، روشن نیست.
