چالش دقت در هوش مصنوعی مولد؛ چرا مدل‌های OpenAI هنوز در آزمون‌های ریاضی مردود می‌شوند؟

در حالی که غول‌های دنیای فناوری همچون OpenAI با معرفی مدل‌های سری o1 (معروف به Strawberry) مدعی عبور از مرزهای استدلال منطقی و ریاضی هستند، گزارش‌های اخیر «گروه مشورتی ریاضیات و هوش مصنوعی» (AGMAI) نشان می‌دهد که این مدل‌ها همچنان با استانداردهای سخت‌گیرانه و دقیق جامعه علمی فاصله دارند. این شکاف میان «پاسخ‌دهی محتمل» و «اثبات ریاضی» چالشی است که نه تنها آینده هوش مصنوعی در محیط‌های آکادمیک را تحت تأثیر قرار داده، بلکه زیرساخت‌های اعتماد به نتایج پردازش‌شده توسط ماشین را نیز به چالش می‌کشد.

شکاف میان استدلال احتمالاتی و استنتاج منطقی

مسئله اصلی در معماری فعلی مدل‌های زبانی بزرگ (LLM)، تکیه بر احتمالات آماری برای پیش‌بینی توکن بعدی است. در علوم ریاضی، برخلاف نگارش متن، رسیدن به نتیجه صحیح تنها با «حدس زدن محتمل‌ترین جواب» ممکن نیست. الگوریتم‌های OpenAI با وجود پیاده‌سازی مکانیسم‌های زنجیره تفکر (Chain of Thought)، همچنان در اثبات‌های پیچیده که نیازمند درک عمیق از انتزاعات هستند، دچار «توهم منطقی» می‌شوند. از نظر فنی، این مدل‌ها فاقد یک موتور استنتاج نمادین (Symbolic Inference Engine) مستقل هستند و تلاش می‌کنند تمام عملیات را در فضای برداری (Vector Space) شبیه‌سازی کنند که برای حل مسائل ریاضی محض ناکافی است.

مطالبات جامعه علمی: شفافیت در فرآیند حل مسئله

گروه AGMAI تأکید کرده است که انتشار خروجی نهایی بدون ارائه مسیر حل (Step-by-Step Verification) برای محققان بی‌ارزش است. در جوامع علمی، اعتبار یک پاسخ به «اثبات» آن وابسته است. مدل‌های کنونی اغلب فرآیند حل را پنهان می‌کنند یا آن را در لایه‌های پنهان خود پردازش می‌کنند که به آن «جعبه سیاه» (Black Box) می‌گوییم. این عدم شفافیت در زیرساخت مدل‌های ChatGPT باعث می‌شود که کاربر نهایی قادر به ممیزی صحت مراحل نباشد که این خود نقض‌کننده متدولوژی علمی است.

اثرات بر زیست‌بوم کسب‌وکارهای دیجیتال و آموزش

برای شرکت‌های ایرانی و استارتاپ‌هایی که قصد دارند ابزارهای هوش مصنوعی را در سیستم‌های خودکار محاسباتی یا آموزشی ادغام کنند، تکیه بر خروجی‌های تأییدنشده می‌تواند فاجعه‌بار باشد. در محاسبات مالی، مهندسی و تحلیل داده‌های زیرساختی، حتی یک خطای کوچک در خروجی ریاضی می‌تواند زنجیره‌ای از تصمیمات اشتباه را ایجاد کند. بنابراین، رگولاتوری فناوری در ایران باید به سمت تدوین استانداردهایی حرکت کند که «اعتبارسنجی خروجی‌های هوش مصنوعی» را در صنایع حساس اجباری می‌سازد.

چشم‌انداز آینده: ادغام مدل‌های زبانی با سولورهای ریاضی

راهکار فنی برای حل این معضل، استفاده از سیستم‌های هیبریدی است. یعنی مدل‌های زبانی تنها به عنوان رابط کاربری (Interface) عمل کرده و برای حل مسائل سخت ریاضی، فراخوانی (Function Calling) به ابزارهای تخصصی محاسبات نمادین مانند Wolfram Mathematica یا کتابخانه‌های متن‌باز پایتون نظیر SymPy انجام دهند. این ترکیب، دقت ریاضی (Math Accuracy) را با قدرت درک زبان طبیعی تلفیق می‌کند.