Google DeepMind تنال الفضة: الذكاء الاصطناعي يحل مسائل الأولمبياد، ولكن بأي ثمن؟

بينما ينشغل العالم بالجدل حول ما إذا كان ChatGPT سيتعلّم يومًا ألا يخطئ في وصفات الفطائر، قررت Google DeepMind أن تتحدى المقدّس نفسه: الأولمبياد الدولي للرياضيات (IMO). وقد هزّت نتائج AlphaProof وAlphaGeometry 2 الصناعة: فقد حلّ النظامان أربع مسائل من أصل ست، وهو ما يعادل مستوى الحاصل على الميدالية الفضية. ويبدو للوهلة الأولى أنها لحظة التفرّد التكنولوجي التي انتصر فيها السيليكون على الكربون في المنطق الخالص. لكن عند التدقيق في التفاصيل، يبدو الإنجاز أقرب إلى انتصار بطولي على الظروف منه إلى نزهة سهلة.

لطالما كانت الرياضيات نقطة الضعف في النماذج اللغوية. فنماذج LLM التقليدية تعمل بالاحتمالات وتتنبأ بالكلمة التالية، وهو ما يقود حتمًا إلى الهلوسة في عالم الإثباتات الصارم. ولمعالجة هذه المشكلة، اتجه مهندسو DeepMind إلى الحل الهجين. فيجمع AlphaProof بين مرونة التعلّم المعزّز وانضباط لغة التحقق الصوري Lean. وهذا يتيح للذكاء الاصطناعي ألا يكتفي بتخمين الإجابة، بل يكتب شيفرة تتحقق من نفسها عند كل خطوة منطقية. أما AlphaGeometry 2 فقد حصلت على دفعة قوية من نموذج Gemini، ما مكّنها من حل الألغاز الهندسية أسرع بعشرات المرات من سلفها.

لكن خلف بريق الميدالية الفضية تكمن حقيقة قاسية. فبينما حلّ المشاركون من البشر المسائل في جلستين مدة كل منهما أربع ساعات ونصف، احتاج الذكاء الاصطناعي إلى عدة أيام من الحوسبة المتواصلة لإنجاز بعض الإثباتات. وهذا يبرز المشكلة الرئيسية في الأنظمة الحديثة: فهي شديدة الهدر مقارنةً بالدماغ البشري. إنه مثال كلاسيكي على قطف الثمار الدانية. صحيح أن الذكاء الاصطناعي تعلّم العمل ضمن أطر اللغات الصورية الصارمة، لكنه لا يزال يستهلك موارد حوسبة هائلة حيث يكفي مراهقًا موهوبًا ورقة وساعتان من التفكير. وتبقى الفجوة في كفاءة الطاقة بين العقل البيولوجي والعقل الرقمي هائلة.

لماذا يهمّ هذا الآن تحديدًا؟ نحن نشهد تحولًا جوهريًا في استراتيجية تطوير الذكاء الاصطناعي. فقد أدركت الصناعة أن مجرد توسيع البيانات لم يعد يحقق قفزات في الجودة في المسائل المعقدة فعلًا. والمستقبل للأنظمة القادرة على الاستدلال والتحقق من استنتاجاتها. وتبني Google عمليًا ما يسمى «النظام 2» للذكاء الاصطناعي: تفكير بطيء وواعٍ يكمّل «النظام 1» السريع والحدسي في روبوتات الدردشة التقليدية. وهذا بالغ الأهمية ليس للرياضيات البحتة فحسب، بل للبرمجة والأمن السيبراني وتصميم الأنظمة الهندسية المعقدة، حيث قد يؤدي أي خطأ بقيمة بت واحد إلى كارثة.

ومع ذلك، يقرّ ديميس هاسابيس وفريقه بصراحة بأن عملية تدريب هذه النماذج وتشغيلها لا تزال مؤلمة. فلكي يعمل AlphaProof، يجب ترجمة المسائل إلى لغة Lean يدويًا، إذ لا يستطيع الذكاء الاصطناعي حتى الآن تفسير نصوص المسائل المكتوبة باللغة الطبيعية بدقة كافية من تلقاء نفسه. لقد حصلنا على أداة قوية لا تزال تحتاج إلى جيش من المهندسين المترجمين كي تعمل. وهذا يذكّر بأولى الحواسيب التي شغلت قاعات كاملة واحتاجت إلى البطاقات المثقوبة. الإمكانات هائلة، لكن ظهور عالِم رياضيات في الجيب قادر على إجراء اكتشافات في الزمن الحقيقي يحتاج إلى سنوات أخرى.

الخلاصة: أثبتت Google DeepMind أن الذكاء الاصطناعي قادر على التعامل مع المنطق العالي دون أخطاء، لكن ثمن هذه الدقة لا يزال باهظًا. فهل ستتمكن الشركة من تسريع تفكير أنظمتها جذريًا قبل نهاية العام؟