Claude در مسیر حل فرضیه ریمان جهش کرد؛ کران صفرهای روی خط بحرانی به ۶۷.۲ درصد رسید
مدل Claude در تلاش برای حل فرضیه ریمان، کران پایین صفرهای تابع زتای ریمان روی خط بحرانی را از ۴۱.۶ به ۶۷.۲ درصد افزایش داد؛ دستاوردی مهم برای پژوهش ریاضی با هوش مصنوعی.
مدل هوش مصنوعی Claude در تلاش برای حل یکی از مشهورترین مسائل حلنشده ریاضیات، یعنی فرضیه ریمان، به خودِ این مسئله پایان نداد؛ اما در جریان این تلاش به نتیجهای دست یافت که میتواند نقطه عطفی در استفاده از هوش مصنوعی برای پژوهشهای ریاضی باشد. نسخه تحقیقاتی منتشرنشده Claude توانست کران پایین شناختهشده برای سهم صفرهای تابع زتای ریمان روی خط بحرانی را از ۴۱.۶ درصد به ۶۷.۲ درصد افزایش دهد؛ نتیجهای که پژوهشگران Anthropic آن را بررسی و اعتبارسنجی کردهاند.
Anthropic اعلام کرده است نسخه تحقیقاتی منتشرنشده Claude در جریان تلاش برای حل فرضیه ریمان، به پیشرفتی غیرمنتظره در یکی از مسائل مرتبط با این فرضیه دست یافته است.
فرضیه ریمان که نخستین بار در سال ۱۸۵۹ مطرح شد، درباره محل قرارگیری صفرهای غیر بدیهی تابع زتای ریمان و ارتباط آنها با توزیع اعداد اول است. این مسئله همچنان یکی از مشهورترین مسائل حلنشده ریاضیات محسوب میشود و بنیاد Clay برای حل آن یک میلیون دلار جایزه تعیین کرده است.
Claude در این آزمایش نتوانست خود فرضیه ریمان را اثبات یا رد کند. با این حال، هنگام بررسی این مسئله، توانست نتیجهای جدید در زمینه نسبت صفرهای تابع زتای ریمان که روی خط بحرانی قرار دارند به دست آورد.
پیش از این، ریاضیدانان توانسته بودند ثابت کنند دستکم ۴۱.۶ درصد از این صفرها روی خط بحرانی قرار دارند. Claude با ترکیب چندین نتیجه پژوهشی پیشین، این کران پایین را به ۶۷.۲ درصد افزایش داده است.
نکته مهم این است که این دستاورد از خلأ به وجود نیامده است. Claude از پژوهشهای چند دهه اخیر در نظریه اعداد، از جمله کارهای Baluyot،Goldston ،Suriajaya و Turnage-Butterbaugh و همچنین پژوهش Bombieri استفاده کرده و با ترکیب آنها به مسیر جدیدی برای افزایش این کران رسیده است.
Claude چطور به این نتیجه رسید؟
فرآیند انجامشده نیز به اندازه نتیجه نهایی جالب است.
طبق توضیحات Anthropic، این مدل طی دو جلسه در محیط Claude Code مجموعاً حدود ۳۱ میلیون توکن خروجی تولید کرد. در مرحله نخست، Claude حدود ۶۵۰ ایده مختلف را بررسی کرد که هیچکدام به نتیجه مطلوب نرسیدند.
در مرحله دوم، مدل حدود ۶۰ زیرعامل Claude را به صورت همزمان هماهنگ کرد. این زیرعاملها در مجموع حدود ۲۴۰۰ فرمان Shell اجرا کردند و صدها اسکریپت Python نوشتند. آنها همچنین هزاران بررسی عددی روی صفرهای شناختهشده تابع زتا انجام دادند و نتایج یکدیگر را مورد بررسی قرار دادند.
پس از دستیابی به نتیجه،Claude تلاش کرد احتمال خطا را کاهش دهد؛ از جمله با بررسی مقالات قبلی، جستوجوی نمونههای نقض، بازسازی مستقل اثبات و بررسی اینکه آیا نتیجه پیشتر توسط ریاضیدانان دیگری به دست آمده است یا خیر.
در نهایت، دو ریاضیدان Anthropic، Levent Alpöge و Ralph Furman، کار Claude را بررسی کردند. همچنین نتیجه در زبانLean formalize شد و formalization تولیدشده از فرآیند استاندارد اعتبارسنجی Comparator عبور کرد.
آیا Claude فرضیه ریمان را حل کرده است؟
خیر.
این مهمترین نکتهای است که باید در انتشار خبر رعایت کنیم.
نتیجه Claude به این معنا نیست که فرضیه ریمان اثبات شده است. Anthropic نیز صراحتاً اعلام کرده انتظار ندارد تکنیک مورد استفاده Claude مستقیماً به اثبات فرضیه ریمان منجر شود.
آنچه اتفاق افتاده، افزایش قابل توجه یک کران پایین مرتبط با صفرهای تابع زتای ریمان است؛ یعنی اکنون میدانیم حداقل ۶۷.۲ درصد از صفرهای مورد بحث روی خط بحرانی قرار دارند.
بنابراین، فاصله میان این نتیجه و اثبات اینکه تمام صفرهای غیر بدیهی روی خط بحرانی قرار دارند همچنان بسیار زیاد است.
چرا این خبر مهم است؟
اهمیت اصلی این دستاورد شاید نه در خود عدد ۶۷.۲ درصد، بلکه در نحوه استفاده Claude از دانش ریاضی موجود باشد.
Claude در این پروژه یک نظریه کاملاً مستقل از صفر ایجاد نکرد؛ بلکه توانست نتایج چندین پژوهش قبلی را پیدا، ترکیب و به شکلی جدید استفاده کند و از دل آنها یک نتیجه ریاضی قابل بررسی استخراج کند.
این موضوع یک پرسش مهم درباره آینده پژوهش علمی ایجاد میکند: آیا مدلهای هوش مصنوعی میتوانند در آینده فقط ابزار محاسباتی یا دستیار پژوهشگر نباشند و به کشف ارتباطات جدید میان ایدههای موجود کمک کنند؟
دستاورد جدید Claude هنوز فاصله زیادی با حل فرضیه ریمان دارد، اما نشان میدهد مدلهای استدلالی میتوانند در مسائل بسیار تخصصی ریاضی، فراتر از تولید پاسخهای متنی یا محاسبات معمول عمل کنند.
تحلیل بهراد یوسفی
اهمیت این اتفاق را نباید با «حل فرضیه ریمان» اشتباه گرفت. Claude هنوز نتوانسته یکی از مشهورترین مسائل حلنشده ریاضیات را حل کند. ارزش واقعی این آزمایش در جای دیگری است: یک مدل هوش مصنوعی توانسته با بررسی حجم بزرگی از دانش ریاضی موجود، میان نتایج پژوهشگران مختلف ارتباط برقرار کند و از ترکیب آنها به یک کران جدید برسد؛ آن هم نتیجهای که توسط ریاضیدانان انسانی بررسی و بهصورت رسمی در Lean اعتبارسنجی شده است.
اگر چنین تواناییهایی قابل تکرار و تعمیم باشند، نقش AI در پژوهش علمی میتواند از «دستیار محاسباتی» به «شریک اکتشاف» تغییر کند. البته برای رسیدن به این مرحله هنوز یک سؤال اساسی باقی است: آیا مدلها میتوانند در مسائل جدید، بدون تکیه سنگین بر نتایج موجود، ایدههای واقعاً بنیادی و قابل اثبات تولید کنند؟
منابع اصلی
