واکنش به نظرات دیگران

🔵ترجمه متن‌ نامه  ۲۵ ریاضیدان‌ برنده  مدال (جایزه) فیلدز در مورد ارتباط هوش مصنوعی (هوشواره) و رياضيات

🔷عدم هم‌راستایی و انحراف شدید هوش مصنوعی در ریاضیات.

طی چند ماه گذشته، توانمندی‌های ریاضی مد‌ل‌های زبانی بزرگ (LLM) به طرز چشمگیری بهبود یافته است، تا جایی که می‌توانند مسائل برجسته و حل‌نشده مهمی را در بسیاری از شاخه‌های ریاضیات حل کنند.

با این حال، فشار شرکت‌های هوش مصنوعی برای حل مسائل ریاضی صرفاً به‌عنوان یک بنچمارک (معیار سنجش)، برای علم ریاضیات و جامعه ریاضی‌دانان زیان‌بار است.

اهداف شرکت‌های هوش مصنوعی و اهداف جامعه ریاضیات به شدت دچار عدم هم‌راستایی هستند.

ما این مسئله را بخشی از چالش‌های گسترده‌تر هم‌راستایی می‌دانیم که سایر مشاغل علمی و خلاقانه و همچنین کل جامعه را تحت تاثیر قرار می‌دهد.

در شهور اخیر، موفقیت هوش مصنوعی در حل مسائل بزرگ ریاضی حتی خارج از محافل ریاضی خبرساز شده است.

اما حل مسائل تنها یک ابزار و واسطه برای دستیابی به هدف اصلی، یعنی درک مفهومی و بینش عمیق است.

فراموش کردن این امر در دنیای هوش مصنوعی ممکن است ابزار را علیه هدف اصلی کند.

در واقع، تولید انبوه گزاره‌های «درست/نادرست» با سرعتی روزافزون، می‌تواند به جای بخشیدن حیات به ایده‌های جدید، زمین‌های بارور علمی را نابود سازد.

غالباً این راه‌حل‌ها با عجله اعلام می‌شوند و هیچ زمانی برای نگارش مناسب، تفکیک روش‌ها و ایده‌های جدید و ارجاع به کارهای مرتبط قبلی دیگران باقی نمی‌گذارند.

مانند همه مشاغل خلاقانه، این موضوع چالش‌های جدی در زمینه استناد و سرقت علمی ایجاد می‌کند.

علاوه بر این، بدون ریاضی‌دانان مشتاقی که باید مراقب پرورش این ایده‌ها و ادغام آن‌ها در بدنه اصلی ریاضیات باشند، ایده‌های زاییده هوش مصنوعی هرگز کاملاً به حیات واقعی نمی‌رسند و زنجیره حیاتی انتقال انسانی بین ریاضی‌دانان از دست خواهد رفت.

ما شاهد یک تهدید عمومی برای کار پژوهشی و فکری هستیم، همراه با عدم هم‌راستایی میان پیامد استفاده از هوش مصنوعی...

جامعه ریاضیات از بسیاری جهات مانند نمونه‌ای کوچک از کل جامعه بشری عمل می‌کند.

این جامعه از افرادی تشکیل شده که از رویکردهای بسیار متنوعی استفاده می‌کنند و ارزش‌های بنیادی مشترکی آن‌ها را به هم پیوند می‌دهد.

ارزشمندترین منابع حرفه ما، دانشجویان و ایده‌ها هستند و ما با دقت و دلسوزی فراوان از آن‌ها مراقبت می‌کنیم.

ما خود را موظف می‌دانیم به آن‌ها اجازه دهیم تا به حداکثر پتانسیل خود برسند، تا زمانی که بتوانند زندگی مستقل خود را در دنیای ریاضیات داشته باشند.

برای دانشجویان، ما اغلب مسائلی را با هدف اصلی توسعه مهارت‌هایی پیشنهاد می‌کنیم که آن‌ها را برای پیشرفت در پژوهش و سایر زمینه‌ها آماده می‌سازد.

ایده‌هایمان را از طریق سخنرانی‌ها، گفتگوهای خصوصی و نگارش‌های دقیق منتشر می‌کنیم و آن‌ها را به ایده‌های قبلی دیگران پیوند می‌دهیم.

این فرآیندها همواره زمان‌بر بوده و بر پایه تعاملات انسانی استوار هستند.

اسامی امضاکنندگان:
* آرتور آویلا (مدال فیلدز ۲۰۱۴)
* منجول بهارگاوا (مدال فیلدز ۲۰۱۴)
* کوچر بیرکار (مدال فیلدز ۲۰۱۸)
* پیر دلین (مدال فیلدز ۱۹۷۸)
* یو دنگ (مدال فیلدز ۲۰۲۶)
* سایمون دونالدسون (مدال فیلدز ۱۹۸۶)
* هوگو دومینیل-کوپن (مدال فیلدز ۲۰۲۲)
* الزیو فیگالی (مدال فیلدز ۲۰۱۸)
* مارتین هایرر (مدال فیلدز ۲۰۱۴)
* جون هو (مدال فیلدز ۲۰۲۲)
* ماکسیم کانتسویچ (مدال فیلدز ۱۹۹۸)
* آلون لیندن‌شتراوس (مدال فیلدز ۲۰۱۰)
* پیر-لوئی لیون (مدال فیلدز ۱۹۹۴)
* جیمز مینارد (مدال فیلدز ۲۰۲۲)
* کورت مک‌مولن (مدال فیلدز ۱۹۹۸)
* شیگه‌فومی موری (مدال فیلدز ۱۹۹۰)
* نگو باو چائو (مدال فیلدز ۲۰۱۰)
* آندری اکونکوف (مدال فیلدز ۲۰۰۶)
* پیتر شولتزه (مدال فیلدز ۲۰۱۸)
* استانیسلاف اسمیرنوف (مدال فیلدز ۲۰۱۰)
* ترنس تائو (مدال فیلدز ۲۰۰۶)
* مارینا ویازوفسکا (مدال فیلدز ۲۰۲۲)
* سدریک ویلانی (مدال فیلدز ۲۰۱۰)
* وندلین ورنر (مدال فیلدز ۲۰۰۶)
* افیم زلمانوف (مدال فیلدز ۱۹۹۴)

https://x.com/ns123abc/status/2098515807869255893

@BetweenDichotomies

«استفاده از هوش مصنوعی مولد را در دروس هسته علوم اجتماعی دوره کارشناسی دانشگاه شیکاگو ممنوع شد.»

در سال تحصیلی ۲۰۲۶–۲۰۲۷ دانشگاه شیکاگو تصمیم گرفته است استفاده از هوش مصنوعی مولد را در دروس هسته علوم اجتماعی دوره کارشناسی یا Social Sciences Core (SOSC Core) به‌طور کلی ممنوع کند و این کلاس‌ها را تا حد زیادی به شکل «آنالوگ» برگزار کند. روزنامه دانشگاه شیکاگو Chicago Maroon در ۲۳ اوت ۲۰۲۶ متن یادداشتی از Jenny Trinitapoli، مسئول Social Sciences Collegiate Division، را منتشر کرده که در آن آمده این دروس قرار است محیطی آموزشی «بدون AI» باشند. سخنگوی دانشگاه نیز اصل این سیاست را تأیید کرده است. (Chicago Maroon)
اما نکته مهم دامنه سیاست است. «SOSC Core» به معنای همه درس‌های دانشکده یا رشته‌های علوم اجتماعی دانشگاه شیکاگو نیست. این مجموعه، بخشی از برنامه آموزش عمومی کارشناسی است؛ دانشجویان کارشناسی باید یک توالی سه‌فصلی از این دروس را بگذرانند و هدف آنها آموزش مهارت‌های بنیادی مانند خواندن دقیق، تفکر تحلیلی، استدلال و نوشتن است، نه آموزش تخصصی یک رشته خاص. خود دانشگاه نیز تصریح می‌کند که این دروس «آموزش تخصصی رشته‌ای» محسوب نمی‌شوند. (The College at University of Chicago)
سیاست جدید چند جزء مهم دارد:
دانشجویان در SOSC Core باید عمدتاً متون چاپی را بخوانند و بحث‌های کلاس بدون لپ‌تاپ، تلفن همراه و سایر ابزارهای دیجیتال انجام شود.
استفاده از AI برای انجام نوشتار دانشجو ممنوع است.
استفاده استادان از AI برای نمره‌دهی نیز اصولاً پذیرفته نیست.
حتی در یادداشت سیاست آمده است که syllabusهای این دروس باید توسط «پژوهشگران انسانی» تهیه شوند.
با این حال، ممنوعیت کاملاً مطلق نیست: استاد می‌تواند برای اهداف آموزشی مشخص، مانند بررسی داده، کدنویسی یا آموزش شیوه استناد، استثنا ایجاد کند؛ همچنین برای دانشجویان دارای تسهیلات آموزشی رسمی استثنا وجود دارد. (Chicago Maroon)
دلیل اعلام‌شده بسیار قابل توجه است. دانشگاه استدلال می‌کند که پیش از آنکه دانشجو یاد بگیرد با هوش مصنوعی کار کند، باید توانایی مستقل «خواندن، نوشتن و اندیشیدن بدون وابستگی به AI» را پیدا کند. در یادداشت آمده است که SOSC Core قرار است پایه‌ای برای تحصیلات پیشرفته‌تر ایجاد کند و بنابراین ابتدا باید این توانایی‌های شناختی مستقل تثبیت شوند. (Chicago Maroon)

دانشگاه شیکاگو به‌طور کلی مخالف استفاده از هوش مصنوعی نیست. برعکس، دانشگاه ابزارهای مولد مختلفی از جمله PhoenixAI را در اختیار جامعه دانشگاهی قرار داده و برای استفاده آموزشی و پژوهشی از AI منابع و دستورالعمل‌های متعددی تهیه کرده است. دانشگاه صریحاً هم درباره درس‌هایی که AI را ممنوع می‌کنند و هم درباره درس‌هایی که آن را در فرایند یادگیری ادغام می‌کنند راهنما ارائه می‌دهد. (academictech.uchicago.edu)
حتی در خود علوم اجتماعی شیکاگو دوره‌هایی مانند Machine Learning in the Social Sciences وجود دارد و برنامه‌های علوم اجتماعی محاسباتی دانشگاه به‌طور گسترده از یادگیری ماشین و هوش مصنوعی استفاده می‌کنند. (Social Sciences at UChicago)

بنابراین:
«دانشگاه شیکاگو از سال تحصیلی ۲۰۲۶–۲۰۲۷ استفاده از هوش مصنوعی مولد را در دروس هسته آموزش عمومی علوم اجتماعی در مقطع کارشناسی (SOSC Core) به‌طور کلی ممنوع و این کلاس‌ها را عمدتاً بدون ابزارهای دیجیتال برگزار می‌کند؛ این ممنوعیت شامل همه رشته‌ها و درس‌های علوم اجتماعی دانشگاه نمی‌شود.»
به نظرم اهمیت این خبر برای بحثی که درباره آینده آموزش دانشگاهی داشتیم بسیار بیشتر از خود «ممنوعیت AI» است: شیکاگو عملاً دارد میان «مرحله کسب توانایی شناختی مستقل» و «مرحله استفاده از AI برای افزایش توانایی» تمایز می‌گذارد. این الگو می‌تواند یکی از پاسخ‌های جدی دانشگاه‌ها به این پرسش باشد که «در عصر هوش مصنوعی چه چیزی هنوز باید توسط خود دانشجو آموخته و انجام شود؟»

درود.
دو متن بالا حاوی نکات مهمی است و می‌تواند نگرش ما را نسبت به هوش مصنوعی تا حدی تغییر دهد یا تعدیل کند.
بر این باورم بزرگترین اشتباهی که در حال حاضر بین جامعه‌ی دانشگاهی رواج دارد، مقایسه هوش مصنوعی با اشکال دیگر تکنولوژی است که موجب تسهیل و ارتقای دانش بشری شده است.
برای مثال مقایسه ظهور و بروز ماشین حساب با هوش مصنوعی است و همان ادله‌ای را که استفاده از ماشین حساب را توجیه می‌کرده برای هوش مصنوعی بیان می‌شود.
شکی نیست که هوش مصنوعی تأثیرات بسیار شگرفی بر زندگی بشری و بهبود و تسهیل رفاه جامعه دارد؛ ولی باید مرز کارکرد هوش مصنوعی به عنوان یک ابزار تسهیل‌گر زندگی بشری، از جایگزینی به جای انسان تفکیک شود.
با همه مزایای هوش مصنوعی، بزرگترین عیب آن این است که خلاقیت فکری و ضرورت اندیشیدن و جستجوگری در انسان را به نحو چشم‌گیری کاهش می‌دهد.