کودتای علمی: هوش مصنوعی آمریکایی در حال تسلط بر ریاضیات
گفتگوی پاسکال (Neutrality Studies) با دکتر بابک حقیقت
ترجمه و پیاده شده توسط هوش مصنوعی تتنظیم توسط مجله جنوب جهانی
مقدمه مترجم
ترجمهٔ این گفتگو برای ما انتقال یک خبر دربارهٔ ریاضیات نیست. پرسش اصلی این است که علم در عصر هوش مصنوعی به دست چه کسی افتاده و چه کسی را بیرون از دایره می‌گذارد. مهم‌ترین نکته این است که جنوب جهانی، و در پیشاپیش آن چین به‌عنوان پرچم‌دار علمی و فناورانه، باید مسیر «علم باز» را برگزیند تا علم به کالایی انحصاری در دست سرمایهٔ خصوصی و دولت‌های انحصارگر تبدیل نشود. آنچه بابک حقیقت، ریاضیدان آلمانی‌ـ‌ایرانی دانشگاه تسینگهوا، می‌گوید فقط نگرانی یک پژوهشگر نیست. ریشه در سازوکار رشد سرمایه‌داری دارد و ادامهٔ منطق استعمار علمی است، همان منطقی که غارت و انحصار ثروت را بنیان توسعهٔ ناهمگون شمال در برابر جنوب جهانی کرد.
ماجرا از ششم اکتبر ۲۰۲۶ آغاز شد، وقتی OpenAI ۷۲۲ دست‌نوشتهٔ ریاضی را منتشر کرد که حاصل مدلی داخلی و رونمایی‌نشده بود و کمتر از یک روز بعد سه مورد را به‌خاطر خطا پس گرفت. هنوز نمی‌دانیم چه مقدار از این ادعا استوار می‌ماند. اما مدلی که این نتایج را ساخته در دسترس هیچ ریاضیدانی بیرون از شرکت نیست.
ریاضیات بنیان فیزیک و دیگر علوم، و حتی بنیان خود هوش مصنوعی است. انحصار بر آن یعنی انحصار بر یک حلقهٔ بازخورد: مدلهوش مصنوعی بهتر ریاضیات بهتر می‌سازد و ریاضیات بهتر مدل هوش مصنوعی بهتر. ریاضیات را یک شرکت نساخته است؛ میراث مشترک پژوهشگران سراسر جهان در طول قرن‌هاست، و بستن آن پشت دیوار مالکیت خصوصی یعنی محصور کردن یک کالای عمومی. همین حالا راه چین بسته می‌شود. شرکت‌های آمریکایی، به‌ویژه OpenAI از ۲۰۲۴ و Anthropic از ۲۰۲۵، دسترسی به خدمات خود را در چین قطع کرده‌اند و محدودیت را به شرکت‌های بیش از پنجاه درصد چینی‌مالک در هر کشور گسترش داده‌اند. در سخت‌افزار هم کنترل صادرات تراشه، با طرح ردهٔ‌بندی کشورها که اگرچه لغو شد، نشان داد آمریکا خود را صاحب‌اختیار تعیین سهم کشورها از فناوری حیاتی می‌داند.
این نابرابری آماری هم دارد: تنها ۳۲ کشور مراکز دادهٔ بزرگ هوش مصنوعی دارند و بیش از ۱۵۰ کشور هیچ ندارند. سازمان ملل هم می‌گوید ۱۱۸ کشور، عمدتاً در جنوب جهانی، در هیچ‌یک از طرح‌های برجستهٔ حکمرانی هوش مصنوعی حضور ندارند و توسعهٔ آن در دست چند شرکت در چند کشور است. این الگو تازه نیست. بریتانیا در سده‌های هفدهم و هجدهم ده قانون عمده علیه مهاجرت صنعتگران و صادرات ماشین‌آلات وضع کرد و تا ۱۸۴۳ کنترل صادرات ماشین را نگه داشت. پیشگام صنعتی تا زمانی که برایش سودمند بود فناوری را حبس کرد. هوش مصنوعی هنوز در دورهٔ نخستین خود است و همان منطق را می‌بینیم، با این تفاوت خطرناک که این بار انحصار بر ابزار تولید دانش با انحصار بر ابزارهای هوشمند گره می‌خورد و توزیع ناعادلانهٔ علم می‌تواند سرآغاز نابرابری نوینی باشد.
در برابر این وضع، سیاست چین مزیتی روشن برای جنوب جهانی دارد و ما از آن حمایت کامل می‌کنیم. قطعنامهٔ ظرفیت‌سازی هوش مصنوعی را چین پیشنهاد داد و مجمع عمومی آن را به‌اتفاق آرا با حمایت ۱۴۳ کشور تصویب کرد. در عمل نیز مدل‌های متن‌باز چینی حدود ۴۱ درصد دانلودهای Hugging Face را دارند و از مدل‌های آمریکایی پیشی گرفته‌اند. برای پژوهشگری در کنیا یا آرژانتین که باید فضای محاسباتی را از ماشین‌های دوردست اجاره کند، این تفاوت میان دسترسی و محرومیت است. اما حقیقت درست می‌گوید که باز بودن وزن مدل‌ها کافی نیست؛ ریاضیدانان و دانشمندان باید همراه با دولت و مراکز داده مدل‌ها را مشترکاً آموزش دهند و دربارهٔ آیندهٔ آنها تصمیم بگیرند. اگر چین الگوی بستهٔ آمریکایی را کپی کند همان مسئله را بازتولید می‌کند، و اگر این راه را برود، ریاضیات را همان‌طور که بوده نگه می‌دارد: کالایی عمومی در خدمت بشریت. در چنین وضعی نقش چین و جنوب جهانی در علم و ارائهٔ خدمات هوشمند عمومی از مرحلهٔ رقابت فراتر می‌رود و به مبارزه‌ای ضدامپریالیستی برای آیندهٔ مشترک تبدیل می‌شود.
در یک نگاه
بابک حقیقت، ریاضیدان آلمانی‌ـ‌ایرانی دانشگاه تسینگهوا در چین، در این گفتگو از رویدادی سخن می‌گوید که آن را نقطهٔ عطفی تکاملی می‌داند: اعلام ۶ اکتبر شرکت OpenAI دربارهٔ ۷۲۲ دست‌نوشتهٔ ریاضی که یک مدل داخلی و منتشرنشده تولید کرده است. به باور او، هوش مصنوعی از ابزاری که دستورهای ریاضیدان را اجرا می‌کرد به عاملی خلاق در پژوهش رسیده است، و این در ذات خود می‌تواند به سود علم باشد. مسئلهٔ اصلی این است که این ابزار در دست شمار اندکی شرکت خصوصی آمریکایی است، مدل‌های پیشرو منتشر نشده‌اند و قوانین آمریکا و سیاست شرکت‌ها دسترسی پژوهشگران چینی و بسیاری از کشورهای دیگر را ممنوع کرده است. حقیقت ریاضیات را کالایی عمومی می‌داند و استدلال می‌کند که چین باید با همکاری دانشگاه‌ها، ریاضیدانان و دولت، زیرساختی باز برای آموزش مدل‌های ریاضی بسازد؛ زیرساختی که به‌جای تکرار الگوی انحصاری آمریکایی، در دسترس ریاضیدانان سراسر جهان باشد. گفتگو همچنین به تحریم تراشه‌ها، انرژی، رقابت تسلیحاتی بر سر هوش مصنوعی و خطر تبدیل‌شدن ریاضیدانان به ابزار ماشین می‌پردازد.
متن گفتگو
ششم اکتبر: یک لحظهٔ تکاملی
پاسکال: بازگشتتان را به برنامهٔ Neutrality Studies خوش‌آمد می‌گویم. امروز، برای نخستین بار، میهمان ما دکتر بابک حقیقت است، ریاضیدان آلمانی‌ـ‌ایرانی در دانشگاه تسینگهوا در چین. بابک، خوش آمدید.
بابک حقیقت: ممنونم، پاسکال. از دعوتتان سپاسگزارم. اجازه بدهید شروع کنم.
پاسکال: یک لحظه، فقط یک لحظه. می‌خواهم بگویم که یکی از دوستان مشترکمان ما را با هم آشنا کرد، و این آشنایی از آنجا شروع شد که شما نگران چیزی هستید که در حوزهٔ ریاضیات و در پیوند با هوش مصنوعی در جریان است؛ و از آنجا که در چین هستید، آنجا مشکل ویژه‌ای هم وجود دارد. می‌توانید کمی توضیح بدهید که دقیقاً چه چیزی این‌قدر نگرانتان کرده است؟
بابک حقیقت: برای اینکه صحنه را بچینم، با یک تاریخ و یک عدد شروع می‌کنم. ششم اکتبر امسال، یعنی همین ماه، شرکت OpenAI اعلام کرد که ۷۲۲ دست‌نوشتهٔ ریاضی منتشر کرده است. این دست‌نوشته‌ها ۳۷۲ نتیجهٔ پژوهشی، یا بهتر بگویم ۳۷۲ خانوادهٔ نتایج پژوهشی را پوشش می‌دهند، و همگی به مسائل کاملاً باز ریاضیات می‌پردازند. این سامانه یک مدل داخلی بود که مأموریت داشت ۴۰۰۰ مسئلهٔ باز و حدس ریاضی را بررسی کند؛ بعضی از آنها دهه‌ها و بعضی حتی قرن‌ها بی‌پاسخ مانده بودند. به‌طور میانگین حدود سه ساعت زمان محاسبه لازم داشت و همین نتایج را تولید کرد. حاصل کار ۳۷۲ نتیجهٔ متمایز است، همراه با اثبات برای بخشی از این مسائل باز.
این واقعاً چیزی خارق‌العاده است. فکر می‌کنم همهٔ ما باید بپذیریم که اتفاقی بسیار ویژه رخ داده است، و به یک معنا این یک لحظهٔ تکاملی است. ریاضیدانان و ریاضیدانان محاسباتی مدت‌های طولانی از رایانه استفاده می‌کردند، اما رایانه فقط ابزار بود. شما رایانه را برنامه‌ریزی می‌کردید و رایانه، هرچند بسیار قدرتمند، فقط مثل یک دستور پخت همان چیزی را اجرا می‌کرد که ریاضیدان به آن می‌داد و نتیجه‌ای تولید می‌کرد؛ خلاقیتی در کار نبود. این برنامه‌ها ابزارهایی بودند که می‌شد روشن و خاموششان کرد و فقط محاسبه می‌کردند: دستکاری‌های جبری و نمادین یا محاسبات عددی. اما همه‌چیز از پیش تعیین‌شده بود و آنها فقط یک اسکریپت را اجرا می‌کردند.
ولی اخیراً از مرز خلاقیت عبور کرده‌اند. اکنون می‌توانند خلاقانه در جست‌وجوی راه‌حل باشند، ایده‌های تازه بیاورند و برای مسائل باز اثبات ارائه دهند. این چیزی کاملاً نو است و در همین دو سال اخیر رخ داده است. اکنون رویکرد پیشنهاد می‌دهند، مثال نقض پیدا می‌کنند و میان شاخه‌های دور از هم ریاضیات پیوند برقرار می‌کنند، کاری که پیش‌تر غیرقابل تصور بود. اعلام ۶ اکتبر اوج همین تحول تازه بود، و دربارهٔ همین می‌خواهم صحبت کنم.
اگر بخواهید، کمی دقیق‌ترش می‌کنم. این اعلام، یا این «لحظهٔ ششم اکتبر»، در خلأ رخ نداد. کمی زودتر آغاز شده بود و حاصل فرایندی است که حدود دو سال پیش شروع شد. از ۲۰۲۴ شروع شد، وقتی مدل‌های دیپ‌مایند (DeepMind) برای نخستین بار توانستند مسائل المپیاد جهانی ریاضی را حل کنند و در آن المپیاد مدال نقره بگیرند. زمانی برابر با زمان یک شرکت‌کنندهٔ انسانی در اختیارشان قرار گرفت و توانستند مدال نقره ببرند. بعد در ۲۰۲۵ مدل‌های پیشرفته‌تر دیپ‌مایند حتی مدال طلا گرفتند. و اکنون با ما در پژوهش همکاری می‌کنند و مسائل در سطح پژوهشی را حل می‌کنند. این شتابی است که من شاهدش بوده‌ام، و دربارهٔ همین می‌خواهم صحبت کنم.
شکاف میان مدل‌های آمریکایی و چینی
پاسکال: بله، و برای اینکه شنوندگان هم تصویری از مسئله‌ای که از این ماجرا پدید می‌آید داشته باشند: ما اکنون با این واقعیت روبه‌رو هستیم که هوش مصنوعی خلاق است و مسائل را حل می‌کند. اما آیا همهٔ این سامانه‌ها با یک سرعت پیش می‌روند؟ به گمانم یکی از مشاهدات شما این است که در ریاضیات، مدل‌های آمریکایی در خط مقدم‌اند. در همهٔ چیزهای دیگر هم بسیار خوب‌اند، و دیپ‌سیک (DeepSeek) و امثال آن هم همین‌طور، اما وقتی پای ریاضیات در میان است، این مدل‌های آمریکایی‌اند که در مرز دانش ایستاده‌اند. می‌توانید لحظه‌ای توضیح دهید که چرا این را مسئله می‌دانید؟
بابک حقیقت: آنچه اکنون می‌گویید، یعنی مدل‌های دیپ‌سیک و مدل‌های چینی دیگر، البته بسیار توانمندند. آنها در مسابقات ریاضی شرکت کرده‌اند و عملکرد بسیار خوبی هم داشته‌اند. اما آنچه من اینجا از آن حرف می‌زنم سطحی دیگر است. اعلام ۶ اکتبر یعنی برخی از دستاوردهای این مدل‌ها در حد مدال فیلدز است. اگر ریاضیدانی آنها را حل کرده بود، قطعاً مدال فیلدز می‌گرفت. البته اینجا باید احتیاط کنم. نباید بگوییم همهٔ این نتایجی که اکنون منتشر شده معتبرند. ریاضیدانان باید اثبات‌ها را وارسی کنند و ممکن است اشتباه در کار باشد. در واقع از همین ۷۲۲ مورد، سه مقاله فردای انتشار پس گرفته شد و عدد رسمی اکنون ۷۱۹ است. بخشی از آنها را می‌شود با نرم‌افزاری یا روشی به نام Lean به‌طور خودکار وارسی کرد، و آن‌وقت می‌شود مطمئن بود که درست‌اند. با این حال باید وارسی‌شان کرد. اما اگر از این وارسی‌ها سربلند بیرون بیایند، آن‌وقت اگر ریاضیدانی چنین کاری کرده بود، یک مدال فیلدز قطعی بود. شکاف از همین‌جا آغاز می‌شود. این مدل‌های چینی در این سطح نیستند. این نخستین نکته‌ای بود که می‌خواستم روشن کنم.
حالا شاید بگویید «خب، شاید این مشکلی نباشد». اما محدودیت‌هایی هست که می‌خواهم دربارهٔ آنها صحبت کنم و واقعاً مسئله‌ساز می‌شوند، به‌ویژه برای جامعهٔ ریاضیدانان، اما به گمان من در دامنه‌ای گسترده‌تر برای کل علم و حتی کل جهان. دلیلش ساده است… بگذارید این‌قدر بدبینانه شروع نکنم. می‌توانیم البته روی مشکلات تمرکز کنیم، اما همان ابتدا بگویم که این در اصل چیزی مثبت است. اگر در چارچوب درستی قرار بگیرد، این تحولی بسیار مثبت است، چون اکنون ریاضیدانان ابزاری فوق‌العاده قدرتمند دارند که به آنها امکان می‌دهد میان حوزه‌هایی پیوند بزنند که برای یک ریاضیدان منفرد پیش‌تر ممکن نبود. برای آشنایی با حوزه‌ای دیگر یک عمر وقت لازم داشتید. حالا می‌توانید حوزه‌های مختلف را به هم وصل کنید، گسترهٔ وسیعی از راه‌حل‌های ممکن را بکاوید و کارهای پژوهشی عظیمی را اجرا کنید که پیش‌تر شدنی نبود. به تعبیری از نردبانی بالا می‌رویم، یا اگر استعارهٔ بالا رفتن از تپه یا کوه را بپذیریم، چشم‌انداز بسیار بهتری داریم. از این نظر، برای علم چیز بسیار خوبی است.
چه کسی این ابزار را کنترل می‌کند؟
بابک حقیقت: اما مسئلهٔ اصلی این است که چه کسی آن را کنترل می‌کند. چه کسی این ابزار را در دست دارد؟ مشکل از همین‌جا شروع می‌شود. این ماجرا فی‌نفسه لزوماً بد نیست، اما مسئله به کنترل‌کننده برمی‌گردد. و این فقط مشکل ریاضیات نیست، مشکل کل علم است؛ چون اگر فکر کنید، ریاضیات بنیان همه‌چیز در جهان هستی است. اگر بخواهیم به زبان گالیله سخن بگوییم، کتاب طبیعت به زبان ریاضیات نوشته شده است. کسانی که ریاضیات را بفهمند و بر آن مسلط شوند، می‌توانند در گام بعد بر فیزیک، یا دست‌کم بخش بزرگی از آن، و بر دیگر علوم هم مسلط شوند. از این نظر ابزاری بی‌نهایت قدرتمند است. حتی خود هوش مصنوعی هم بنیادش ریاضیات است. وقتی ریاضیات بهتری بسازید، می‌توانید از آن برای ساختن هوش مصنوعی بهتر استفاده کنید. بنابراین از این نظر تحولی بسیار بزرگ است. اما همان‌طور که گفتم، ابزار به اهداف گوناگون خدمت می‌کند و در نهایت به دستی بستگی دارد که آن را به کار می‌گیرد. و این دست اکنون زیر کنترل شمار کمی از شرکت‌های خصوصی است.
پاسکال: بله، و این شمار اندک شرکت خصوصی که جدیدترین مدل‌های لازم برای این نوع پژوهش در مرز دانش را در اختیار دارند، همگی در ایالات متحده‌اند. و اگر گفتگوی پیشین ما را درست فهمیده باشم، یکی از مسائل این است که پژوهشگران در چین، یا در واقع هر جای دیگر جهان، اکنون با یک بن‌بست دوراهی روبه‌رو هستند: یا از این مدل‌ها استفاده نمی‌کنید و دیگر نمی‌توانید در سطح مرز دانش رقابت کنید، یا استفاده می‌کنید و به این ترتیب خودبه‌خود کراکنِ داده‌خوار آمریکایی‌ها را تغذیه می‌کنید. یا این است یا آن، درست است؟ هر دو با هم ممکن نیست.
بابک حقیقت: دقیقاً. همین مسئلهٔ اصلی است، و مرا به نکتهٔ بعدی می‌رساند، چون خودم چنین پژوهشگری هستم. من در چین زندگی می‌کنم، و می‌خواهم از هوش مصنوعی استفاده کنم، یا بهتر بگویم از ابزارهایی که به آنها دسترسی دارم استفاده می‌کنم. اما در اصل این ابزارها اکنون برای پژوهش روزمره ضروری شده‌اند. و این نگران‌کننده است، چون مدل‌هایی که این نتایج را تولید کرده‌اند، نخست، منتشر نشده‌اند. دربارهٔ همین اعلام حرف می‌زنم. حتی ریاضیدانان داخل آمریکا هم به این مدل‌ها دسترسی ندارند. منتشر نشده‌اند؛ نمی‌توانید بررسی کنید که نتیجه چگونه تولید شده، نمی‌توانید مدل را آزمایش کنید و از این قبیل. دوم اینکه سیاست شرکت‌ها اجازه نمی‌دهد مدل‌هایشان عمومی یا متن‌باز شود. و سوم اینکه بر اساس قانون آمریکا و قانون شرکت‌ها، هیچ‌کس در چین یا در جنوب جهانی یا در بسیاری کشورهای دیگر نمی‌تواند به این مدل‌ها دسترسی پیدا کند. استفاده از آنها برای مثال برای افراد مقیم چین ممنوع است. و این البته مشکلی بسیار بزرگ می‌آفریند، و برای ریاضیدانان به‌شدت ناعادلانه است. چون خود هوش مصنوعی، همان‌طور که گفتم، و بنیان ریاضی آن، حتی خود هوش مصنوعی، در همکاری جهانی میان پژوهشگران پدید آمده است. اما اکنون فقط چند شرکت به مدل‌های مرز دانش دسترسی دارند و خودشان تصمیم می‌گیرند چه کسی آنها را کنترل کند. این پارادوکس را به وجود می‌آورد.
چرا فاصلهٔ شش‌ماهه هم کوچک نیست؟
پاسکال: و می‌توانید سطح این مسئله را توصیف کنید؟ چون بعضی‌ها ممکن است بگویند: «شش ماه دیگر چین یا مدل‌های چینی به این سطح می‌رسند». پس این فاصلهٔ ناچیز میان بهترین مدل و مدل دوم چقدر می‌تواند بد باشد؟ آیا برای ریاضیات و برای کل توسعهٔ این فناوری آن‌قدر تفاوت ایجاد می‌کند؟
بابک حقیقت: قطعاً. چند نکته را باید اینجا ذکر کنم. همان‌طور که گفتم، بنیان هوش مصنوعی خود ریاضیات است. اگر از این ریاضیات استفاده کنید، یعنی بر ریاضیات کنترل بهتری داشته باشید، می‌توانید مدل بهتری بسازید، و این مدل به شما امکان می‌دهد ریاضیات بهتری هم بیافرینید. و این روند به‌صورت نمایی ادامه پیدا می‌کند. پس حتی یک دورهٔ شش‌ماهه چیز کوچکی نیست و می‌تواند پژوهشگران دیگر جاها را عقب‌مانده کند. می‌توان این‌گونه هم گفت: شاید بگویید در دنیای معمول شرکت‌ها این امری عادی است، شما ابزاری دارید و می‌توانید آن را بفروشید و در برابر پول هر شرطی که می‌خواهید تعیین کنید. اما ریاضیات همیشه یک کالای عمومی بوده است. ریاضیات از سپیده‌دم تاریخ در همکاری میان ریاضیدانان در گسترهٔ جغرافیایی وسیع و در طول قرن‌ها پرورده شده و پیوندهای بسیار میان فرهنگ‌های گوناگون برقرار کرده است. یعنی در تاریخ خود ما تنیده شده است. و به یک معنا، آنچه رخ داده با روح ریاضیات به‌عنوان کالای عمومی در تضاد است. با منافع تجاری هم سازگار نیست. و این فقط به زیان پژوهشگران چینی یا کسانی که اینجا مستقرند نیست، بلکه به زیان ریاضیدانان به‌طور کلی است، چون اکنون تصمیم دربارهٔ نحوهٔ استفاده از این ابزار بر اساس اصول ریاضیدانان نیست، بلکه بر اساس اصول تجاری است. یعنی کنترلش در دست ارزش‌آفرینی و بورس و از این قبیل است. ارزش سهام و چیزهایی مانند آن.
پاسکال: بله، اما بعد امنیتی ماجرا هم عظیم است. آنچه شما می‌گویید این است که رقابت هوش مصنوعی در ریاضیات رقابتی نمایی است. شش ماه پیشرفتِ امروز، شش ماه دیگر شاید شش سال پیشرفت باشد، چون ممکن است…
بابک حقیقت: همین را مشاهده می‌کنیم. بله.
پاسکال: و مشکل جهان غیرآمریکایی این است که مدل‌های مرز دانش همگی آنجا هستند و همین‌ها این پیشرفت را می‌آفرینند. ما حتی نمی‌توانیم بدانیم یا قضاوت کنیم که این پیشرفت تا کجاست، و نمی‌دانیم این برای مدل‌های آیندهٔ خودبهبودیاب چه معنایی خواهد داشت.
بابک حقیقت: دقیقاً. دقیقاً.
پاسکال: و منظورم از بُعد امنیتی این است که تنها چیزی که می‌توانیم کاملاً از آن مطمئن باشیم این است که ایالات متحده هر فناوری‌ای را که در اختیار داشته باشد بی‌درنگ در حوزهٔ نظامی به کار می‌گیرد. و این چشم‌انداز بسیار هولناکی است، مگر نه؟ به‌ویژه اگر هیچ وزنهٔ تعادلی در برابرش نباشد.
بابک حقیقت: دقیقاً. این مسئلهٔ دیگری است، مسئلهٔ امنیت، و فکر می‌کنم باید همه در چین و جاهای دیگر را بیدار کند تا کار را برای توسعهٔ پیشرفته‌ترین مدل‌های هوش مصنوعی آغاز کنند و با دانشگاه‌ها و ریاضیدانان برای ساختن چنین مدل‌هایی همکاری کنند. این بسیار مهم است، چون این کار در خلأ انجام نمی‌شود. باید به نتایج ریاضی دسترسی داشته باشید. همهٔ این مدل‌ها با استفاده از داده‌های ریاضیدانان و فیزیکدانانی آموزش دیده‌اند، همان‌هایی که، چنان‌که در آغاز گفتید، با این مدل‌ها کار می‌کنند؛ رویکردها و راه‌حل‌هایشان و از این قبیل برای آموزش مدل‌ها به کار رفته است. و این در آمریکا عمداً و برنامه‌ریزی‌شده و با تسهیل همین شرکت‌ها انجام شده است. چنین فرایندی در چین به این شکل رخ نداده است.
چین: سرمایه‌گذاری ساختارمند و داده‌های ریاضیدانان
پاسکال: چرا؟ ببخشید که حرفتان را قطع می‌کنم. وقتی از بیرون نگاه می‌کنم و به نحوهٔ پیشرفت کار دسترسی ندارم، اما می‌بینم که اخیراً چه مدل‌های درخشان چینی بیرون آمده، مثل دیپ‌سیک، با مدل‌های بسیار کم‌هزینه و کارآمد، آدم فکر می‌کند: «چین واقعاً شتاب بزرگی گرفته است.» و شما در یکی از بهترین مؤسسه‌های ریاضی چین، در یکی از بهترین دانشگاه‌های چین هستید؛ اما آنچه می‌گویید این است که سرمایه‌گذاری ساختارمند کافی یا همکاری کافی میان دولت و دانشگاه‌ها برای پیش‌بردن ساختاریافتهٔ این کار وجود ندارد؟
بابک حقیقت: مسئله در چین این‌گونه است. وضعیت در آمریکا هم چندان متفاوت نیست؛ کمی فرق دارد اما نه زیاد، چون بیشتر این شرکت‌ها به ارزش‌آفرینی علاقه دارند، یعنی به سود. محرکشان همین است. و در درجهٔ اول به ارزش‌ها و اصول ریاضیات به‌عنوان یک رشتهٔ علمی علاقه ندارند. این دو پیامد داشته است. پیامد نخست این است که پژوهشگران چینی در واقع بدون ابزارهای هوش مصنوعی‌ای مانده‌اند که بتوانند در پژوهش روزمره‌شان به کار ببرند. و این البته چیز بدی است و باید دربارهٔ آن نگران بود. اما چیز دیگری هم هست: این شرکت‌های چینی بر توسعهٔ مهارت‌های برنامه‌نویسی تمرکز کرده‌اند. این مدل‌های هوش مصنوعی در برنامه‌نویسی بسیار خوب‌اند، چون می‌توان از آن برای تجاری‌سازی فناوری استفاده کرد، ولی در ریاضیات چنین نیستند. این بخش تا حدی نادیده گرفته شده است تا مدل‌ها در ریاضیات هم بسیار قوی شوند.
اما پیامد دوم، که بسیار مهم است، این است که این وضع نه فقط برای جامعهٔ ریاضیدانان بد است، بلکه از نظر راهبردی هم بد است. می‌تواند از نظر راهبردی برای خود همین شرکت‌های چینی بد باشد، چون همان‌طور که گفتم هوش مصنوعی بر ریاضیات استوار است. اگر مدلی داشته باشید که در ریاضیات تواناتر است، می‌تواند از این ریاضیات پیشرفته‌تر برای ساختن مدلی بهتر استفاده کند. آن مدل می‌تواند ریاضیات بهتری بسازد. و این یک حلقهٔ بازخورد پدید می‌آورد که کل این منظومه را در همهٔ حوزه‌های دیگر هم بسیار بهتر می‌کند، حوزه‌هایی که ممکن است از نظر کاربرد تجاری یا در حوزه‌های امنیتی و مانند آن، چنان‌که شما اشاره کردید، سودمند باشد. پس این مشکلی است که ظاهراً به آن توجه نشده است. نمی‌دانم فکرش را نکرده‌اند یا به چه دلیل نادیده مانده، اما واقعاً وقتش رسیده که این همکاری با دانشگاه‌ها برقرار شود، به‌گونه‌ای که یک خط لولهٔ داده ساخته شود و مدل‌ها بتوانند با استفاده از ریاضیات در ریاضیات بیشتر بازآموزی شوند. و همچنین این مدل‌ها همچنان کالایی عمومی بمانند که ریاضیدانان بتوانند از آن استفاده کنند. این می‌تواند فقط برای چین نباشد. دست‌کم در قلمرو ریاضیات، اگر بتوان مدل را مثلاً به ریاضیات یا به ریاضیات و فیزیک محدود کرد، ریاضیدانان همه‌جا می‌توانند از آن استفاده کنند. و باید کالای عمومی باشد. این نخستین نکته است. و بعد، همان‌طور که شما گفتید، این بی‌درنگ برای همهٔ چیزهای دیگر، یعنی کاربرد تجاری و امنیتی و از این قبیل، پیامد دارد. و این البته بسیار نگران‌کننده است. اما راه مقابله‌ای فوری نداریم، مگر اینکه واقعاً این مسیر را دنبال کنیم و این مدل‌ها را به شیوه‌ای ریاضی‌تر توسعه دهیم.
تراشه‌ها، تحریم‌ها و نسخهٔ موفقیت آمریکا
پاسکال: به نظر شما نسخهٔ موفقیت ایالات متحده چه بود که چین ندارد، تا به این نقطه برسند که آمریکا در خط مقدم این‌قدر جلوتر است، و حالا تفاوت بزرگی ایجاد کرده؟ آنها چگونه به اینجا رسیدند، در برابر چین که نرسیده یا هنوز نرسیده؟ چه چیزی تفاوت بزرگ را می‌سازد؟
بابک حقیقت: خب، از نظر تاریخی می‌شود گفت هوش مصنوعی به معنای مدرن، یعنی همین شبکه‌های عصبی، البته توسعه‌اش در آمریکا آغاز شد، و بعد پیشرفت کندی داشت و سرانجام شتاب گرفت. اما دانشگاه‌ها و شرکت‌های چینی و پژوهشگران جاهای دیگر جهان هم آن را برگرفتند و البته توسعه‌اش دادند. اما پیشرفت اخیرتر عمدتاً به همین پردازنده‌های گرافیکی، یعنی تراشه‌ها، برمی‌گردد. آمریکایی‌ها تحریم‌های گسترده‌ای بر چین و کشورهای دیگر اعمال کرده‌اند تا مثلاً نتوانند برخی تراشه‌ها را طراحی کنند؛ آنها البته می‌توانند طراحی کنند و در طراحی تراشه در اینجا بسیار توانمندند، اما بعد باید آن را جایی بفرستید که ساخته شود. هر کسی ماشینی ندارد که این تراشه‌ها را بسازد. دو نوع تراشه داریم: پردازنده‌های مرکزی (CPU) و پردازنده‌های گرافیکی (GPU). این پردازنده‌های گرافیکی برای شبکه‌های عصبی بسیار مهم‌اند، و پردازنده‌های مرکزی برای سرعت محاسبات و محاسبات کلاسیک. اما همهٔ این سامانه‌ها جایی ساخته می‌شوند و برای ساختنشان فناوری بسیار پیشرفته‌ای لازم است. شما می‌توانید آنها را به شیوه‌ای بسیار پیچیده طراحی کنید. به گمانم آن دانش اکنون در چین هم هست، اما من در این زمینه متخصص نیستم و باید محتاط باشم؛ تا جایی که می‌دانم تأسیساتی که واقعاً بتوانند آنها را بسازند هنوز در آن سطح در دسترس نیستند. و آمریکا دقیقاً بر همین فناوری‌ها، یعنی همین زیربناهای فناورانه، تحریم گذاشت. و برای آموزش مدل به تعداد عظیمی پردازندهٔ گرافیکی بسیار پرسرعت نیاز دارید. این یک چیز است. و چیز دیگر اینکه برای استفاده از داده‌های ریاضیدانان در آموزش این مدل‌ها همکاری با خود ریاضیدانان لازم است. اینهاست که در واقع بسیاری از این مشکلات را می‌آفریند.
البته چین هم دارد تلاش می‌کند عقب نماند. برنامه‌های بسیار زیادی برای رسیدن به سطح تراشه‌ها و همین پردازنده‌های گرافیکی هست، اما در سطح خط لولهٔ داده، با ریاضیدانان و مؤسسه‌های ریاضی و از این قبیل، همکاری چندانی نیست. ولی می‌خواهم اینجا واقعاً تأکید کنم که تا آنجا که به ریاضیات مربوط است، این باید یک تلاش عمومی باشد. من طرفدار این نیستم که چین فقط الگوی آمریکا را کپی کند، یعنی همان خط لولهٔ داده را بسازد، مدل‌ها را آموزش بدهد و بعد آنها را ببندد و در دسترس هیچ‌کس دیگر نگذارد. آن‌وقت دوباره مشکلی مشابه می‌آفرینید. تا آنجا که به ریاضیات مربوط است، این‌ها باید سامانه‌هایی باز باشند.
دو معنای «باز بودن»
پاسکال: بله، و توسعهٔ هوش مصنوعی در چین در واقع بر دسترسی باز به مدل‌هایشان استوار بوده است. از همان آغاز آنها را باز کردند تا قابل جست‌وجو و بررسی باشند و از این قبیل. و فکر می‌کنم این هم نسخهٔ موفقیت است. شاید بتوانیم کمی دربارهٔ آن حرف بزنیم. رویکرد آمریکا این است که بزرگ‌ترین مدل را بسازند، سریع‌ترین را، با بیشترین هزینهٔ ممکن، و بعد آن را ببندند و مطمئن شوند هیچ‌کس بدون اجازهٔ آنها نتواند از آن استفاده کند. رویکرد چینی در حال حاضر این است: «نه، بیایید این را تا حد ممکن باز کنیم تا همه بتوانند بررسی کنند.» و مزیتش این است که افراد بیرون از چین هم می‌توانند مشارکت کنند، درست است؟ پژوهشگران در نیجریه یا کلمبیا یا استرالیا می‌توانند با آن کار کنند، و این ممکن است اثر شبکه‌ای سودمندی بیافریند. اما آیا تاکنون دیده‌ایم که این رویکرد باز به پیشرفت‌هایی بینجامد که در چارچوب صرفاً ملی شاید ممکن نبود؟
بابک حقیقت: وقتی از باز کردن سامانه حرف می‌زنیم، دو مرحله در کار است. همان‌طور که گفتید، بسیاری از سامانه‌های چینی، برخی‌شان متن‌باز هستند و بسیاری‌شان آزادانه در دسترس‌اند. هرچند باید هزینه بپردازید؛ اگر مثلاً از طریق API استفاده کنید، که خط لوله‌ای است که با رایانه‌تان برقرار می‌کنید، باید پول بپردازید، اما این هزینه در مقایسه با مثلاً مدل‌های آمریکایی واقعاً ناچیز است. حدود صد برابر ارزان‌تر است. و از این نظر بسیار پایدار است و تحول خوبی است، چون البته باید پول داد، چون این سامانه‌ها برق مصرف می‌کنند، درست است؟ پس دست‌کم باید برای همین پول پرداخت. پس از این نظر درجه‌ای از بازبودن وجود دارد و برخی از این مدل‌ها متن‌باز هستند و از این قبیل. اما اینکه چگونه این مدل‌ها آموزش ببینند یا طراحی چگونه پیش برود، این‌ها چندان باز نیست، چون برای این کار باید واقعاً زیرساخت ساخت، و دانشگاه‌ها بر منابع عظیمی مثل پردازنده‌های گرافیکی کنترل ندارند، درست است؟ و اینجاست که این شرکت‌های بزرگ، حتی شرکت‌های خصوصی، یا شاید دولت چین، می‌توانند نقش داشته باشند. اما دانشگاه‌ها معمولاً به این حجم عظیم سرور و مانند آن دسترسی ندارند. بعضی‌شان به نوعی به مراکز داده دسترسی دارند، اما یا محدود به همان دانشگاه است یا آن دانشگاه به آن دسترسی دارد ولی شرکت با آن دانشگاه کار نمی‌کند. مدل آرمانی، یعنی مرحلهٔ دوم، این است که ریاضیدانان، یا اگر بخواهید برای علم، دانشمندان و ریاضیدانان با همکاری مشترک، مثلاً با دولت و مراکز داده یا شرکت‌ها، چنین سامانه‌ای را برپا کنند و مدل‌هایشان را با هم آموزش دهند و دربارهٔ اینکه چگونه استفاده شود و در آینده چگونه شکل بگیرد هم با هم تصمیم بگیرند. این همان نوع دوم بازبودن است که به گمانم هنوز وجود ندارد.
پاسکال: پس به یک معنا، آرزوی شما این است که فردا یا هفتهٔ آینده دولت تصمیم بگیرد شورایی برای پژوهش هوش مصنوعی ریاضی تشکیل دهد، که دانشگاه‌ها و مدیران عامل شرکت‌های چینی‌ای را که همین حالا چنین مدل‌هایی تولید می‌کنند کنار هم بنشاند و به آنها بگوید: «شما حالا باید با هم کار کنید. ضمناً این ریاضیدانان و این دانشگاه‌ها باید دسترسی آزاد به همهٔ این‌ها داشته باشند، و شما باید هرچه زودتر راهی پیدا کنید که این در دسترس قرار گیرد تا پژوهش ریاضی هرچه زودتر پیش برود.» همین آرزوی شما است، درست است؟
بابک حقیقت: درست است. یا این، یا اینکه دولت نوعی سرمایهٔ اولیه فراهم کند، که می‌تواند نسبتاً بالا باشد، به‌خاطر خرید این سامانه‌های پیشرفتهٔ پردازندهٔ گرافیکی و مانند آن، تا چند دانشگاه بتوانند با هم همکاری کنند و شاید ریاضیدانان سراسر جهان را دعوت کنند تا برای آموزش این سامانه‌ها با هم کار کنند. و چون فقط چین چنین منابع عظیمی دارد، چین واقعاً می‌تواند از پس این کار برآید، یعنی این سامانه‌ها در چین مستقر باشند، اما به این معنا باز باشند که ریاضیدانان بتوانند آنها را آموزش بدهند و به جدیدترین مدل‌ها برای پژوهششان دسترسی آزاد داشته باشند. این وضعیت آرمانی می‌بود. یا، همان‌طور که در آغاز گفتید، با تسهیل دولت، تماس یا همکاری نزدیکی میان شرکت‌ها و دانشگاه‌ها برقرار شود تا اهداف معین به کارآمدترین و اثربخش‌ترین شیوه دنبال شود.
پاسکال: پس آنچه می‌گویید این است که اکنون آنچه کم داریم یک پلتفرم ریاضی-هوش مصنوعی است، پلتفرمی برای همه یا برای همهٔ ریاضیدانان جهان تا بپیوندند، مثل فیس‌بوک ثبت‌نام کنند و شروع کنند به گذاشتن مطالبشان و همزمان ورودی و خروجی بدهند، تا سامانه با هم پیش برود. این را الان نداریم، درست است؟
بابک حقیقت: نداریم. دقیقاً. البته نباید برای کل جهان بگذارند. باید برای خود مدل بگذارند تا مدل یاد بگیرد و با هم همکاری کنند و از این قبیل. و البته همین گذاشتنِ این اثبات‌ها برای کل جهان هم بسیار نابهنگام است، چون این سبک علمی نیست. باید واقعاً… خب، بسیاری چیزها در این کار جا افتاده و این مشکلات فراوانی می‌آفریند. اگر بخواهید می‌توانم این را هم باز کنم، اما این بحث دیگری است: اینکه این نتایج چگونه تولید می‌شوند و چه مقدار از آن برای جامعهٔ ریاضیدانان در شیوهٔ تولیدشان از دست می‌رود، و اینکه چگونه باید بهتر انجام شود. و این هم جنبهٔ دیگر ماجرا است.
پاسکال: می‌فهمم. جالب است که این مشکل را داریم. آدم فکر می‌کند این‌همه ظرف و بستر وجود دارد چون در سال ۲۰۲۶ با هوش مصنوعی زندگی می‌کنیم، و طبیعتاً همهٔ این راه‌های تبادل هست، اما نیست. پس هنوز مشکل تکه‌تکه‌بودن را داریم: آمریکایی‌ها دارایی‌شان را برای خودشان نگه می‌دارند، دیگران آن‌طرف، سامانه‌ها به هم وصل نیستند، و یک پلتفرم عمومی برای تعامل ساختارمند نداریم. منظورم این نیست که همه هرچه دارند بیرون بریزند، بلکه روی یک پلتفرم خوب می‌توانید گروه‌هایی از افراد بسازید که کار یکدیگر را وارسی کنند، و فرایندی ساختارمند داشته باشید تا به خروجی ساختارمند برسید.
بابک حقیقت: این را نداریم. جالب است، نه؟ نداریم. این مشکل بزرگ است. بله، و دقیقاً همین مسائل بعدی را می‌آفریند که شما اشاره کردید.
سخت‌افزار، انرژی و رقابت بر سر منابع
پاسکال: و فکر می‌کنید چنین چیزی را یک جادوگر فناوری اطلاعات با کمی پول و از این قبیل می‌تواند بسازد، یا آن‌قدر بزرگ و پیچیده است که منابع دولتی لازم دارد؟
بابک حقیقت: آن‌قدر بزرگ و پیچیده است که منابع دولتی لازم دارد. جزء بنیادین اصلی سخت‌افزار است. و یک جادوگر فناوری اطلاعات نمی‌تواند آن سخت‌افزار را فراهم کند. و…
بابک حقیقت: تریلیون‌ها پارامتر. و برای آموزش دادن این حجم از پارامترها واقعاً زمان محاسبهٔ عظیم و تعداد عظیمی منبع لازم دارید. و اینجاست که دولت باید وارد شود.
پاسکال: کمک کند. ببخشید، شاید این ما را به مسیر کمی متفاوتی ببرد، اما می‌دانید که یکی از موانعی که در هر پژوهشی می‌بینم البته مسئلهٔ سخت‌افزار است، اما دیگری ظاهراً روزبه‌روز بیشتر مسئلهٔ انرژی هم می‌شود. آیا می‌توان انرژی کافی تولید کرد تا سخت‌افزارهای موجود با تمام ظرفیت کار کنند، یا مسئلهٔ انرژی هم هست؟
بابک حقیقت: فکر می‌کنم در چین این مسئله رسیدگی شده است. مراکز دادهٔ عظیمی در بخش‌های مختلف کشور هست. در آن مراکز داده، مثلاً در استان سین‌کیانگ یا مغولستان داخلی و جاهای دیگر، تأمین می‌شود که برق مثلاً از انرژی بادی و خورشیدی و مانند آن داشته باشند. بنابراین این زیرساخت ساخته شده است، و این کار خوبی است. فکر می‌کنم این شیوه‌ای آینده‌نگر و مسئولانه از جانب برنامه‌ریزان چینی در راه‌اندازی آن است. اما نوع دسترسی یا همکاری با دانشگاه‌ها انجام نشده است. امیدوارم همین حالا که صحبت می‌کنیم آغاز شده باشد، اما این چیزی است که تاکنون نبوده است. و در مورد انرژی هم، چون چین کشوری عظیم است، مناطقی دارد که آفتاب یا باد بیشتری دارند و انرژی را مثلاً از این راه‌ها تأمین کرده‌اند. و منبع انرژی دیگر البته نفت است. و این چیز بزرگی است، چنان‌که همه این روزها می‌دانیم، و منبعی کمیاب است و دقیقاً به‌خاطر همهٔ این کاربردها اکنون به شدت محل منازعه است. و به گمانم در همهٔ منازعاتی که در جهان در جریان است نقش پررنگی دارد.
پاسکال: آقا، منازعاتی که داریم به اندازهٔ کافی هولناک‌اند، اما آمریکایی‌ها بیش از پیش از یک «جنگ انرژی» حرف می‌زنند. فکر می‌کنید بخشی از مسئلهٔ انرژی دست‌کم از تحولات هوش مصنوعی و نیازهای آن الهام گرفته باشد؟
بابک حقیقت: قطعاً. چون این مدل‌ها و این سامانه‌ها اکنون مقدار عظیمی انرژی مصرف می‌کنند. پس این قطعاً یکی از مسائل اصلی است. در حالی که، به‌طور معمول، جنگ‌ها را ایالات متحده به راه می‌اندازد، و از این نظر فکر می‌کنم، بله.
پاسکال: چقدر احتمال دارد که رویکرد چینی، یعنی تلاش برای ساختن مدل‌های اقتصادی‌تر، مدل‌هایی که چندان پرمصرف نیستند چون بر شیوه‌های هوشمندانه‌تر استدلال بنا شده‌اند، در جایی از مسیر از رویکرد آمریکایی پیشی بگیرد، رویکردی که همیشه می‌گوید بزرگ‌تر، بزرگ‌تر، بزرگ‌تر کن، اما همیشه مصرف می‌کند؟
بابک حقیقت: ممکن است. شاید در جایی به خط برش برسیم، به نقطه‌ای که صرفه‌جویی انرژی در رویکرد چینی بر رویکرد زورمندانهٔ آمریکایی پیشی بگیرد. این می‌تواند رخ بدهد. من در این باره متخصص نیستم. همان‌طور که شما و بسیاری دیگر دیده‌اید، این مدل‌های چینی بسیار ارزان‌ترند و یکی از دلایلش شاید این باشد که انرژی کمتری مصرف می‌کنند. به شیوه‌ای هوشمندانه‌تر برای انجام برخی کارها طراحی شده‌اند و این می‌تواند بعدها نقش بازی کند. اما نخست باید ببینیم آیا این معماری‌ها می‌توانند به سامانه‌هایی منتقل شوند که واقعاً استدلال سطح بالا انجام می‌دهند. این سامانه‌هایی که استدلال سطح بالا دارند، حلقه‌های اندیشیدن دارند که چینی‌ها هم دارند. سامانه‌های چینی این را یاد گرفته‌اند. این کار بسیار خوبی است، اما آنها در سطح پژوهش یا کشف نیستند و این چیز بسیار تازه‌ای است. یعنی این نقطهٔ عطف ۲۰۲۶، اینکه اکنون هوش مصنوعی می‌تواند ریاضیات جدید کشف کند، هنوز آنجا نیست و باید صبر کنیم و ببینیم وقتی سامانه‌های چینی به این نقطه برسند، آیا هنوز می‌توانند مصرف انرژی پایین‌تر را حفظ کنند. و این ممکن است بعدها نقش مهمی بازی کند، قطعاً.
ریاضیات پس از ۲۰۲۶: انسان یا ماشین؟
پاسکال: فکر می‌کنید کشف ریاضیات از این پس، از ۲۰۲۶ به بعد، کم‌وبیش به ماشین‌ها سپرده می‌شود، یا اینکه انسان‌ها هنوز توانایی‌های ذاتی‌ای دارند که سامانه‌های هوش مصنوعی نمی‌توانند بازتولیدشان کنند و کشف برخی انواع چیزها را ممکن می‌سازد؟
بابک حقیقت: قطعاً تا امروز انسان‌ها برخی توانایی‌های ذاتی دارند که سامانه‌های هوش مصنوعی ندارند. البته سامانه‌های هوش مصنوعی هر کاری را که انسان‌ها می‌کنند انجام نمی‌دهند؛ می‌توانند مقاله‌ای را فقط با سرعت ماشین بنویسند، و البته می‌توانند همهٔ این نتایج را بیافرینند، اما کارها یا چیزهایی هست که تا اینجا… بنابراین بیشتر کار این مسائلی هم که حل شده‌اند را ریاضیدانان سراسر جهان انجام داده‌اند. و بعد هوش مصنوعی آمد و شکاف‌ها را پر کرد. این داستان دیگری است. البته باید به‌قدر کافی هوشمند باشد که همهٔ الگوها را تشخیص بدهد و همهٔ ایده‌های تازهٔ لازم را بیافریند، اما چنین نیست که از صفر انجامش داده باشد. و در بسیاری موارد ریاضیدانان واقعاً با هوش مصنوعی کار می‌کردند و آن را دقیقاً تا نزدیکی هدف هدایت می‌کردند، و بعد شرکت‌ها اجازه دادند هوش مصنوعی کار را به دست بگیرد و شکاف‌ها را پر کند. پس ریاضیدانان همچنان می‌توانند نقش بسیار مهمی داشته باشند. و فکر می‌کنم اگر درست انجام شود، این فقط می‌تواند کمک کند: اگر از این ابزارها استفاده کنید تا جایگاه نظارهٔ بسیار بهتری داشته باشید، جایی که چشم‌انداز بسیار بهتری از ریاضیات دارید و می‌توانید مسیر را بسیار گسترده‌تر ترسیم کنید. چنین چیزهایی را در گذشته دیده‌ایم، وقتی سامانه‌های جبر رایانه‌ای آمدند و برخی معادلات را برایتان حل کردند، در حالی که پیش‌تر خودتان با دست حل می‌کردید؛ این سامانه‌های جبری همان کار را بسیار سریع‌تر انجام می‌دادند، و این ابزاری شد. و به همین ترتیب این هم می‌تواند ابزاری شود. مسئلهٔ دیگر فقط این است که این ابزار کاملاً خودمختار شود و پژوهش را کاملاً خودمختار انجام دهد و شروع کند خودش تصمیم بگیرد چه چیزی در ریاضیات جالب است و فقط همان مسیر را دنبال کند. حتی در آن صورت هم، اگر چنین چیزی رخ دهد، فکر می‌کنم ریاضیدانان همچنان مهم‌اند، چون این ماشین شاید فقط هر چیزی را که برای خودش جالب است دنبال کند.
پاسکال: یک پرسش مرتبط دارم که شاید پاسخ ندارد، اما همین حالا ذهنم را مشغول کرده است. آیا ممکن است ریاضیات «تمام شود»؟ یعنی نقطه‌ای وجود دارد که ریاضیات صددرصد کاویده شده باشد، یا مجموعه‌ای بی‌پایان است؟
بابک حقیقت: ریاضیات بی‌پایان است، و فیزیک هم همین‌طور، چون بی‌پایان است. یعنی جهان بی‌کران است. بعضی ممکن است ایراد بگیرند و بگویند جهان بی‌کران نیست، اما آن‌وقت می‌توانم بگویم جهان‌های موازی (multiverse) بی‌کران است. پس به این معنا امکان‌های بی‌شماری وجود دارد و هرگز تمام نخواهد شد و همیشه گوشه‌ای برای ریاضیدان هست تا روی آن کار کند، با هوش مصنوعی یا بدون آن، احتمالاً با هوش مصنوعی. اما فکر می‌کنم باید مراقب بود که هوش مصنوعی ابزار ریاضیدان بماند، نه برعکس. نه اینکه ریاضیدان ابزار هوش مصنوعی شود، چون اخیراً همین رخ داده است. اگر بخواهید می‌توانید این‌گونه ببینید: چون این سامانه‌های هوش مصنوعی آموزش دیده‌اند، وقتی این ریاضیدانان از هوش مصنوعی برای حل مسائلشان استفاده می‌کردند، در واقع همین سامانه‌ها را آموزش می‌دادند، بی‌آنکه خودشان متوجه باشند. و ناگهان این سامانه‌ها آمدند و همهٔ مسائل ما، یا بهتر بگویم همهٔ مسائل آنها را حل کردند. پس به یک معنا ریاضیدانان به‌عنوان ابزار به کار گرفته شده‌اند. و بعد اعلام شد که این مسئله «با هوش مصنوعی حل شد». این مسئلهٔ بزرگ دیگری است، چون ناگهان ریاضیدانی که تمام عمرش یا دهه‌ها روی مسئله‌ای کار کرده، همه‌چیز از او گرفته می‌شود و فقط می‌تواند تماشا کند که هوش مصنوعی گام پایانی را برمی‌دارد و بعد اعلام می‌شود این «حل‌شده با هوش مصنوعی» است. و این چیزی است که باید بسیار مراقبش باشیم، تا مطمئن شویم هوش مصنوعی ابزار می‌ماند و انسان‌ها ابزار هوش مصنوعی نمی‌شوند.
مسابقهٔ تسلیحاتی یا کالای عمومی؟
پاسکال: بله، ما به آن بسیار نزدیکیم. من خودم به جایی رسیده‌ام که ChatGPT من به من می‌گوید: «لطفاً اینجا کلیک کن تا بتوانم کارم را ادامه دهم.» و من می‌گویم: «باشد، خیلی خوب.» ببخشید، چت، که نمی‌گذارم کارت را بکنی. اما نه، جدی، ما به همین نقطه رسیده‌ایم. اما چیز جالب یا مهم برای ما این است که نه‌فقط هوش مصنوعی را دوست‌دار انسان و در حد ابزار نگه داریم، بلکه مطمئن شویم، و فکر می‌کنم به‌تازگی هم دیده‌ایم، که به مسابقه‌ای میان ملت‌ها، یکی علیه دیگری، تبدیل نمی‌شود. و همین حالا هم چنین است، درست است؟ دست‌کم ایالات متحده ظاهراً آن را چنین می‌بیند، و این یعنی چین و دیگران چاره‌ای ندارند جز اینکه آن را مسابقه‌ای برای بقا ببینند، چون هر کس که زودتر ابزار نهایی را داشته باشد زودتر قدرت نهایی را خواهد داشت، درست است؟
بابک حقیقت: دقیقاً. همین حالا عمدتاً ایالات متحده آن را مسابقهٔ تسلیحاتی می‌بیند. و ما باید از این مسیر دور شویم. این بسیار خطرناک است و حتی برای جامعهٔ ریاضیدانان در آمریکا هم ناسالم است. و از این نظر، همه باید علاقه‌مند باشند که از این مسابقهٔ تسلیحاتی فاصله بگیرند و ریاضیات را کالای عمومی کنند، یا یک زیست‌بوم عمومی برای ریاضیدانان و دانشمندان بسازند تا هوش مصنوعی را به شیوه‌ای مسئولانه به کار ببرند. چون اگر کالایی عمومی مانند ریاضیات را بگیرید و کنترل آن را به شمار اندکی از منافع خصوصی بدهید، این کالای عمومی را در واقع به سرمایهٔ خصوصی تبدیل می‌کنید. این…
پاسکال: این یک آرمان از دست‌رفته است. یعنی ما هرگز نخواهیم توانست نیروهای سرمایه‌داری را در داخل ایالات متحده و نیروی جنگ‌طلبی را از تصاحب این فناوری بازداریم. در واقع تاکنون تصاحب شده است. این را در مورد انرژی هسته‌ای دیده‌ایم. تنها چیزی که کم‌وبیش تعادل را حفظ کرد این بود که شوروی هم توانست همان فناوری را توسعه دهد.
بابک حقیقت: آنچه من می‌گویم این است که این فناوری باید توسعه یابد، اما به دست چین و مثلاً جنوب جهانی، شاید با همکاری اروپا هم. این بسیار مطلوب است، چون بسیاری از ریاضیدانان اروپایی هم از همهٔ این تحولات بسیار ناخشنودند. اما علاوه بر آن، فکر می‌کنم برخلاف مسئلهٔ هسته‌ای، این کوششی بسیار صلح‌آمیز است و می‌توان آن را به‌صورت کوششی کاملاً صلح‌آمیز طراحی کرد. ممکن است کاربردهای دیگری هم داشته باشد، اما از این جهت فکر می‌کنم این در درجهٔ نخست در منافع چین هم هست که آن را توسعه دهد و بعد، به یک معنا، آن را در دسترس عموم قرار دهد، همان‌گونه که برخی از این ابزارها هم اکنون هستند.
پاسکال: هیچ چیزی که تاکنون به میز رئیس‌جمهور ایالات متحده رسیده به شیوه‌ای صلح‌آمیز به کار نرفته است. بنابراین دوست دارم توجه پنتاگون چین را به این مسئله جلب کنم و بگویم: ببینید، روشن است که اکنون می‌دانیم پلتفرم بیشتری لازم است و تعامل نظام‌مندتر، تا در این مسابقهٔ هوش مصنوعی از آمریکایی‌ها عقب نمانیم. چون من بسیار، بسیار نگرانم، زیرا می‌دانیم نظام آمریکا این‌گونه کار نمی‌کند. این ایده که چیزی باید در منفعت همهٔ بشریت باشد در آن جاری نیست. حتی نیل آرمسترانگ که به ماه رفت، با آن «گامی کوچک برای یک انسان، جهشی بزرگ برای بشریت»، همه‌اش دربارهٔ آزمودن همان سامانه‌های موشکی بود تا او را آن بالا برسانند.
بابک حقیقت: بله، خب، من با این مخالفتی ندارم. آنها هر کاری بخواهند آنجا خواهند کرد، اما فکر می‌کنم ما اینجا باید مسیری متفاوت را دنبال کنیم.
پاسکال: نه، باید. درست است.
بابک حقیقت: نه با همان منطق. اما همان‌طور که گفتید باید از این آگاه باشید، چون ممکن است خیلی زود بسیار خطرناک شود.
پاسکال: مطمئنم همین حالا هم هست. کاملاً مطمئنم.
سخن پایانی
پاسکال: بابک، این گفتگو بسیار بسیار جالب بود. آیا چیزی هست که هنوز به آن نپرداخته باشیم و بخواهید بیان کنید؟
بابک حقیقت: فکر می‌کنم به همهٔ موضوع‌ها پرداختیم، و این واقعاً خوب بود. توانستیم همهٔ موضوع‌ها را پوشش بدهیم. و نکتهٔ پایانی همان است که پیش‌تر گفتم: باید دست‌کم تا آنجا که به ریاضیدانان مربوط می‌شود، این را چنین کنیم. بخش امنیتی و مانند آن را نمی‌دانم و البته نمی‌توانم واردش شوم، اما ریاضیدانان باید به بهترین مدل‌ها دسترسی داشته باشند و این باید کالایی عمومی باشد. و به یک معنا همین است که هوش مصنوعی را به ابزاری برای بشریت تبدیل می‌کند و آینده‌ای بهتر برای علم به‌طور کلی می‌آفریند. فکر می‌کنم این مهم‌ترین چیزی است که می‌خواستم دربارهٔ ریاضیات بگویم، و مسائل دیگر را هم پیش‌تر مطرح کردیم. از این نظر فکر می‌کنم همهٔ نکته‌ها را پوشش دادیم.
پاسکال: و آخرین چیزی که همیشه از میهمانانم می‌پرسم این است که شنوندگان ما کجا می‌توانند شما را پیدا کنند؟ چگونه با شما تماس بگیرند و معمولاً نوشته‌ها و دیدگاه‌هایتان را کجا منتشر می‌کنید؟
بابک حقیقت: از طریق وب‌سایتم در دسترسم. می‌توانید جست‌وجویم کنید؛ یک وب‌سایت پژوهشی کوچک دارم و می‌توانند از طریق ایمیل با من تماس بگیرند. هنوز چیز دیگری ندارم، چون فقط یک پژوهشگرم. نه سابستک دارم و نه…
پاسکال: بله، بله، بله.
بابک حقیقت: …چیزی از این دست. اما همیشه می‌توانند به من ایمیل بزنند و با من تماس بگیرند و هر چه مهم است با من در میان بگذارند. فکر می‌کنم می‌توانم ایمیلم را هم بدهم، شما ایمیلم را دارید. پس از این نظر این کاری است که می‌توانم بکنم.
پاسکال: مستقیم. و فقط برای احتمال کم اینکه کسی در پنتاگون چین گوش می‌دهد: لطفاً این را اشاره‌ای بدانید که همکاری بیشتری باید ایجاد شود و دسترسی به منابع واقعی فراهم شود تا رقابت باخته نشود. شاید یک پرسش پایانی، بابک: وقتی مدل‌های هوش مصنوعی از این هم بهتر شوند و از آنها بپرسیم معنای زندگی چیست، چقدر احتمال دارد پاسخ «۴۲» باشد؟
بابک حقیقت: بله، فکر می‌کنم همین حالا هم دارد اتفاق می‌افتد.
پاسکال: من هنوز انگشت‌هایم را ضربدر نگه داشته‌ام که شاید در پایان حق با آنها بود، شاید واقعاً ۴۲ بود. بسیار خوب. با این حرف، بابک حقیقت، از وقتی که گذاشتید بسیار سپاسگزارم.
بابک حقیقت: از شما بسیار ممنونم، پاسکال. متشکرم. خداحافظ.
منابع و مآخذ
Science Coup: US AI is Taking Control of Mathematics | Prof. Babak Haghighat، گفتگوی پاسکال با بابک حقیقت، برنامهٔ Neutrality Studies (یوتیوب): https://www.youtube.com/watch?v=wEOpKfL1tMc
توضیح مترجم:
· مدل وزنباز (Open-Weight): سازنده فقط فایل نهاییِ «مغز» (همان وزن‌ها) را برای دانلود در اختیار شما می‌گذارد. شما می‌توانید این مدل را روی کامپیوتر خودتان اجرا کنید، با داده‌های خودتان آموزشش دهید و شخصی‌سازی‌اش کنید. اما دستور پخت اصلی را ندارد؛ یعنی نمی‌دانید مدل با چه داده‌هایی، با چه کدی و طی چه مراحلی ساخته شده است. به همین دلیل نمی‌توانید آن را دقیقاً بازسازی یا به طور کامل ممیزی کنید.
· مدل متن‌باز (Open-Source): در این حالت، سازنده همهٔ اطلاعات لازم برای ساخت مدل را منتشر می‌کند: وزن‌ها + کدهای آموزش + داده‌های آموزشی (یا حداقل اطلاعات کامل دربارهٔ آنها). این شفافیت کامل به شما اجازه می‌دهد نه فقط از مدل استفاده کنید، بلکه آن را از صفر بازسازی، بررسی و ممیزی کنید.
یک مثال ساده: تفاوت این دو مثل تفاوت یک غذای آماده (وزنباز) با دستور پخت کامل و مواد اولیهٔ آن (متن‌باز) است. با غذای آماده می‌توانید غذا را سرو یا کمی تغییرش دهید، اما دستور پخت را ندارید؛ در حالی که با دستور پخت کامل می‌توانید کل غذا را از ابتدا خودتان بپزید و از سالم بودن مواد آن مطمئن شوید.
هوش مصنوعی متن‌باز (که در عمل بیشتر همان وزنباز است) برای فرد یا شرکت کوچک و متوسط فعلاً مقرون‌به‌صرفه نیست، چون اجرای مدل‌های قدرتمند به سخت‌افزار گران‌قیمت مانند چند GPU حرفه‌ای و حافظه بسیار بالا نیاز دارد، آموزش یا تنظیم دقیق مدل هزینه‌های میلیون‌دلاری ایجاد می‌کند، استفاده روزمره هم هزینه محاسباتی و عملیاتی مداوم دارد و در کنار آن به نیروی متخصص و پرهزینه برای نگهداری و بهینه‌سازی نیاز است؛ بنابراین وزنباز بودن مدل به معنای رایگان یا آسان بودن استفاده نیست و بیشتر افراد و شرکت‌های کوچک ناچارند به جای اجرای محلی به سرویس‌های ابری و API روی بیاورند.