Epoch AI: 14 مسألة لم يحلّها أحد (حتى الآن)

هل تذكرون تلك الأيام الجميلة التي كنا نسخر فيها من الشبكات العصبية العاجزة عن جمع عددين من ثلاثة أرقام دون هلوسة؟ لقد انتهت تلك الأيام رسميًا. انتقلنا بسرعة من عصر «انظروا كم هو طريف أن يكتب الروبوت الشعر» إلى عصر «انظروا كيف تحاول الخوارزمية اختراق أساس الكون». ففي منتصف عام 2024 كان GPT-4 يتعثر في مسائل بمستوى المدرسة المتوسطة، أما بحلول نهاية عام 2025 فقد بدأت النماذج الجديدة تحلّ مسائل الأولمبياد بسهولة. لكن مسائل الأولمبياد تظل مسائل إجاباتها معروفة. وقرر باحثو Epoch AI أن الوقت قد حان للتوقف عن إعطاء الشبكات العصبية «ورقة غش»، فأطلقوا FrontierMath. إنها قائمة من 14 مسألة لم يحلّها أحد على وجه الأرض.

جوهر مشروع FrontierMath هو اختبار قدرة الذكاء الاصطناعي على توليد معرفة جديدة من حيث المبدأ. هذه ليست تمارين من الكتب الدراسية يمكن العثور عليها في بيانات التدريب. فقد صاغ كل مسألة من هذه المسائل الأربع عشرة عالم ممارس عامل، وحاول حلّ كل منها متخصصان رفيعا المستوى على الأقل، وكل منها جديرة بالنشر في مجلة علمية رائدة. لا توجد هنا تلميحات على الإنترنت ولا خوارزميات جاهزة. هذه «بقع بيضاء» على خريطة الرياضيات الحديثة، تجاهلتها العقول البشرية لعقود أو عجزت ببساطة عن تجاوزها.

لنتأمل التفاصيل لنفهم حجم التحدي. تتعلق إحدى المسائل بمجموعة ماتيو M23. يعشق علماء الرياضيات التناظرات، لكن المجموعات الشاذة (sporadic groups) هي «وحوش رياضية» لا تندرج ضمن أي سلاسل عامة. فبالنسبة لمعظمها، وجد العلماء بالفعل كثيرات حدود لها مجموعات غالوا (Galois) المقابلة، غير أن M23 تظل المعقل الأخير، وثغرة في بحث يجري منذ سنوات طويلة. وإيجاد هذه الكثيرة الحدود يعني إغلاق فصل كامل في الجبر. أما المسألة الأخرى فتبدو أبسط للوهلة الأولى فقط: المطلوب ابتكار خوارزمية تحدد ما إذا كان بالإمكان فك عقدة بحركة واحدة. ويسمي علماء الطوبولوجيا ذلك «unknotting number يساوي واحدًا». وهذا سؤال أساسي في طوبولوجيا الأبعاد المنخفضة، ولا توجد حتى اليوم إجابة واضحة عنه.

لماذا يهم ذلك الآن تحديدًا؟ بلغت صناعة الذكاء الاصطناعي مرحلة لم تعد فيها زيادة كمية البيانات وحدها تحقق قفزة في الجودة. لقد علّمنا النماذج محاكاة الكلام البشري وتجميع المعارف الموجودة، لكننا ما زلنا ننتظر اللحظة التي تحقق فيها شبكة عصبية اكتشافًا علميًا. فإذا حلّ نموذج مسألة واحدة فقط من هذه المسائل، فلن يكون ذلك مجرد «إنجاز تقني». بل سيكون نتيجة علمية كاملة تُرسل إلى مجلة محكّمة، لا بسبب الضجة المحيطة بالذكاء الاصطناعي، بل بسبب قيمة الحل نفسه. نحن نتحدث عن تحوّل الذكاء الاصطناعي من محرك بحث متقدم إلى زميل باحث متكامل.

الصلة بالأحداث السابقة واضحة هنا. فبعد أن بدأت النماذج تتفوق بشكل جماعي في اختبارات مثل MATH أو GSM8K، بات واضحًا أننا بحاجة إلى أدوات قياس جديدة. وFrontierMath محاولة لتلمّس الحدّ الذي تنتهي عنده الذاكرة ويبدأ الذكاء. وهو تحدٍّ لا يخص OpenAI أو Anthropic وحدهما، بل مفهوم التوسّع (scaling) برمّته. فلم يعد يكفي امتلاك أكبر عنقود من وحدات معالجة الرسوميات، بل لا بد من خوارزمية قادرة على الاستدلال المنطقي العميق في ظل غموض تام. إنه اختبار صلابة لكل الوعود المتعلقة بـ«الذكاء الاصطناعي القوي» أو AGI.

ماذا يعني ذلك بالنسبة لنا؟ نحن على عتبة وضع قد يصبح فيه الذكاء الاصطناعي مفتاحًا لحل مشكلات في علم المواد أو التشفير أو الفيزياء الكمية عبر الرياضيات. فإذا نجحت شبكة عصبية في التعامل مع طوبولوجيا العقد أو مجموعات ماتيو، فقد تتمكن من تصميم جزيئات جديدة أو تحسين سلاسل الإمداد بمستوى يتعذر على الإنسان بلوغه. وسيعني ذلك أننا حصلنا أخيرًا على أداة أذكى منا في أصعب المجالات المجردة. والمفارقة هنا أننا قد لا نفهم فورًا كيف توصّل الذكاء الاصطناعي إلى الحل، لكن النتيجة ستغيّر واقعنا المادي.

الخلاصة: FrontierMath هو «الزعيم النهائي» للجيل الحالي من الشبكات العصبية. فهل ستتمكن نماذج مثل GPT-5 أو Claude 4 من تجاوز هذا الحاجز، أم سيتعيّن علينا انتظار معماريات جديدة جذريًا؟