پرش به محتوای اصلی
آخرین اخبار
۲ وایر پاداش مطالعه

ادعای تازه OpenAI درباره حل یک معمای ریاضی ۸۰ ساله؛ پیشرفت واقعی یا جنجال تبلیغاتی؟

انتشار:۱۲ آبان ۱۴۰۵
۳ دقیقه زمان مطالعه
۰ دیدگاه
اشتراک و پسندیدن

شرکت OpenAI ادعا کرده یکی از مدل‌های استدلال هوش مصنوعی این شرکت توانسته فرضیات ۸۰ ساله پیرامون یک معمای دشوار ریاضی را رد کند. با این حال، کارشناسان معتقدند پیش از تأیید کامل توسط ریاضیدانان، باید با دیده تردید به این ادعاها نگریست و مرز میان پیشرفت علمی واقعی و تبلیغات تجاری را شناخت.

ادعای تازه OpenAI درباره حل یک معمای ریاضی ۸۰ ساله؛ پیشرفت واقعی یا جنجال تبلیغاتی؟

در یک نگاه (نکات کلیدی خبر)

خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع

  • مدل استدلال هوش مصنوعی OpenAI با تکیه بر نظریه جبری اعداد، راهکاری تازه برای چینش نقاط در صفحه دوبعدی و به چالش کشیدن فرضیات ۸۰ ساله ریاضی ارائه داده است.
  • ریاضیدانان مطرح از جمله اساتید دانشگاه هاروارد این رویکرد را نویدبخش دانسته‌اند اما تأکید دارند که ادعای حل کامل این مسئله نیازمند راستیآزمایی دقیق علمی است.
  • سوابق گذشته در ادعاهای علمی مدل‌های زبانی نشان می‌دهد که باید به‌دلیل ریسک توهم و بزرگنمایی‌های تجاری با دیده تردید به این دستاوردها نگریست.

از سال ۱۹۴۶ میلادی تاکنون، ریاضیدانان در تلاش برای پاسخ دادن به پرسشی بوده‌اند که در ظاهر بسیار ساده بهنظر می‌رسد: چگونه میتوان تعداد دلخواهی از نقاط را روی یک صفحه دوبعدی چید تا بیشترین تعداد جفتنقاط با فاصله دقیقاً یک واحد حاصل شود؟ رویکردهای سنتی همواره بر چیدمان‌های شبکه‌ای تمرکز داشتند، اما شرکت OpenAI ادعا کرده است که یکی از مدل‌های استدلال عمومی این شرکت توانسته فرضیاتی را که به مدت ۸۰ سال بر این مسئله حاکم بود رد کند.

پیش از این، بسیاری از ریاضیدانان از جمله طراح اصلی این مسئله، یعنی «پال اردوش» (Paul Erdős)، بر این باور بودند که ایجاد شبکه‌ای از نقاط با فواصل حسابشده بهترین راهبرد ممکن است. چالش اصلی اینجا بود که تعداد جفت‌ها همواره به ابعاد خود شبکه محدود میشد. به بیانی ساده، مدل هوش مصنوعی OpenAI با بهره‌گیری از نظریه پیشرفته جبری اعداد، راهی برای چینش نقاط پیدا کرد که به ایجاد تعداد بهمراتب بیشتری از جفت‌های دارای فاصله واحد منجر شد. با این حال، باید توجه داشت که این مسئله هنوز به‌طور قطعی «حل نشده» به‌شمار می‌رود، چراکه در حال حاضر هیچ روش قطعی برای تعیین حداکثر تعداد جفت‌ها برای هر تعداد نقطه دلخواه وجود ندارد.

واکنش کارشناسان به این دستاورد عموماً مثبت و امیدوارکننده بوده است. «ملانی ماچت وود» (Melanie Matchett Wood)، استاد ریاضیات در دانشگاه هاروارد، خاطرنشان کرد که صرف ارائه این اثبات جدید می‌تواند توجه جامعه علمی را بیش از پیش به این مسئله جلب کند؛ رویدادی که شاید در نهایت راه را برای پیشرفت‌های علمی بزرگ‌تر هموار سازد.

پیشرفت واقعی در ریاضیات یا هیاهوی تبلیغاتی؟

لوگوی OpenAI روی صفحه گوشی هوشمند

پیشتر ثابت شده است که سیستم‌های هوش مصنوعی پتانسیل فوقالعادهای برای خدمت به بشریت دارند؛ برای نمونه میتوان به نقش آنها در تشخیص و شناسایی زودهنگام سرطان اشاره کرد. از همین رو، کاملاً محتمل است که هوش مصنوعی بتواند به یک پیشرفت چشمگیر و اصیل در دنیای ریاضیات کمک کند. با وجود این، تا زمانی که دانشمندان و کارشناسان برجسته فرصت کافی برای به چالش کشیدن و راستیآزمایی دقیق این اثبات را نداشته باشند، باید به این موضوع و تمام ادعاهای مشابه شرکت‌های فعال در این حوزه با دیدهای محتاطانه و توأم با تردید منطقی نگریست.

علت این احتیاط کاملاً روشن است؛ اداره یک شرکت پیشرو در حوزه هوش مصنوعی هزینه‌های سرسامآوری دارد و از این رو، OpenAI انگیزه مالی فراوانی دارد تا کاربران و سرمایه‌گذاران را متقاعد کند مدلهایش قادر به انجام کارهای خارقالعاده هستند. به‌عنوان مثال، این شرکت پیش از این نیز ادعا کرده بود ۱۰ مسئله دیگر از مسائل مطرحشده توسط «اردوش» را حل کرده است، در حالی که در واقعیت، مدل تنها راهحل‌های موجود در مقالات و دستاوردهای پیشین سایر پژوهشگران را بازخوانی و کشف کرده بود.

اگرچه این توانایی بازخوانی همچنان جالب توجه است، اما فاصله بسیار زیادی با ادعای اولیه حل مسئله دارد و نشان می‌دهد مدل‌های زبانی بزرگ گاه با گردآوری و ترکیب زحمات پژوهشگران در مقیاس صنعتی به درآمدزایی می‌رسند. این موضوع هم‌چنین به‌خوبی روشن می‌کند که چرا حتی کارشناسان ارشد این حوزه نیز به چت‌باتها اعتماد کامل ندارند؛ زیرا این سیستم‌ها معنای کلماتی را که بیان می‌کنند واقعاً درک نمی‌کنند. در نتیجه، اگر به این ابزارها اعتماد کورکورانه شود یا در مسائل حیاتی اختیارات بیش از حد به آنها واگذار شود، پیامدهای ناگواری بهدنبال خواهد داشت. ارتش ایالات متحده اخیراً این درس را به سختی آموخت؛ زمانی که توهمات یک چت‌بات درباره محموله یک کشتی، نظامیان این کشور را تا آستانه آغاز یک درگیری تمامعیار پیش برد.

بازخورد و اشتراک‌گذاری این مطلب

اگر این گزارش برایتان مفید بود، با پسندیدن و اشتراک‌گذاری آن با دیگران، از محتوای تخصصی هوش مصنوعی حمایت کنید.

اشتراک‌گذاری در شبکه‌های اجتماعی:

دیدگاه ها و گفتگوی تخصصی

نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید

۰ دیدگاه

هنوز دیدگاهی برای این مطلب ثبت نشده است

اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.

مطالب مرتبط و پیشنهادی

کاهش حجم مدل هوش مصنوعی MiniMax H3 به ۸٫۹ گیگابایت، اجرای محلی آن را روی گرافیک‌های خانگی ممکن کرد
آخرین اخبار

کاهش حجم مدل هوش مصنوعی MiniMax H3 به ۸٫۹ گیگابایت، اجرای محلی آن را روی گرافیک‌های خانگی ممکن کرد

توسعه‌دهندگان با انتشار نسخه‌های بهینه‌شده مدل ویدیوساز MiniMax H3 در قالب فرمت GGUF، حجم این سامانه ۲۶ میلیارد پارامتری را تا ۸٫۹ گیگابایت کاهش دادند. این بهینه‌سازی امکان اجرای مستقیم و روان مدل را روی کارت‌های گرافیک معمولی و بدون نیاز به سرویس‌های ابری فراهم می‌کند.

۲ دقیقه مطالعه
۰
۱۲ آبان
مدل صوتی Breeze-TTS-2 به ۸۶۰ هزار دانلود رسید؛ اجرای تبدیل متن به گفتار بدون نیاز به پایتون
آخرین اخبار

مدل صوتی Breeze-TTS-2 به ۸۶۰ هزار دانلود رسید؛ اجرای تبدیل متن به گفتار بدون نیاز به پایتون

نسخه بهینه‌شده مدل هوش مصنوعی Breeze-TTS-2 با بهره‌گیری از یک موتور مستقل C++، امکان تبدیل متن به گفتار را بدون نیاز به پایتون فراهم کرده است. این ابزار با پشتیبانی از انواع پردازنده‌های گرافیکی و پردازنده مرکزی، بیش از ۸۶۰ هزار بار در پلتفرم Hugging Face دانلود شده است. معماری کارآمد و مستقل این پروژه، استقرار محلی و شخصی‌سازی صدای هوش مصنوعی را برای توسعه‌دهندگان بسیار ساده‌تر می‌کند.

۲ دقیقه مطالعه
۰
۱۲ آبان
درس‌هایی از استراتژی هوش مصنوعی در والمارت و دنیای مد؛ کاهش چرخه طراحی از ۶ ماه به چند هفته
آخرین اخبار

درس‌هایی از استراتژی هوش مصنوعی در والمارت و دنیای مد؛ کاهش چرخه طراحی از ۶ ماه به چند هفته

به‌کارگیری هوشمندانه هوش مصنوعی زمان طراحی پوشاک را از شش ماه به کمتر از هشت هفته کاهش داده است. شرکت‌های پیشرویی مانند والمارت در کنار برندهایی چون Coach با تکیه بر مدل‌های اختصاصی و شبیه‌سازی سریع الگوها، تحولی بنیادین در سرعت زنجیره تولید خود رقم زده‌اند.

۵ دقیقه مطالعه
۰
۱۲ آبان