OpenAI تعلن أن الذكاء الاصطناعي دحض فرضية ETH التي طُرحت عام 1999، وتسلّم التحقق منها إلى خبراء
أعلنت OpenAI أن نموذجها دحض فرضية الزمن الأسي (ETH)، وهي افتراض قديم مفاده أن مسائل مثل 3-SAT لا يمكن حلها أسرع بكثير من التجريب الشامل شبه الكامل. الأمر أشبه بقفل له ألف رمز: كان الاعتقاد السائد أنه لا مفر من تجريب الرموز واحدًا تلو الآخر، أما الذكاء الاصطناعي فيُزعم أنه عثر على مفتاح مزوَّر. سيتولى التحقق مجموعة تضم إمباليازو وباتوري وويليامز، والمواد المتضمنة برهان Lean متاحة على GitHub. حتى الآن هذا مجرد ادعاء من الشركة، ولا ينبغي تصديقه إلا بعد التحقق الخارجي.
معالج بواسطة الذكاء الاصطناعي من The Verge؛ بتحرير Hamidun News
بعد أقل من شهر على النشر الجماعي لمئات المخطوطات التي تضمنت «حلولًا لمسائل قديمة»، أعلنت OpenAI ثلاثة اكتشافات جديدة وصفتها بأنها «كبرى»: في الرياضيات وعلوم الحاسوب والفيزياء. وأكثرها وضوحًا للمهندس هو الادعاء بأن النموذج دحض فرضية الزمن الأسي (ETH). طُرحت هذه الفرضية عام 1999، واعتبرها كثيرون صحيحة. ومن مستجدات هذا الإصدار أيضًا أن الشركة استعانت بخبراء خارجيين تسميهم «الرعاة» (shepherds)، يوجّهون عملية التحقق. والمشكلة التي تحاول هذه الخطوة معالجتها مألوفة لكل من عمل مع نماذج اللغة الكبيرة (LLM): النموذج ينتج نتيجة طويلة مقنعة أسرع مما يستطيع البشر فهم ما إذا كانت صحيحة.
ما هي ETH وماذا أعلنت OpenAI
تخيّل مدير حزم يختار إصدارات متوافقة من مئات المكتبات، أو مجدول مهام يوزّع المهام وفق شروط من نوع «إذا تحقق أ فلا يتحقق ب». تُختزل هذه الألغاز إلى المسألة الكلاسيكية 3-SAT: المطلوب اختيار قيم «نعم/لا» بحيث تتحقق مجموعة من الشروط المنطقية. وفرضية ETH تفترض أنه في أسوأ الحالات لا مفر هنا من التجريب الشامل، الذي ينمو زمنه أسيًّا مع حجم المسألة.
بحسب OpenAI، توصل النموذج إلى خوارزمية حتمية تحسب بدقة عدد مجموعات القيم المناسبة لصيغ CNF ذات العرض الثابت. وهي تعمل في زمن شبه أسي (أي أسرع بوضوح من النمو الأسي) وبذاكرة كثيرة الحدود. وتؤكد الشركة أن هذا، في حالة 3-SAT، يدحض ETH. وإذا تأكدت هذه النتيجة، فسيتعين أيضًا إعادة النظر في الأعمال التي بُنيت على هذا الافتراض.
أما النتيجتان الأخريان فتبدوان حتى الآن أقل قابلية للتحقق. ففي الرياضيات، وفق رواية OpenAI، أثبت النموذج فرضية التمهيد المحلي (local smoothing) للموجات في كل بُعد من اثنين فما فوق. وتنتج عنها فرضية ناكيّا وفرضية شتاين للتقييد. ونذكّر بأن هونغ وانغ من جامعة نيويورك حصلت قبل بضعة أشهر على ميدالية فيلدز لحلّها فرضية ناكيّا في ثلاثة أبعاد. وقد نُشر استنتاج النموذج هنا دون أي تعديل، كما حدث في إصدار 6 أكتوبر، ويُترك للباحثين أن يتعمقوا بأنفسهم في الشروح.
أما في الفيزياء فالحديث عن «برهان صارم رياضيًّا على وجود» بعض نظريات المجال الكمومي ذات حقول المعايرة والفرميونات في أربعة أبعاد، ومنها الديناميكا اللونية الكمومية (QCD) و«الإكمال الموحَّد» للنموذج القياسي. والنص الكامل لم يُنشر. وستتابع العمل مجموعة يقودها ديفيد غروس، وتضم مايكل دوغلاس وآرثر جافي وإيغور كلابانوف ونيكيتا نيكراسوف.
كيف يجري التحقق
في علوم الحاسوب، سمّت OpenAI مجموعة عمل مستقلة: راسل إمباليازو ورامامهان باتوري من جامعة كاليفورنيا في سان دييغو (وكانا ضمن المجموعة التي اقترحت ETH) والأستاذ في MIT ريان ويليامز. وبناءً على طلب المجموعة، نُشر النص الذي كتبه الذكاء الاصطناعي وبرهان Lean على GitHub فورًا. Lean نظام يُكتب فيه البرهان بحيث يتحقق برنامج من خطواته. وهذا منطق مألوف للمطوّر: ينبغي أن تأتي نتيجة النموذج مصحوبة بنتاج قابل للتحقق، كما يأتي الكود مع اختباراته، لا أن تكون نصًّا مقنعًا فحسب.
وصدر مع الإعلان خطاب مفتوح إلى المجتمع العلمي يطرح ثلاثة أسئلة:
- ما القواعد التي ينبغي أن تسري على الوصول المبكر إلى نتائج الذكاء الاصطناعي، والإفصاح عن تضارب المصالح، واستخدام المواد غير المنشورة؛
- كيف يُحتسب الإسهام: عن الاكتشاف نفسه، وعن التحقق والتصحيح والتبسيط والشرح؛
- كيف يُدعم الطلاب والباحثون كي يحافظوا على قدرتهم على الشك في النتائج وابتكار الجديد.
أين يثير النهج الجدل
تعترف الشركة نفسها بأن اختيار «الرعاة» قد يخلق مشكلات. فمجلس المستشارين الرياضيين AGMAI، الذي شكّلته OpenAI بنفسها، كتب في اليوم السابق: «نوصي شركات الذكاء الاصطناعي بعدم تطبيق» ممارسة تسليم النتائج أولًا إلى أفراد بعينهم. والأسباب: عدم تكافؤ الوصول، والسمعة المستعارة، والانتقاء المتحيز. واقترح المجلس نظامًا آخر: نشر النتائج في المستودعات العلمية مع براهين Lean، وبيان كيفية اختيار المسائل، وتمويل من يتولون فهم النتائج.
وهكذا تعتمد OpenAI صيغة أوصى مستشاروها أنفسهم قبل يوم بعدم اعتمادها. هذا لا يعني أن النتائج خاطئة، لكن من المبكر أيضًا اعتبارها مؤكدة: فما لدينا ادعاءات الشركة، وملفات على GitHub، وتحقق موعود من مجموعات مستقلة. وفي الفيزياء لا يوجد حتى نص كامل.
ماذا يعني ذلك للممارسين
بالنسبة إلى من يبنون منتجات على الذكاء الاصطناعي، الدرس بسيط: انتقلت عنق الزجاجة من التوليد إلى التحقق. فإذا كان النموذج ينتج نتيجة أسرع مما يستطيع البشر التحقق منها، يصبح التحقق بند الإنفاق الرئيسي. ولا تتضمن المادة بيانات عن تكاليف الحوسبة، ولذلك لا يمكن تقدير اقتصاديات هذه الاكتشافات. والأجدر متابعة قصة ETH: البرهان مكتوب بلغة Lean، وهذا أول اختبار جدي لما إذا كانت نتيجة معلنة من الذكاء الاصطناعي ستصمد أمام الفحص الخارجي.
- 21 نوفمبر 2026عدد وظائف FDE تضاعف 4.6 مرة خلال عام: ماذا يفعل المهندس في موقع العميل
- 21 نوفمبر 2026قائدة فريق سباحة تُسند ثلاث مهام مجدولة إلى ChatGPT وتختصر الروتين أضعافًا
- 21 نوفمبر 2026نموذج GPT-6 Cyber من OpenAI يكتشف نحو 35 ثغرة في iPhone وMac وأجهزة Apple الأخرى
- 21 نوفمبر 202622 وكيل من Claude بحثوا ست أسابيع في ألغاز الثقوب السوداء — وحلّوا مسألتين
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما هي ETH وماذا أعلنت OpenAI؟
تخيّل مدير حزم يختار إصدارات متوافقة من مئات المكتبات، أو مجدول مهام يوزّع المهام وفق شروط من نوع «إذا تحقق أ فلا يتحقق ب». تُختزل هذه الألغاز إلى المسألة الكلاسيكية 3-SAT: المطلوب اختيار قيم «نعم/لا» بحيث تتحقق مجموعة من الشروط المنطقية. وفرضية ETH تفترض أنه في أسوأ الحالات لا مفر هنا من التجريب الشامل، الذي ينمو زمنه أسيًّا مع حجم المسألة. بحسب OpenAI، توصل النموذج إلى خوارزمية حتمية تحسب بدقة عدد مجموعات القيم المناسبة لصيغ CNF ذات العرض الثابت.
ما أبرز التفاصيل حول كيف يجري التحقق؟
في علوم الحاسوب، سمّت OpenAI مجموعة عمل مستقلة: راسل إمباليازو ورامامهان باتوري من جامعة كاليفورنيا في سان دييغو (وكانا ضمن المجموعة التي اقترحت ETH) والأستاذ في MIT ريان ويليامز. وبناءً على طلب المجموعة، نُشر النص الذي كتبه الذكاء الاصطناعي وبرهان Lean على GitHub فورًا. Lean نظام يُكتب فيه البرهان بحيث يتحقق برنامج من خطواته. وهذا منطق مألوف للمطوّر: ينبغي أن تأتي نتيجة النموذج مصحوبة بنتاج قابل للتحقق، كما يأتي الكود مع اختباراته، لا أن تكون نصًّا مقنعًا فحسب.
ما أبرز التفاصيل حول أين يثير النهج الجدل؟
تعترف الشركة نفسها بأن اختيار «الرعاة» قد يخلق مشكلات. فمجلس المستشارين الرياضيين AGMAI، الذي شكّلته OpenAI بنفسها، كتب في اليوم السابق: «نوصي شركات الذكاء الاصطناعي بعدم تطبيق» ممارسة تسليم النتائج أولًا إلى أفراد بعينهم. والأسباب: عدم تكافؤ الوصول، والسمعة المستعارة، والانتقاء المتحيز. واقترح المجلس نظامًا آخر: نشر النتائج في المستودعات العلمية مع براهين Lean، وبيان كيفية اختيار المسائل، وتمويل من يتولون فهم النتائج. وهكذا تعتمد OpenAI صيغة أوصى مستشاروها أنفسهم قبل يوم بعدم اعتمادها.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.