في العشرين من مايو 2026، أعلنت OpenAI أن أحد نماذج الاستدلال العام لديها قد دحض تخمينًا رياضيًا ظلّ صامدًا أمام أمهر العقول البشرية لما يقارب ثمانية عقود — مسألة إيردوش للمسافات الوحدوية المستوية. وقد جاء التحقق من هذه النتيجة على يد الحائز على ميدالية فيلدز تيم غاورز، وعدد من علماء الرياضيات في جامعة برينستون، ليُعلن عن منعطف حقيقي في فهمنا لإمكانات الذكاء الاصطناعي في البحث العلمي الحدّي.
الأمر الأبرز هنا أنه لم يكن نموذجًا متخصصًا في الرياضيات، بل نموذج استدلال عام — النوع ذاته المستخدم في توليد الأكواد البرمجية وتحليل المستندات — الذي اكتشف شيئًا جديدًا حقًا في قلب الرياضيات البحتة.
مسألة المسافات الوحدوية: 80 عامًا من الانتظار
في عام 1946، طرح عالم الرياضيات الهنغاري الأسطوري بول إيردوش سؤالًا يبدو بسيطًا في ظاهره: إذا وضعنا n نقطة في أي مكان على مستوٍ مسطّح، فما العدد الأقصى لأزواج النقاط التي تفصل بين كل منها وحدة مسافة واحدة بالضبط؟
هذه هي مسألة المسافات الوحدوية المستوية. لعقود طويلة، ظلّت الشبكات المربعة — أي الترتيبات الشبكية المنتظمة للنقاط — تمثّل أفضل الحلول المعروفة. وقد اعتقد الرياضيون أن الشبكات المربعة تمثّل الحدّ الأمثل عمليًا، وأن أي ترتيب آخر لا يمكنه تجاوزها تجاوزًا ذا قدر.
لكن لم يستطع أحد إثبات هذا التخمين، ولا دحضه. ظلّت المسألة معلّقة في قائمة المشكلات المفتوحة في الهندسة التوافقية، شاهدًا على صعوبة أسئلة تبدو في ظاهرها بديهية.
كيف كسر الذكاء الاصطناعي التخمين؟
اختبرت OpenAI نموذج الاستدلال العام الخاص بها على مجموعة مختارة من مسائل إيردوش — أسئلة مفتوحة راسخة في التحليل التوافقي والهندسة. وكان مدخل النموذج لمسألة المسافات الوحدوية مثيرًا للاستغراب.
بدلًا من العمل ضمن الأطر الهندسية الكلاسيكية أو التحسين على الشبكات المربعة، ربط النموذج المسألة بـنظرية الأعداد الجبرية — فرع رياضي يُستخدم عادةً في حقول الأعداد والجبر المجرد، لا في أحاجي الهندسة.
تحديدًا، وظّف النموذج تقنيات من أبراج حقول الفئات اللانهائية ونظرية غولود-شفاريفيتش — أدوات عددية نظرية متقدمة تكشف تناظرات مخفية في منظومات أعداد غير مألوفة. وحين رُدّت هذه التناظرات إلى الفضاء الهندسي، أنتجت ترتيبات نقاط تحتوي على أزواج مسافات وحدوية أكثر بكثير مما تحققه أي شبكة مربعة.
النتيجة: عائلة لانهائية من تكوينات النقاط تحقق تحسينًا متعددًا الحدود على الشبكات المربعة التي ظنّ الرياضيون أنها الحدّ الأمثل.
ما الذي يعنيه "التحسين متعدد الحدود"؟
لفهم الأهمية الحقيقية للنتيجة، تأمّل النطاق الكمي. إذا كان أفضل ترتيب معروف بـn نقطة ينتج نحو n^1.5 زوجًا من المسافات الوحدوية، فإن التحسين متعدد الحدود يعني أن التكوينات الجديدة تنمو بمعدل أعلى — وهذه الفجوة تتسع بلا حدود كلما كبر n.
أعاد عالم الرياضيات في برينستون ويل سوين صياغة نتيجة النموذج بتعبير دقيق ذي أسّ ثابت، وهو ما يمنح النتيجة صيغتها القابلة للنشر بالمعايير الصارمة لنظرية الأعداد. وقد تضمّنت الورقة المرافقة التي شارك في تأليفها نوغا ألون من برينستون شرحًا للبرهان وسياقه العلمي.
ردود فعل المجتمع الرياضي
جاءت ردود فعل الرياضيين لافتة.
وصف تيم غاورز، الحائز على ميدالية فيلدز وأحد أبرز المحللين التوافقيين في العالم، النتيجة بأنها "علامة فارقة في رياضيات الذكاء الاصطناعي". ويحمل تقييمه ثقلًا استثنائيًا بالنظر إلى تحفظه التاريخي المعروف تجاه ادعاءات الذكاء الاصطناعي في الرياضيات الجادة.
أما أرول شانكار، عالم نظرية الأعداد في جامعة تورنتو، فقد أشار إلى أن هذا يُثبت قدرة الذكاء الاصطناعي على توليد "أفكار أصيلة حقًا" — لا مجرد استرجاع نتائج معروفة أو دمجها، بل اكتشاف روابط جديدة بين حقول منفصلة تمامًا.
ورأى توماس بلوم، الباحث في الهندسة التوافقية، أن كثيرًا من المسائل المفتوحة القديمة في المجال قد تنكشف اليوم أمام الروابط العددية النظرية التي أماطت عنها الستار هذه النتيجة.
لماذا نموذج عام وليس نموذجًا متخصصًا في الرياضيات؟
هذه النقطة بالغة الأهمية. لم تُدرّب OpenAI نظامًا متخصصًا في الرياضيات. النموذج المستخدم هو نموذج استدلال عام — نفس البنية المطبّقة في توليد الأكواد وتحليل المستندات.
تُثير هذه الحقيقة سؤالًا جوهريًا حول معنى "الاستدلال" الحقيقي. الرياضيات قد تستفيد من نوع التفكير الترابطي الفضفاض الذي تطوّره النماذج العامة — القدرة على رصد التشابهات بين حقول متباعدة، لا الاكتفاء بالتلاعب الرمزي داخل حقل واحد.
هذا مختلف تمامًا عن مساعي الذكاء الاصطناعي الرياضية السابقة كـAlphaProof والمبرهنات الرسمية، التي تطلّبت تأطيرًا رياضيًا مكثّفًا. نتيجة OpenAI لم تحتج لشيء من ذلك — مجرد نموذج يُطلب منه التفكير بعمق في مسألة صعبة.
التداعيات على الذكاء الاصطناعي في البحث العلمي
يشير هذا الاختراق في تخمين إيردوش إلى شيء أكبر: بدأت أنظمة الذكاء الاصطناعي تعمل عند حدود المعرفة البشرية، لا دونها.
تأمّل ما ينفتح من آفاق:
- الهندسة والتحليل التوافقي: كثير من مسائل إيردوش المفتوحة الأخرى قد تصبح في متناول اليد عبر روابط جبرية مماثلة
- الفيزياء النظرية: مسائل تتطلب جسورًا بين البنى الجبرية والهندسة الفيزيائية قد تستفيد من الاستدلال العابر للحقول ذاته
- التشفير ونظرية المعلومات: تقنيات غولود-شفاريفيتش المستخدمة هنا لها تطبيقات في التشفير وترميز البيانات قد يساعد الذكاء الاصطناعي في تطويرها
التحوّل الجوهري ينتقل من الذكاء الاصطناعي بوصفه مساعدًا — يتحقق من البراهين ويقترح المراجع — إلى كونه شريكًا يولّد فرضيات يتولى البشر التحقق منها وتقنينها.
الخلاصة
في العشرين من مايو 2026، سقطت مسألة عمرها 80 عامًا أمام نموذج استدلال عام لم يُبنَ أصلًا للرياضيات. تخمين إيردوش للمسافات الوحدوية المستوية — الذي كان يومًا شاهدًا على حدود التقدم الرياضي البشري — بات اليوم شاهدًا على ما يصبح ممكنًا حين يبلغ استدلال الذكاء الاصطناعي مستوى العلم الحدّي.
الرياضيون يُدوّنون ملاحظاتهم. وللمطورين وقادة الأعمال الذين يتساءلون عن الوجهة القادمة للذكاء الاصطناعي، هذه هي الإشارة الأوضح حتى الآن: الحدود تتحرك، وتتحرك بسرعة.