ملخص مُولَّد بالذكاء الاصطناعي: طوّر فريق جامعة فلوريدا طريقة GeoLAN لحل مشكلة "الصندوق الأسود" في نماذج الذكاء الاصطناعي، باستخدام فرضية جيولاغ ثلاثية الأبعاد التي تم إثباتها حديثًا. تستفيد هذه الطريقة من مفهوم "مجموعة جيولاغ لزجة" الناتج عن إثبات فرضية جيولاغ، لإضافة قيود هندسية على الفضاء الدلالي للنماذج الكبيرة، مما يُنظّم المفاهيم منذ مرحلة التدريب ويجعل مسارات تفكير الذكاء الاصطناعي قابلة للتتبع. حققت التجارب تحسنًا ملحوظًا على نماذج مثل Llama-3-8B وGemma-3-4B. في الوقت نفسه، أعلنت جاكوب تسيمرمان، الحائزة على جائزة فيلدز هذا العام، عن انضمامها إلى OpenAI للعمل على أمان الذكاء الاصطناعي في نفس يوم حصولها على الجائزة، مما يُظهر دمجًا غير مسبوق بين الرياضيات والذكاء الاصطناعي.

كاتب المقال، المصدر: LeFeng.com

الرياضيات والذكاء الاصطناعي تواصلوا بشكل قوي

الإنجازات الرياضية البحتة على مستوى عالٍ قد تم تطبيقها مباشرة في تدريب النماذج الكبيرة.

اكتشف الكاتب على Xiaohongshu Z9، أثناء مراجعته لأوراق بحثية، أن فرضية جوليا الثلاثية الأبعاد التي انتشرت مؤخرًا على الإنترنت، تم الآن نقلها من قبل فريق جامعة فلوريدا إلى عملية تدريب الشبكات العصبية، لحل مشكلة "الصندوق الأسود" في النماذج الكبيرة عبر مجالات مختلفة.

ورقتهم البحثية بعنوان "GeoLAN: Geometric Learning of Latent Explanatory Directions in Large Language Models"، وجوهرها يكمن في استخدام المفهوم الأساسي الناتج عن إثبات حدسية كورا، وهو "مجموعة كورا اللاصقة"، لوضع "قواعد ترتيب" في الفضاء الدلالي الداخلي للنماذج الكبيرة، بحيث يتم ترتيب المفاهيم المتداخلة منذ مرحلة التدريب، مما يجعل مسارات تفكير الذكاء الاصطناعي قابلة للتتبع حقًا.

بالفعل، سبقهم خبراء الرياضيات في اكتشاف الأراضي، ثم جاء باحثو الذكاء الاصطناعي لجمع الكنوز.

المرض الأساسي للنماذج الكبيرة: انهيار التمثيل

دعونا نبدأ بمشكلة "الصندوق الأسود" التي يشعر بها الجميع.

النماذج الكبيرة الحالية تحقق دقة عالية في حل المسائل وكتابة الأكواد وإجراء التحليلات، لكن عندما تسألها "كيف توصلت إلى هذه الخطوة؟"، إما أنها لا تستطيع توضيح ذلك، أو تخلق سببًا وهميًا لتغطية الأمر.

يكمن جذر هذه المشكلة في خاصية أساسية تُسمى انهيار التمثيل.

يمكنك تصور فضاء الدلالة للنموذج الكبير كمستودع ذكي ضخم يضم آلاف الطبقات، ويمكنه نظريًا تخزين عدد لا حصر له من المفاهيم: المنطق، والعواطف، والحقائق، والاستدلال، وكلٌّ منها يشغل مساحته الخاصة.

لكن عند تدريب Transformer، فإنه يُظهر "كسلًا" خاصًا، فهو دائمًا يُكدّس كل معلومات المعنى في منطقة صغيرة واحدة عند مدخل المستودع، بينما يترك 90% من المساحة فارغة وغير مستخدمة.

النتيجة هي أن جميع المفاهيم تُضغط في منطقة مخروطية عالية الأبعاد ضيقة، وهو ما يسميه الأكاديميون "اللاتجاهية".

لكن عواقب التزاحم ستؤدي إلى العديد من المشكلات.

على سبيل المثال، سيؤدي التشابك المفاهيمي إلى دفع محتويات غير ذات صلة معًا في نفس الاتجاه، بحيث يتعين على عصبون واحد أن يستجيب لـ "قطة" وينشط "آيات من الكتاب المقدس" في نفس الوقت.

وأنت لا تستطيع التمييز على الإطلاق بين أي جزء من التمثيل يتوافق مع أي منطق، حتى النموذج نفسه لا يستطيع استعادة مسار التفكير الحقيقي.

عند دمج مفاهيم متشابهة ولكن مختلفة في مكان واحد، يسهل الخلط بينها، وعند تغيير السؤال قليلاً، يبدأ الذكاء الاصطناعي في قول أشياء عشوائية.

لقد قدمت الورقة ملخصًا دقيقًا لهذا الأمر: بضعة "أبعاد مخربة" فقط تستحوذ على معظم تباين المعلومات، مما يضيّع كامل السعة الفعالة للنموذج.

هذه المشكلة هي عيب شبه متأصل في جميع هياكل Transformer الرئيسية، من GPT وLlama إلى Gemma، ولا ينجو منها أي منها.

في مواجهة هذا الوضع، كانت الحلول السابقة في الصناعة تعتمد أساسًا على "التصحيح بعد الحدث"، أي انتظار اكتمال تدريب النموذج، ثم استخدام أدوات مثل المُشفِّر الذاتي النادر لفصل المفاهيم المتشابكة قسرًا.

لكن النتائج التي يتم الحصول عليها بهذه الطريقة ليست سوى "منطقية ظاهريًا" ولا بالضرورة تعكس المنطق الحقيقي داخل النموذج، مما يؤدي دائمًا إلى خسارة في الدقة.

الآن، غيّر جيو لان نهجه مباشرة: لا تنتظر حتى يصبح الأمر فوضويًا ثم تنظّمه، بل اضبطه وفق القواعد من البداية. أضف قيودًا هندسية على فضاء التمثيل طوال عملية التدريب، بحيث يأخذ كل مفهوم مكانيه الصحيح.

كيف يرتبط حدس غايا بـ AI؟

لفهم فكر GeoLAN، يجب أولاً معرفة ما الذي تتحدث عنه حدسية هاناغي.

في عام 1917، سأل الرياضي كونيكو كونيا سؤالاً يبدو بسيطًا، لكنه عذّب الرياضياتيين لنصف قرن: إذا أخذت إبرة طولها سنتيمتر واحد ودُرْتُها دورة كاملة على سطح طاولة، فما أصغر مساحة يمكن أن تغطيها؟

قد تفكر أن الدوران الكامل يجب أن يرسم دائرة، ولا يمكن أن يكون مساحتها صغيرة. لكن الرياضيين اكتشفوا أنه يمكن أن تقترب من الصفر.

How is it done?

إذا سمحت للإبرة بالدوران أثناء انزلاقها، فإنها تستطيع رسم شكل غريب يبلغ مساحته تقريبًا صفرًا. بمعنى آخر، في العالم ثنائي الأبعاد، يمكنك تضمين مسارات هندسية في جميع الاتجاهات داخل زاوية صغيرة جدًا.

يتصاعد التحدي أكثر، فماذا لو كان في الفضاء ثلاثي الأبعاد؟ عندما يمكن لهذه الإبرة أن تدور في جميع الاتجاهات الثلاثية الأبعاد — لأعلى ولأسفل، لليسار ولليمين، وعدد لا نهائي من الاتجاهات المجسمة — فما هو الحد الأدنى لحجم الفضاء المطلوب لوضع كل هذه الإبر في جميع الاتجاهات؟

وفقًا للتجربة الثنائية، في الفضاء الثلاثي الأبعاد، لا يزال يمكن ضغط الحجم المطلق لهذا الشكل ليقترب من الصفر.

لكن هنا ينشأ لغز جديد: على الرغم من أن هذا الشكل فارغ وخالٍ من الحجم، هل تقلص وتدنى أيضًا على المستوى الدقيق؟ أدخل الرياضيون مفهوم "البعد الكسري" لقياس كثافة هيكله.

في النهاية، اكتشفت وان هونغ وآخرون أنه حتى إذا تم تقليل حجم الشكل إلى أقصى درجة من التفريغ، فإن الهيكل الداخلي المتشابك لا يزال يحافظ على "كثافة ثلاثية الأبعاد صلبة" لضمان كل اتجاه من الإبر، ولا يتأثر بأي شكل من الأشكال على المستوى الدقيق. وهذا بالضبط ما يجعل عمل وان هونغ عظيمًا في حل هذه المسألة التي استمرت قرنًا.

في عملية الإثبات الصارمة هذه، ظهر مفهوم بالغ الأهمية يُسمى "مجموعة غولاب لاصقة".

"الالتصاق" ببساطة عبارة عن مجموعة من القواعد لمنع التكدس. وهي مصممة خصيصًا للتحكم في القطع والأنابيب ومنعها من الاقتراب من بعضها البعض.

إذا التزمت مجموعة الأنابيب بهذه القواعد، فستنتشر بانتظام، وسيبقى الحجم المكاني كما هو؛ لكن إذا لم تلتزم بها وازدحمت كلها في زاوية صغيرة، فسيقل حجم المساحة، وستبدو وكأنها مضغوطة.

إذا وصلت إلى هنا، يجب أن تتمكن من الربط: انهيار تمثيل النموذج الكبير، أليس هو "أن أنابيب الدلالة لا تستوفي شرط اللزوجة، وجميعها مضغوطة معًا"؟

ما يفعله GeoLAN هو أخذ الاستنتاج الرياضي لحدسية غو-غول كمعيار هندسي: بما أن الرياضيات قد أثبتت بشكل صارم أن "اللزوجة محققة والفضاء لا ينهار"، فإننا نضيف نفس قيد اللزوجة إلى الفضاء الدلالي للنماذج الكبيرة، مما يجعل تمثيلاتها لا تُضغط تلقائيًا في كتلة واحدة.

يجب تضمين هذا القاعدة في عملية التدريب، والتركيز الأساسي هو إنشاء دالة عقاب قابلة للقياس، أي قاعدة عقاب يمكن للنموذج حسابها ومعرفة كيفية تعديلها.

ثم قام GeoLAN بتصميم مجموعتين من قواعد العقاب القابلة للحساب، وحوّل القواعد الهندسية في حدسية جورج إلى أهداف تدريب. أحدهما يُسمى KT-CW، ويعالج "تجميع الدلالات"، والآخر يُسمى KT-Attn، ويعالج "الإهمال في الانتباه".

ببساطة، KT-CW تعني أخذ عينات عشوائية من اتجاهات مختلفة في فضاء الدلالة أثناء التدريب. إذا تم اكتشاف اتجاه يحتوي على كمية زائدة من المعلومات الدلالية، يتم خصم نقاط من النموذج. وهذا يجبر النموذج على توزيع المعرفة بشكل متساوٍ عبر جميع أركان الفضاء عالي الأبعاد، واستخدام جميع الأبعاد التي كانت تُهدر سابقًا، مما يعالج جذريًا مشكلة "التكدس".

مجموعة أخرى من KT-Attn تعالج سلوك التسويف في آلية الانتباه. في مراحل لاحقة من التدريب، تقع رؤوس الانتباه في النماذج الكبيرة غالبًا في تجانس شديد، حيث تركز العديد من الرؤوس طوال الوقت على نفس الكلمة أو نفس الموضع، مما يؤدي إلى قلة القوى العاملة الفعالة. تفرض هذه القاعدة بشكل إجباري على كل رأس انتباه أن يركز على مناطق دلالية مختلفة تمامًا، مما يضمن تغطية شاملة في جميع الاتجاهات ويقضي تمامًا على ظاهرة انهيار رتبة رؤوس الانتباه.

التأثير الناتج عن هذه السلسلة من الإجراءات كان فوريًا.

على Llama-3-8B، نجح GeoLAN في تحويل مساحة التمثيل المخروطية المضغوطة أصلاً إلى كرة متماسكة، مع تقليل ملحوظ في درجة التقارب وزيادة كبيرة في التوزيع المتساوي في جميع الاتجاهات، مع الحفاظ على دقة المهمة.

على Gemma-3-4B، ارتفعت دقة MMLU من 0.59 إلى 0.60، بزيادة حوالي 0.75 نقطة مئوية. تحسّنت الاستقرار الدلالي في TruthfulQA بشكل ملحوظ.

على نموذج Gemma-3-12B الأكبر حجمًا، شهد مؤشر معدل التحيز انخفاضًا إحصائيًا ملحوظًا أيضًا.

الأكثر إثارة للاهتمام، أن الورقة اكتشفت ظاهرة مثيرة تُسمى "المنطقة الذهبية".

وبالتالي، فإن توزيعًا موحدًا لهذه القيود الهندسية الصارمة يصبح كارثة للنماذج ذات عدد المعلمات الصغير جدًا، فالنماذج الصغيرة تحتاج بطبيعتها إلى التشابك المفاهيمي لتحقيق ضغط دلالي قصوى، وأي محاولة لإضعافها ستؤدي إلى تدهور تام للبنية الهندسية الداخلية.

أما بالنسبة للنماذج الضخمة جدًا، فإن عملية التدريب المسبق الواسعة قد أنشأت تلقائيًا بنية معقدة جدًا من الأسطح، وإضافة这套规则 لا تتناسب معها فحسب، بل تؤدي أيضًا إلى إبطاء الأداء العام.

إن النماذج ذات الحجم المتوسط، مثل تلك التي تتراوح بين أربعة إلى ثمانية مليارات معامل، هي التي تحقق أفضل أداء، لأنها تمتلك المساحة الكافية تمامًا للاستفادة من المزايا الناتجة عن التوزيع المتجانس.

علاوة على ذلك، استنتج البحث نظرية رائعة تُسمى "نظرية التصاق الدلالي": عندما تحقق الميزات "قاعدة منع التزاحم"، فإن المفاهيم الدلالية المختلفة تتحلل تلقائيًا إلى فضاءات فرعية تقريبًا متعامدة، وسمّاها البحث بشكل تصويري "الحبيبات". يمكن تفسير كل فضاء فرعي وضبطه بشكل مستقل، مما يعني أن مشكلة الصندوق الأسود التي عانت منها الصناعة لسنوات أصبحت الآن شفافة.

ورقة بحثية من ACL، سحبت فرضية أتسوغا من قاعة الرياضيات البحتة إلى هندسة الذكاء الاصطناعي.

حائز على ميدالية فيلدز، أُعلن في نفس اليوم عن انضمامه إلى OpenAI

شيء آخر يستحق الذكر هو أن أحد حائزي جائزة فيلدز هذا العام، وهو الخبير الرياضي جاكوب تسيمرمان، أعلن مباشرة في يوم فوزه أنه سيُنضم قريباً إلى OpenAI للعمل في مجال أمان الذكاء الاصطناعي.

هذا يجبرك على ملاحظة الصلة الوثيقة بين الرياضيات المتقدمة والذكاء الاصطناعي.

قبل عام واحد فقط، قام بتأليف ورقة بحثية بعنوان "تصنيف للسيناريوهات الكارثية الشاملة التي تشمل الذكاء الاصطناعي" بالتعاون مع أندرو كريتش، باحث في أمان الذكاء الاصطناعي في بيركلي، حيث بنى نظامًا تصنيفياً دقيقًا لمسارات مخاطر الذكاء الاصطناعي باستخدام الدقة القصوى للرياضيين.

هو نفسه من المستفيدين المكثفين من الذكاء الاصطناعي، حيث نُشرت له خمس أوراق رياضية على arXiv في عام 2025، وأكد أن الذكاء الاصطناعي ضاعف كفاءة إنتاجه البحثي بشكل مباشر.

الأكثر دراماتيكية أن ثلاثة أيام قبل حفل توزيع الجوائز، قام شخص ما باستخدام Claude Fable 5 الأحدث من Anthropic، وقلب فرضية جاكوبي التي كانت معلقة منذ 87 عامًا في ليلة واحدة، مما أثار صدمة في عالم الرياضيات العالمي. ذلك الشخص كان طالبه ليفنت ألفوجي.

مواجهة تقارب الذكاء الاصطناعي وحتى تفوقه على أعظم الرياضيين، صرّح العبقري الرياضي تيموثي علنًا: إنه لأول مرة في حياته يرى نماذج اللغة الكبيرة تحل بسهولة مشكلة قرنية مشهورة في مجال لا يعرفه تمامًا.

العلاقة بين الرياضيات والذكاء الاصطناعي تجاوزت منذ زمن طويل ما يمكن وصفه بكلمة "غير قابلة للانفصال"، فهما يندمجان بسرعة مذهلة.

في مراجعة أداء الذكاء الاصطناعي في ساحة الرياضيات على مدار العام الماضي، من فوز DeepMind بجائزة الفضة في مسابقة الأولمبياد الدولي للرياضيات باستخدام AlphaProof، إلى تفكيك نموذج OpenAI للتفكير لفرضية إيردوس للمسافة الواحدة التي استمرت ثمانين عامًا، ثم حل GPT-5.6 لفرضية التغطية الدائرية المزدوجة في ساعة واحدة فقط، وتجاوز Claude Fable 5 لفرضية جاكوبي في ليلة واحدة، حقق الذكاء الاصطناعي خلال شهرين فقط سلسلة من السجلات القرنية، ويزداد معدل التقدم بسرعة أسية.

في مقابلة AMS، صرح جاكوب بصراحة: "هناك الكثير من التخدير الذاتي في عالم الرياضيات، حيث يراقب الناس أن الذكاء الاصطناعي لا يزال أقل من الرياضيين الآن، فيستنتجون أنه لن يكون أبدًا أفضل منهم." وقد أثبت بتجاربه العملية أنه على الرغم من أن إثباتات النموذج "غير كاملة وغير صارمة"، إلا أنها "غالبًا ما تقدم طريقة تقريبية صحيحة تساعدك على إنجاز ثمانية من كل عشر خطوات."

وهو يعتقد حتى أن الذكاء الاصطناعي سيتفوق تمامًا على البشر في إثباتات الرياضيات خلال سنتين.

إذًا، السؤال هو: في عام 2030، بعد أربع سنوات، هل سيكون هناك فائز بشخصية بشرية في جائزة فيلدز؟

يوجد حد أقصى للعمر إلزامي لجائزة فيلدز، حيث يجب أن يكون الفائز أقل من 40 عامًا. وهذا يعني أنه إذا تفوق الذكاء الاصطناعي بشكل منهجي على قدرات العلماء البشريين في إجراء اكتشافات رياضية أصلية خلال السنوات الأربع القادمة، فستواجه لجنة التحكيم موقفًا غير مسبوق: هل تمنح الجائزة لأفضل من قام بأفضل عمل رياضي، أم لأفضل من قام بأفضل عمل رياضي بين البشر؟

الأكثر إثارةً هو التسارع المتبادل بين الرياضيات والذكاء الاصطناعي. بعد إثبات حدسية كوناكي ثلاثية الأبعاد مباشرةً، ظهر GeoLAN بعد ثلاثة أشهر، حيث تحولت نتائج رياضية بحتة مباشرةً إلى أداة لتدريب النماذج الكبيرة. فما الذي ستُنتجُه قدرات الذكاء الاصطناعي غدًا من إنجازات مثل حدسية أندريه-أورت المُكرَّمة اليوم في جائزة فيلدز، أو التقدم المحرز على مسألة هيلبرت السادسة؟

في الماضي، كان يُقال دائمًا إن الرياضيين هم من يفتحون الطريق في المقدمة، بينما تأتي الذكاء الاصطناعي لاحقًا لجمع الكنوز. لكن الآن، ذلك الذي كان يجمع الكنوز، بدأ بالفعل بفتح طريقه الخاص.