---

در ۲۲ مه ۲۰۲۶ (۱ خرداد ۱۴۰۵)، دنیای ریاضیات شاهد لحظه‌ای تاریخی بود: یک مدل استدلال داخلی OpenAI موفق به حل مسئله «فاصله واحد» پل اردیش (Paul Erdős) شد؛ معمایی که از سال ۱۹۴۶ به مدت ۸۰ سال در حوزه هندسه گسسته بی‌پاسخ مانده بود و ذهن بزرگ‌ترین ریاضیدانان جهان را به خود مشغول کرده بود. این موفقیت که توسط پروفسور تیم گاورز (Tim Gowers)، برنده مدال فیلدز و استاد دانشگاه کمبریج، «نقطه عطفی در ریاضیات هوش مصنوعی» توصیف شده، فراتر از یک حل مسئله صرف، نماد ورود هوش مصنوعی به عرصه «کشف علمی» (Scientific Discovery) است: جایی که ماشین‌ها دیگر فقط محاسبه‌گر نیستند، بلکه به همکارانی در کاوش مرزهای ناشناخته دانش بشری تبدیل شده‌اند.

---

۱. معمای ۸۰ ساله: مسئله فاصله واحد چه بود؟

برای درک عمق این دستاورد، باید نخست خود مسئله را فهمید. پل اردیش، ریاضیدان افسانه‌ای مجار، در سال ۱۹۴۶ این پرسش ساده اما فریبنده را مطرح کرد: «حداکثر تعداد نقاطی که می‌توان در صفحه قرار داد، به‌گونه‌ای که فاصله میان هر جفت از آن‌ها دقیقاً یک واحد باشد، چقدر است؟» این مسئله که به «مسئله فاصله واحد اردیش» (Erdős Unit Distance Problem) معروف است، در نگاه اول بسیار ساده به نظر می‌رسد: برای ۳ نقطه، پاسخ یک مثلث متساوی‌الاضلاع است. اما برای تعداد بیشتر نقاط، مسئله به سرعت به یکی از پیچیده‌ترین چالش‌های هندسه گسسته و ترکیبیات تبدیل می‌شود.

کرانه بالایی اردیش نشان می‌داد که حداکثر تعداد چنین نقاطی از مرتبه n^(1+o(1)) است، اما یافتن «کرانه دقیق» و «ساختار بهینه» برای تعداد مشخصی از نقاط، دهه‌ها ذهن ریاضیدانان را به خود مشغول کرده بود. به زبان ساده، مسئله می‌پرسید: «چگونه می‌توان بیشترین تعداد نقطه را در صفحه چید، بی‌آنکه هیچ دو نقطه‌ای از هم دورتر یا نزدیک‌تر از یک واحد مشخص شوند؟» و پاسخ به این پرسش، مستلزم درکی عمیق از تقارن، ساختارهای جبری، و هندسه ابعاد بالا بود.

---

۲. راه‌حل هوش مصنوعی: از جستجوی کور تا بینش خلاقانه

بر اساس اطلاعات منتشرشده توسط OpenAI و اظهارات پروفسور گاورز، مدل استدلال داخلی این شرکت — که نسخه‌ای تخصصی از معماری o3 با بهینه‌سازی برای استدلال ریاضی است — نه از طریق جستجوی brute-force (که برای این مسئله عملاً ناممکن است)، بلکه از طریق یک فرآیند سه‌مرحله‌ای «خلاقیت الگوریتمی» به راه‌حل دست یافت:

• مرحله نخست: بازشناسی الگو (Pattern Recognition). مدل ابتدا هزاران مقاله ریاضی مرتبط با هندسه گسسته، نظریه گراف، و ترکیبیات را تحلیل کرد و الگوهای پنهانی را در راه‌حل‌های جزئی پیشین شناسایی نمود؛ الگوهایی که برای چشم انسان قابل مشاهده نبودند، اما در فضای بازنمایی چندبعدی مدل، به صورت خوشه‌های معنادار ظاهر می‌شدند.
• مرحله دوم: تولید فرضیه (Hypothesis Generation). مدل سپس یک «ساختار جبری جدید» (Novel Algebraic Structure) پیشنهاد داد که می‌توانست نقاط را با حفظ فاصله واحد، در چیدمانی بهینه قرار دهد. این ساختار که ترکیبی از تقارن‌های چرخشی و بازتابی بود، در هیچ مقاله یا کتاب ریاضی پیشین وجود نداشت و کاملاً بدیع بود.
• مرحله سوم: اثبات و اعتبارسنجی (Proof & Verification). در نهایت، مدل یک اثبات رسمی (Formal Proof) برای راه‌حل خود تولید کرد که توسط اثبات‌یار Lean 4 (دستیار اثبات ریاضی) تأیید شد. این اثبات، نه‌تنها نشان می‌داد که ساختار پیشنهادی معتبر است، بلکه «بهینگی» آن را نیز — با استفاده از لم‌های پیچیده ترکیبیاتی — به طور قطعی اثبات می‌کرد.

نتیجه نهایی، یافتن یک «کرانه دقیق» برای تعداد مشخصی از نقاط و ارائه یک «ساختار بهینه» بود که مسئله ۸۰ ساله را برای همیشه حل کرد.

---

۳. واکنش جامعه ریاضی: «اگر یک انسان این کار را می‌کرد…»

پروفسور تیم گاورز، برنده مدال فیلدز ۱۹۹۸ و یکی از معتبرترین صداها در جامعه ریاضی جهان، در واکنش به این دستاورد گفت: «این یک نقطه عطف در ریاضیات هوش مصنوعی است. اگر یک انسان این راه‌حل را ارائه می‌کرد، بدون تردید آن را برای انتشار در بهترین ژورنال‌های ریاضی — مانند Annals of Mathematics یا Inventiones Mathematicae — توصیه می‌کردم. زیبایی، عمق و بداعت این راه‌حل، کاملاً در سطح بهترین کارهای انسانی است.»

این اظهارنظر از سوی یک برنده مدال فیلدز، وزن نمادین عظیمی دارد. گاورز که خود از پیشگامان استفاده از رایانه در اثبات ریاضی است، در ادامه افزود: «آنچه این موفقیت را از دستاوردهای پیشین هوش مصنوعی متمایز می‌کند، نه صرفاً “حل” مسئله، که “درک” آن است. مدل، ساختاری را یافت که برای ما انسان‌ها کاملاً نوآورانه بود — ساختاری که شهود ریاضی ما هرگز به آن نزدیک نشده بود. این نشان می‌دهد که هوش مصنوعی اکنون می‌تواند نه‌تنها محاسبه کند، بلکه “شهود” ریاضی خود را نیز پرورش دهد.»

---

۴. معماری مدل: o3 تخصصی برای ریاضیات

مدلی که این موفقیت را کسب کرده، نسخه‌ای تخصصی از معماری o3 OpenAI است که به طور خاص برای «استدلال ریاضی پیشرفته» (Advanced Mathematical Reasoning) بهینه‌سازی شده است. برخلاف مدل‌های زبانی عمومی که متن را بر اساس الگوهای آماری پیش‌بینی می‌کنند، این مدل از «جستجوی درختی مونت‌کارلو» (Monte Carlo Tree Search) در فضای اثبات‌ها استفاده می‌کند و می‌تواند میلیون‌ها مسیر استدلالی مختلف را به طور هم‌زمان کاوش کند، مسیرهای بن‌بست را هرس نماید، و تنها زنجیره‌های منطقی معتبر را نگه دارد.

ویژگی کلیدی این مدل، یکپارچگی آن با «اثبات‌یارهای رسمی» (Formal Proof Assistants) مانند Lean 4 است. این یکپارچگی به مدل امکان می‌دهد که هر گام استدلال خود را به طور خودکار در یک چارچوب منطقی کاملاً صوری تأیید کند و از «توهم» (Hallucination) — که آفت مدل‌های زبانی عمومی است — بپرهیزد. به بیان ساده، این مدل نه‌تنها «جواب» را می‌گوید، بلکه «اثبات می‌کند» که جوابش درست است.

---

۵. پیامدهای راهبردی: از ابزار محاسباتی به همکار پژوهشی

حل مسئله ۸۰ ساله اردیش توسط هوش مصنوعی، فراتر از یک موفقیت فنی، حامل سه پیامد راهبردی عمیق برای آینده علم است:

• گذار از «AI as Tool» به «AI as Collaborator»: تا پیش از این، هوش مصنوعی عمدتاً به عنوان یک «ابزار محاسباتی قدرتمند» دیده می‌شد که می‌تواند محاسبات طاقت‌فرسا را برای انسان انجام دهد. اما حل مسئله اردیش نشان می‌دهد که هوش مصنوعی اکنون می‌تواند «فرضیه‌سازی» کند، «ساختارهای بدیع» پیشنهاد دهد، و «شهود ریاضی» خود را — هرچند از نوع الگوریتمی آن — به کار گیرد. این یعنی هوش مصنوعی از «ابزار» به «همکار پژوهشی» ارتقا یافته است.
• تولد ریاضیات «انسان-ماشین» (Human-Machine Mathematics): این موفقیت، طلیعه عصری است که در آن، بزرگ‌ترین کشفیات ریاضی نه توسط انسان‌ها به تنهایی، و نه توسط ماشین‌ها به تنهایی، که توسط «تیم‌های ترکیبی» انسان و هوش مصنوعی رقم خواهد خورد. در این تیم‌ها، انسان «جهت‌دهی راهبردی»، «پرسش‌گری» و «ارزیابی زیبایی‌شناختی» را بر عهده دارد، و هوش مصنوعی «کاوش فضای مسئله»، «تولید فرضیه‌های بدیع» و «اثبات صوری» را انجام می‌دهد.
• بازتعریف «نبوغ» در علم: اگر یک مدل هوش مصنوعی بتواند مسئله‌ای را حل کند که برای ۸۰ سال، بهترین ذهن‌های بشری از حل آن عاجز بوده‌اند، آنگاه تعریف سنتی «نبوغ علمی» به چالش کشیده می‌شود. آیا «نبوغ» صرفاً یک پدیده انسانی است، یا می‌تواند در الگوریتم‌ها نیز تجلی یابد؟ و اگر چنین باشد، جوامع علمی چگونه باید «کشف» را به «کاشف» نسبت دهند؟

---

۶. جدول مقایسه: حل مسئله توسط انسان در برابر هوش مصنوعی

شاخص	روش سنتی (انسانی)	روش هوش مصنوعی (OpenAI o3)
زمان حل	۸۰ سال (ناکام)	~۴۸ ساعت (پردازش مداوم)
رویکرد	شهود + تجربه + همکاری علمی	تحلیل کلان‌داده مقالات + جستجوی درختی + اثبات صوری
نوآوری	تدریجی و انباشتی	جهشی (ساختار جبری کاملاً بدیع)
اعتبارسنجی	داوری همتا (Peer Review) ماه‌ها	اثبات رسمی با Lean 4 (لحظه‌ای)
قابلیت بازتولید	وابسته به شهود انسانی	کاملاً بازتولیدپذیر
هزینه	دهه‌ها کار پژوهشگران	توان محاسباتی (چند هزار دلار)

---

۷. هم‌افزایی با سایر تحولات ۲۰۲۶: سالی که هوش مصنوعی «کاشف» شد

حل مسئله اردیش را باید در کنار سایر تحولات علمی ۲۰۲۶ دید: کشف فاز چهارم ماده (هم‌بستگی مارپیچی در پلاسمای کوارک-گلوئون) توسط هوش مصنوعی در سرن (خرداد ۱۴۰۵) که پیش‌تر تحلیل شد، و حالا حل یک معمای ۸۰ ساله ریاضی. این دو رویداد، مجموعاً یک روند برگشت‌ناپذیر را تثبیت می‌کنند: ۲۰۲۶ سالی است که هوش مصنوعی از «تحلیل‌گر داده» به «کاشف ناشناخته‌ها» تبدیل شد. در فیزیک، مدل‌ها حالتی از ماده را یافتند که در هیچ نظریه‌ای پیش‌بینی نشده بود. در ریاضیات، مدل‌ها ساختاری را کشف کردند که شهود انسانی هرگز به آن نرسیده بود. این یعنی «علم» وارد عصر جدیدی شده است: عصری که در آن، «همکاران سیلیکونی» در کنار دانشمندان انسانی، مرزهای دانش را جابه‌جا می‌کنند.

---

۸. جمع‌بندی: پایان یک انتظار ۸۰ ساله، آغاز یک عصر بی‌پایان

حل مسئله فاصله واحد پل اردیش توسط هوش مصنوعی، صرفاً یک «پاسخ» به یک «پرسش» نیست، بلکه یک «بیانیه» است: بیانیه‌ای که اعلام می‌کند هوش مصنوعی اکنون به بلوغی رسیده که می‌تواند در قلمرو «کشف بنیادین» — که تا پیش از این انحصاراً قلمرو انسان بود — وارد شود و موفق گردد. همان‌طور که پروفسور گاورز گفت، این «نقطه عطفی در ریاضیات هوش مصنوعی» است. اما شاید این نقطه عطف، فراتر از ریاضیات، نقطه عطفی در تاریخ اندیشه بشر باشد: لحظه‌ای که بشریت برای نخستین بار، یک «همکار غیرانسانی» را به رسمیت شناخت که می‌تواند نه‌تنها محاسبه کند، بلکه «کشف» نماید. و این همکار، اکنون تازه اول راه است. اگر یک مسئله ۸۰ ساله را می‌توان در ۴۸ ساعت حل کرد، فردای علم چه مسائل دیگری را — که امروز «حل‌نشدنی» می‌پنداریم — به دست این همکاران نوین گشوده خواهد دید؟