في مثال صارخ على كيفية إعادة تشكيل الذكاء الاصطناعي للبحث العلمي، تعاونت شركة Google DeepMind مع علماء رياضيات مشهورين لتسخير أدوات الذكاء الاصطناعي لحل بعض أصعب ألغاز الرياضيات.
يسلط التعاون، الذي تم الإعلان عنه هذا الأسبوع، الضوء على نظام جديد للذكاء الاصطناعي يسمى AlphaEvolve والذي لا يعيد اكتشاف الحلول المعروفة فحسب، بل يكشف أيضًا عن رؤى جديدة للمشاكل القديمة.
“يتعاون Google DeepMind مع Terence Tao وJavier Gómez-Serrano لاستخدام عملاء الذكاء الاصطناعي لدينا (AlphaEvolve وAlphaProof وGemini Deep Think) لتطوير أبحاث الرياضيات”، هذا ما قاله Pushmeet Kohli، عالم الكمبيوتر الرائد في المبادرات العلمية والاستراتيجية في Google DeepMind، يوم الخميس. “لقد وجدوا أن AlphaEvolve يمكن أن يساعد في اكتشاف نتائج جديدة عبر مجموعة من المشاكل.”
استشهد كوهلي بورقة بحثية حديثة أوجزت الاختراقات، وأشار إلى إنجاز بارز: “كمثال مقنع، استخدموا AlphaEvolve لاكتشاف بناء جديد لحقل Kakeya المحدود؛ ثم أثبت Gemini Deep Think صحته وأضفى AlphaProof طابعًا رسميًا على هذا الدليل في Lean.”
ووصفه بأنه “بحث عملي في الرياضيات مدعوم بالذكاء الاصطناعي!” قام تاو أيضًا بتفصيل النتائج في منشور بالمدونة.
حدسية كاكيا
إن حدسية كاكيا للمجال المحدود، التي تم إثباتها لأول مرة في عام 2008 من قبل عالم الرياضيات زئيف دفير، تتعامل مع سؤال بسيط بشكل خادع في المساحات المجردة المعروفة باسم الحقول المحدودة – فكر فيها كشبكات تلتف حولها الأرقام، كما هو الحال في الحساب المعياري. يطلب اللغز أصغر مجموعة من النقاط التي يمكن أن تحتوي على “خط” كامل في كل اتجاه ممكن دون تداخلات غير ضرورية. إنه مثل العثور على الطريقة الأكثر فعالية لرسم الأسهم في كل الاتجاهات على رقعة الشطرنج، دون إضاعة المربعات.
بعبارات عامة، يتعلق الأمر بالتعبئة والكفاءة في المساحات الرياضية، مع ما يترتب على ذلك من آثار في مجالات مثل نظرية التشفير ومعالجة الإشارات. لا ينقض العمل الجديد البرهان، ولكنه ينقحه من خلال إنشاءات أفضل – في الأساس، طرق أكثر ذكاءً لبناء هذه المجموعات الأصغر حجمًا أو الأكثر دقة في أبعاد معينة.
توضح الورقة كيفية اختبار نظام الذكاء الاصطناعي على 67 مسألة رياضية متنوعة في مجالات مثل الهندسة والتوافقيات ونظرية الأعداد.
قال المؤلفون في الملخص: “AlphaEvolve هو عامل ترميز تطوري عام يجمع بين القدرات التوليدية لـ LLMs مع التقييم الآلي في إطار تطوري متكرر يقترح ويختبر ويحسن الحلول الخوارزمية للمشكلات العلمية والعملية الصعبة”.
النهج الدارويني للرياضيات بمساعدة الذكاء الاصطناعي
في جوهره، AlphaEvolve يحاكي التطور البيولوجي. يبدأ ببرامج الكمبيوتر الأساسية التي تم إنشاؤها بواسطة نماذج لغوية كبيرة ويقيمها وفقًا لمعايير المشكلة. يتم “تحوير” البرامج الناجحة أو تعديلها لإنشاء أشكال مختلفة، والتي يتم اختبارها مرة أخرى في حلقة. وهذا يسمح للنظام باستكشاف إمكانيات هائلة بسرعة، وفي كثير من الأحيان اكتشاف الأنماط التي قد يفوتها البشر بسبب ضيق الوقت.
“تتكون العملية التطورية من مكونين رئيسيين: (1) المولد (LLM): هذا المكون مسؤول عن إدخال التنوع… (2) المقيم (يتم توفيره عادةً من قبل المستخدم): هذه هي” وظيفة اللياقة البدنية “،” تنص الورقة.
بالنسبة للمسائل الرياضية، قد يسجل المقيم مدى توافق مجموعة النقاط المقترحة مع قواعد كاكيا، مع تفضيل التصاميم المدمجة والفعالة.
النتائج مثيرة للإعجاب. وبحسب الملخص فإن النظام “أعاد اكتشاف أفضل الحلول المعروفة في معظم الحالات واكتشف حلولا محسنة في عدة حالات”. وفي بعض الحالات، تم تعميم النتائج من أرقام محددة على الصيغ التي تعمل عالميًا.
تعمل هذه التعديلات على تحسين الحدود السابقة بكميات صغيرة ولكن ذات معنى، مثل إزالة النقاط الإضافية في الشبكات ذات الأبعاد الأعلى.
علماء الرياضيات الفائقون
وقد جلب تاو، عالم الرياضيات الحائز على ميدالية فيلدز من جامعة كاليفورنيا، وجوميز سيرانو من جامعة براون، الخبرة البشرية لتوجيه مخرجات الذكاء الاصطناعي والتحقق منها. أدى التكامل مع أدوات DeepMind الأخرى — Gemini Deep Think للاستدلال وAlphaProof للبراهين الرسمية في لغة البرمجة Lean — إلى تحويل تلك الاكتشافات الأولية إلى عمليات حسابية صارمة.
يسلط هذا التعاون الضوء على تحول أوسع نطاقًا: الذكاء الاصطناعي يشحن علماء الرياضيات بشكل فائق.
“توضح هذه النتائج أن البحث التطوري الموجه بنموذج اللغة الكبيرة يمكن أن يكتشف بشكل مستقل البنى الرياضية التي تكمل الحدس البشري، وفي بعض الأحيان تتطابق مع أفضل النتائج المعروفة أو حتى تحسنها، مما يسلط الضوء على إمكانية وجود طرق جديدة مهمة للتفاعل بين علماء الرياضيات وأنظمة الذكاء الاصطناعي،” كما جاء في الورقة البحثية.
وقد يعني ذلك ابتكارات أسرع في مجالات التكنولوجيا التي تعتمد على الرياضيات، مثل التشفير أو ضغط البيانات. ولكنه يثير أيضًا تساؤلات حول دور الذكاء الاصطناعي في العلوم البحتة، فهل تستطيع الآلات حقًا “الاختراع” أو تحسينها فقط؟
يشير هذا الجهد الأخير إلى أن هذا المجال قد بدأ للتو.

