كشفت شركة OpenAI عن عشر نتائج جديدة في الرياضيات وعلوم الحاسوب النظرية، أنتجها إصدار داخلي من نموذجها الرئيسي القادم الذي يحمل اسم Astra. وتشمل النتائج مسائل ظل بعضها مفتوحًا لسنوات أو عقود، في مجالات تمتد من هندسة الأبعاد العالية ونظرية الترميز إلى الحوسبة الكمية والتشفير المقاوم للحواسيب الكمية.
لكن أكثر ما جذب الانتباه لم يكن عدد النتائج فقط، بل إعلان الشركة أن عدد التوكنات المستخدمة للعثور على الحلول كان سيكلف قرابة 2000 دولار عند احتسابه وفق أسعار واجهة Sol API.
الخلاصة: لا تقول OpenAI إن تدريب النموذج أو تنفيذ المشروع كاملًا كلف 2000 دولار، كما لا تقول إن Astra حل جميع مسائل الرياضيات الكبرى. المقصود هو أن تكلفة التوكنات التي احتاجها النموذج أثناء البحث عن هذه الحلول تُقدّر بنحو 2000 دولار وفق أسعار Sol API.
ما الذي أعلنته OpenAI بالضبط؟
نشرت OpenAI في الأول من أغسطس 2026 تقريرًا رسميًا بعنوان Ten Advances in Mathematics and Theoretical Computer Science، عرضت فيه عشر نتائج قالت إنها تحل مسائل مفتوحة قديمة أو تحقق تقدمًا جوهريًا فيها.
وبحسب الشركة، جرى التوصل إلى الحجج الرياضية بواسطة إصدار داخلي من Astra، وهو النموذج الذي تصفه OpenAI بأنه نموذجها الرئيسي الكبير القادم. وبعد العثور على الحلول، ساعد النموذج نفسه باحثين بشريين على تنظيم الحجج وتحويلها إلى مخطوطات رياضية مفصلة.
ثم حوّل النموذج كل حجة إلى شهادة رسمية باستخدام نظام Lean، وهو مساعد براهين يستطيع التحقق آليًا من أن خطوات البرهان تتبع القواعد المنطقية والرياضية المحددة.
نشرت الشركة إلى جانب الإعلان ورقة تقنية من 249 صفحة تضم النتائج والبراهين والمراجع، ووثيقة أخرى من 62 صفحة تشرح كيف تطورت الأفكار، وما المحاولات التي واجهت عقبات، وكيف قادت تغييرات معينة في طريقة النظر إلى المسائل إلى الحجج النهائية.
منشور OpenAI الرسمي عن النتائج
An internal version of our next major model produced 10 new results on long-standing open problems in mathematics and theoretical computer science, using roughly $2,000 worth of tokens at GPT-5.6 Sol API rates. pic.twitter.com/4cgowmPOpY
— OpenAI (@OpenAI) August 3, 2026
ما الفرق بين Astra وGPT-5.6 Sol؟
من المهم عدم الخلط بين الاسمين. النموذج الذي أنتج النتائج الرياضية هو إصدار داخلي من Astra، وليس GPT-5.6 Sol.
أما Sol فذُكر في الإعلان باعتباره المرجع المستخدم لحساب تكلفة التوكنات. أي إن OpenAI أخذت عدد التوكنات التي استهلكتها عمليات البحث عن الحلول، ثم قدّرت كم كانت ستبلغ تكلفتها لو حوسبت وفق أسعار Sol API.
لهذا، لا يصح تقديم الخبر بصيغة أن «GPT-5.6 Sol حل عشر مسائل رياضية»، لأن Sol يمثل معيار التسعير في هذا السياق، بينما تنسب الشركة النتائج إلى إصدار داخلي من Astra.
هل كلف حل المسائل العشر 2000 دولار فقط؟
ليس بالمعنى الكامل. رقم 2000 دولار يمثل تقدير تكلفة التوكنات اللازمة للعثور على الحلول، ولا يمثل التكلفة الاقتصادية الإجمالية للمشروع.
هذا الرقم لا يشمل تكلفة تدريب Astra، أو الحواسيب المستخدمة لتطويره، أو تجارب التقييم السابقة، أو رواتب الباحثين والمهندسين، أو الوقت اللازم لإعداد المخطوطات ومراجعتها وتحويلها إلى شهادات Lean.
الصياغة الدقيقة للخبر هي أن تكلفة توكنات الاستدلال المستخدمة للعثور على الحلول قُدرت بنحو 2000 دولار وفق أسعار Sol API.
مع ذلك، يبقى الرقم لافتًا؛ لأنه يشير إلى أن تشغيل نموذج متقدم على مجموعة من المسائل البحثية قد يصبح أقل تكلفة بكثير من المدة البشرية التي تحتاجها بعض عمليات الاستكشاف الرياضي، خصوصًا عندما يتطلب البحث تجربة عدد كبير من الأفكار والمسارات المختلفة
ما المقصود بمسألة رياضية مفتوحة؟
المسألة المفتوحة هي سؤال لم يتوصل المجتمع العلمي بعد إلى جواب كامل ومثبت له. وقد تكون هناك نتائج جزئية أو حلول لحالات محددة، بينما يظل السؤال العام من دون برهان أو مثال مضاد حاسم.
لا تعني عبارة «مسألة مفتوحة» بالضرورة أن آلاف العلماء حاولوا حلها يوميًا، لكنها تعني أن السؤال معروف في مجاله، وأن الأدوات والأفكار المنشورة سابقًا لم تكن كافية لحسمه بالصورة المطلوبة.
والنتائج العشر التي عرضتها OpenAI ليست كلها من النوع نفسه. بعض النتائج يدحض تخمينات قديمة عن طريق تقديم أمثلة مضادة، وبعضها يثبت حدودًا رياضية حادة، وبعضها يحسن أفضل الحدود المعروفة، بينما تحقق نتائج أخرى تقدمًا كبيرًا في مشكلة أوسع لم تُغلق جميع جوانبها.
شرح نتائج OpenAI العشر بلغة بسيطة
1. رص الكرات في الأبعاد العالية
تبحث مسألة رص الكرات عن الطريقة التي تسمح بوضع أكبر عدد من الكرات المتساوية داخل مساحة من دون أن تتداخل. يمكن تصور المسألة بسهولة عند رص البرتقال في متجر، لكن الرياضيين يدرسونها أيضًا في فضاءات تضم عشرات أو مئات أو آلاف الأبعاد.
ركزت النتيجة الجديدة على طريقة رياضية شهيرة تعتمد على تحليل فورييه، وتُعرف باسم برنامج Cohn–Elkies. وحددت الورقة القوة التقريبية الدقيقة لهذه الطريقة في الأبعاد العالية، وقدمت حدًا عامًا أفضل لكثافة رص الكرات.
وتصف الورقة هذا التقدم بأنه أول تحسين منذ عام 1978 للأس العام المستخدم في أفضل الحدود المعروفة لعملية رص الكرات في الأبعاد العالية.
لكن النتيجة لا تقدم بالضرورة ترتيبًا عمليًا جديدًا للكرات في كل بعد، بل تحدد إلى أي مدى يمكن أن تصل إحدى أقوى الأدوات النظرية المستخدمة لوضع حد أعلى للكثافة.
2. الأكواد الثنائية والكروية
تعتمد أنظمة تخزين البيانات والاتصالات على أكواد تساعد في اكتشاف الأخطاء وتصحيحها. فإذا أُرسلت سلسلة من الأصفار والواحدات وتغير بعضها بسبب التشويش، يمكن للمستقبل استخدام المسافة بين الكلمات المشفرة لاستعادة البيانات الأصلية.
كلما كانت المسافة بين الأكواد أكبر، أصبح التمييز بينها وتصحيح الأخطاء أسهل، لكن عدد الرسائل التي يمكن تمثيلها داخل مساحة محددة يتراجع.
تقدم نتيجة OpenAI حدودًا أفضل بعوامل أُسية للعدد الأقصى من الأكواد الثنائية الممكنة عند تحديد مسافة دنيا بينها، إلى جانب نتائج مشابهة للأكواد الكروية في الأبعاد العالية.
هذا تقدم نظري في فهم الحدود الرياضية للترميز، ولا يعني أن أنظمة الهواتف أو التخزين ستتغير فورًا، لكنه قد يؤثر مستقبلًا في الأدوات التي يبني عليها الباحثون نظريات الاتصال وتصحيح الأخطاء.
3. إثبات وجود مجموعات غير Sofic
تدور المسألة حول سؤال عميق في نظرية المجموعات: هل يمكن تقريب كل مجموعة قابلة للعد بواسطة تبديلات تعمل على مجموعات منتهية، بحيث تصبح قوانين المجموعة أكثر دقة كلما كبر النموذج المستخدم؟
يمكن تشبيه ذلك بمحاولة تمثيل بنية لا نهائية ومعقدة من خلال نماذج محدودة الحجم. ظلت إمكانية تنفيذ هذا التقريب لجميع المجموعات سؤالًا مركزيًا في المجال.
تقدم الورقة بناءً صريحًا لمجموعة غير Sofic، أي مجموعة لا يمكن تقريبها بالطريقة المطلوبة، وبذلك تجيب بالنفي عن السؤال العام المتعلق بإمكانية تقريب كل مجموعة قابلة للعد بواسطة تبديلات منتهية.
وتوضح وثيقة مسار الأفكار أن الوصول إلى هذا البناء تطلب الجمع بين أدوات متقدمة، منها جبر Leavitt الثنائي، وخاصية تُسمى Property (T)، وموسعات رسومية، ومجموعة Thompson.
4. دحض تخمين Connes للصلابة
يمكن لبعض العمليات الرياضية تحويل مجموعة معقدة إلى بنية جبرية تسمى جبر فون نيومان للمجموعة. وكان تخمين Connes للصلابة يفترض، ضمن فئة معينة، أن هذه البنية الجبرية تحمل معلومات كافية لتحديد المجموعة الأصلية بصورة فريدة.
لكن النتيجة الجديدة تبني عددًا لا نهائيًا من المجموعات غير المتطابقة التي تمتلك جبر فون نيومان نفسه.
يمكن تشبيه الأمر بوجود أشخاص مختلفين تمامًا يحملون البصمة نفسها داخل نظام كان يُعتقد أن بصمته تكشف هوية صاحبها بصورة فريدة.
وبذلك تقدم الورقة مثالًا مضادًا يدحض التخمين، كما تجيب عن سؤال مرتبط طرحه عالم الرياضيات Sorin Popa.
5. حدود جديدة لتعقيد حساب الـPermanent
الـPermanent تعبير رياضي يشبه محدد المصفوفة، لكنه لا يستخدم الإشارات الموجبة والسالبة بالطريقة نفسها. وعلى الرغم من أن الفرق في الصيغة يبدو صغيرًا، فإن حساب الـPermanent يرتبط بمشكلات شديدة الصعوبة في علوم الحاسوب النظرية.
يمكن استخدامه لتمثيل عدد الطرق الممكنة لإسناد مجموعة من العمال إلى مجموعة من المهام، بحيث يحصل كل عامل على مهمة واحدة وتحصل كل مهمة على عامل واحد.
تقدم الورقة حدودًا دنيا جديدة لعدد العمليات التي تحتاجها دوائر وصيغ حسابية عند حساب الـPermanent، بما في ذلك حد للصيغ الحسابية من رتبة n⁴ / log n.
لكن هذه النتيجة لا تثبت أن الـPermanent لا يمكن حسابه بكفاءة في جميع النماذج، ولا تحل مسألة VP مقابل VNP. إنها تحسن الحدود الدنيا في نماذج حسابية محددة، مع التمييز بين الدائرة الحسابية التي تستطيع إعادة استخدام نتائج وسيطة، والصيغة الشجرية التي يجب أن تعيد حساب النتيجة عند استخدامها مرة أخرى.
6. التكرار المتوازي في الألعاب الكمية
في علوم الحاسوب النظرية، توجد ألعاب اختبارية بين حكم ولاعبين لا يستطيعان التواصل أثناء اللعب. وإذا كانت فرصتهما في اجتياز اختبار واحد أقل من 100%، فمن المتوقع أن يؤدي تكرار الاختبار مرات عديدة إلى انخفاض فرصة الفوز في جميع الجولات.
هذا المبدأ معروف في الألعاب الكلاسيكية، لكنه يصبح أكثر تعقيدًا عندما يتشارك اللاعبان حالة من التشابك الكمي.
تثبت النتيجة الجديدة أن احتمال النجاح ينخفض أُسيًا عند تكرار أي لعبة كمية محدودة تضم لاعبين وجولة واحدة، وليس فقط في الفئات الخاصة التي غطتها نتائج سابقة.
تشير الورقة إلى أن بعض الثوابت والأسس العددية داخل الحد المثبت ليست بالضرورة مثالية. القيمة الأساسية للنتيجة هي إثبات الانخفاض الأُسي بصورة عامة.
7. صعوبة مشكلة أقرب متجه
تخيل شبكة منتظمة من النقاط داخل فضاء، ثم أُعطيت نقطة لا تنتمي إلى الشبكة وطُلب منك العثور على أقرب نقطة شبكية إليها. قد تبدو المهمة بسيطة في بعدين أو ثلاثة، لكنها تصبح شديدة التعقيد في الأبعاد العالية.
تُعرف هذه المسألة باسم Closest Vector Problem أو مشكلة أقرب متجه، ولها علاقة مهمة بدراسة الشبكات الرياضية وبعض أنظمة التشفير المرشحة لمقاومة الحواسيب الكمية.
تقدم الورقة اختزالًا مباشرًا من مسألة 3SAT، وتثبت صعوبة تقريب المشكلة بعامل كثير الحدود يبلغ n^(1/400) في الحالة الإقليدية، مع نتائج مرتبطة بفك الترميز ومسائل شبكية أخرى.
لا يعني ذلك أن النموذج كسر نظام تشفير يستخدم حاليًا، بل إن النتيجة تتعلق بفهم الصعوبة النظرية لإحدى المسائل الأساسية المرتبطة بعالم التشفير الشبكي.
8. تخمين Ehrhart للحجم
تبحث هذه المسألة عن أكبر حجم ممكن لجسم محدب يكون مركز ثقله هو النقطة الشبكية الداخلية الوحيدة الموجودة داخله.
الجسم المحدب هو شكل لا يحتوي على انبعاجات داخلية؛ فإذا اخترت نقطتين داخله، يبقى الخط المستقيم الواصل بينهما داخل الجسم. أما النقاط الشبكية فهي نقاط ذات إحداثيات صحيحة.
تثبت الورقة الحد الحاد للحجم في جميع الأبعاد، وتحدد أن الحجم لا يمكن أن يتجاوز القيمة (n + 1)ⁿ / n! وفق شروط المسألة.
وتوضح وثيقة مسار الأفكار أن بعض المحاولات الأولية أعطت حدًا قريبًا، لكنها فقدت العامل n! الضروري. كشف ذلك أن طرق التناظر البسيطة كانت تمحو جزءًا أساسيًا من بنية الشكل، ما دفع البحث إلى منظور هندسي وتحليلي مختلف.
ورغم إثبات الحد الحاد، تشير الوثيقة إلى أن التصنيف الكامل لجميع حالات المساواة يظل سؤالًا منفصلًا.
9. أعداد رامزي متعددة الألوان
تبحث نظرية رامزي عن اللحظة التي يصبح فيها ظهور نظام معين أمرًا حتميًا، حتى لو حاولنا توزيع العناصر والعلاقات بطريقة عشوائية أو فوضوية.
لنفترض أن كل علاقة بين شخصين داخل مجموعة لُوّنت بأحد عدة ألوان. يسأل عدد رامزي متعدد الألوان عن عدد الأشخاص اللازم لضمان وجود ثلاثة أشخاص تكون العلاقات الثلاث بينهم باللون نفسه.
تقدم النتيجة حدًا سفليًا فائق الأُسية لأعداد رامزي الخاصة بالمثلثات متعددة الألوان، وتثبت معدل النمو العام بصيغة Rₖ(3) = kΘ(k).
وبحسب OpenAI، تحسم النتيجة المسألة رقم 183 ضمن قائمة مسائل عالم الرياضيات بول إردوش.
10. دحض تخمينات في نظرية الرسوم المتطرفة
تدرس نظرية الرسوم المتطرفة أكبر عدد من الروابط التي يمكن أن تحتوي عليها شبكة قبل أن يصبح ظهور نمط ممنوع أمرًا لا مفر منه.
قد يسأل الباحث مثلًا عن عدد الحواف التي يمكن وضعها بين مجموعة من النقاط من دون تكوين دورة أو شكل فرعي معين.
تقدم الورقة بناءين منفصلين يدحضان تخمين Erdős–Simonovits للتراص، وتخمينًا آخر لإردوش حول الرسوم المتدهورة في نظرية الأعداد المتطرفة للرسوم.
وتستخدم النتائج أمثلة من الرسوم ثنائية التقسيم، حيث تُقسم الرؤوس إلى مجموعتين ولا توجد حواف تربط بين عنصرين داخل المجموعة نفسها.
كيف وصل النموذج إلى هذه النتائج؟
لا تقدم وثيقة How the Ideas Came Together البراهين النهائية فقط، بل تحاول إعادة بناء رحلة الوصول إليها.
تشرح الوثيقة الأفكار التي بدت واعدة في البداية، والطرق التي واجهت عقبات حقيقية، والمعلومات التي ضاعت عند استخدام بعض الأدوات، والتحولات التي كشفت البنية الأساسية لكل مشكلة.
هذا الجانب مهم لأن البحث الرياضي لا يسير عادة في خط مستقيم. قد يبدأ الباحث بفكرة تبدو منطقية، ثم يكتشف أنها لا تستطيع تجاوز حد معين. وقد يتحول هذا الفشل إلى معلومة تقوده إلى تحديد الأداة المفقودة.
لكن يجب التعامل مع الوثيقة بدقة. فهي ليست نسخة حرفية منشورة من السجل الخام لكل عملية داخل النموذج. تقول مقدمتها إن نموذجًا قرأ سلاسل التفكير الأصلية إلى جانب الأوراق والكتابات النهائية، ثم أعاد بناء كيفية تطور كل برهان في صورة سردية عالية المستوى قابلة للقراءة.
لذلك يمكن وصفها بأنها رواية تفسيرية لمسار الاكتشاف، لا تسجيلًا حرفيًا كاملًا لكل ما حدث داخل النموذج لحظة بلحظة.
ما أهمية شهادات Lean؟
قد تحتوي البراهين الرياضية الطويلة على أخطاء صغيرة يصعب اكتشافها بالقراءة التقليدية، مثل استخدام فرضية في مكان غير مناسب، أو الانتقال بين خطوتين من دون تبرير كافٍ.
يسمح Lean بتحويل البرهان إلى سلسلة من الخطوات الرسمية التي يستطيع الحاسوب فحصها. وإذا قَبِل النظام الشهادة، فهذا يعني أن الخطوات متوافقة مع القواعد والتعريفات والنظريات التي استُخدمت داخل بيئة التحقق.
نشرت OpenAI مستودعًا عامًا على GitHub يضم ملفات Lean 4 الخاصة بالنتائج العشر، بما في ذلك ملفات منفصلة لرص الكرات، والأكواد، والمجموعات غير Sofic، وتخمين Connes، والـPermanent، والتكرار الكمي، ومشكلة أقرب متجه، وتخمين Ehrhart، وأعداد رامزي ونظرية الرسوم المتطرفة.
وجود الشهادات الرسمية يزيد قابلية فحص النتائج، لكنه لا يجعل النقاش العلمي البشري غير ضروري. ما يزال على الخبراء تقييم أهمية الأفكار، ومقارنتها بالأدبيات السابقة، وفحص الفرضيات والتعريفات المستخدمة، وتحديد ما إذا كانت الصياغة الرسمية تمثل الادعاء الرياضي المقصود بالكامل.
ما دور الباحثين البشر في إعداد النتائج؟
تنسب OpenAI الحجج الرياضية الأساسية إلى نظامها، وتقول إن الادعاء بأن البشر هم أصحاب براهين ولدها النموذج بالكامل سيكون وصفًا غير دقيق لكيفية إنتاج العمل.
وفي الوقت نفسه، أوضحت الشركة أن البشر ساعدوا في إعداد الحجج على شكل مخطوطات، وأن النموذج استُخدم معهم خلال هذه المرحلة، قبل تحويل البراهين إلى شهادات Lean.
كما أعلنت OpenAI أنها تتحمل مسؤولية صحة النتائج التي نشرتها، ودعت المجتمع الرياضي إلى دراستها ووضعها في سياقها وتطوير الأبحاث المبنية عليها.
هذه الصياغة تفتح نقاشًا جديدًا حول التأليف العلمي ونسبة الفضل. فإذا أنتج نظام ذكاء اصطناعي الفكرة والحجة، بينما قام البشر بتنظيمها والتحقق منها ونشرها، فمن يجب أن يُنسب إليه الاكتشاف؟ لا يوجد حتى الآن اتفاق كامل داخل المجتمع العلمي حول الإجابة المناسبة لجميع الحالات.
هل اجتازت النتائج تحكيمًا علميًا مستقلًا؟
نشرت OpenAI أوراقًا مفصلة وشهادات Lean، وصرحت بأنها تتحمل مسؤولية صحة النتائج. لكن الإعلان الرسمي لا يقول إن الأوراق العشر جميعها اجتازت بالفعل دورة تحكيم أكاديمي مستقلة داخل مجلات علمية.
التحقق بواسطة Lean خطوة قوية ومهمة، لكنه يختلف عن التحكيم العلمي. يفحص Lean الاتساق الرسمي للبرهان، بينما يراجع المحكمون أيضًا أصالة النتيجة، وعلاقتها بالأبحاث السابقة، ودقة صياغة الادعاء، وأهمية العمل للمجال.
لذلك تبقى الصياغة الصحفية الأكثر دقة هي: «بحسب OpenAI والأوراق وشهادات التحقق التي نشرتها الشركة»، بدل القول إن المجتمع الرياضي بأكمله أكد نهائيًا كل نتيجة.
هل يعني هذا أن الذكاء الاصطناعي سيستبدل علماء الرياضيات؟
تُظهر النتائج أن النماذج المتقدمة قد تتجاوز دور تلخيص الأبحاث أو حل التمارين المعروفة، لتصبح قادرة على اقتراح حجج جديدة والتنقل بين مجالات رياضية متخصصة.
لكن البحث العلمي لا يتكون من كتابة البرهان فقط. اختيار الأسئلة المهمة، وفهم سبب أهميتها، وتحديد الروابط مع العلوم الأخرى، وتقييم النتائج، واكتشاف التطبيقات، وتعليم الأفكار للآخرين، كلها أدوار بشرية أساسية.
قد يكون التأثير الأقرب هو ظهور نمط جديد من التعاون، يستطيع فيه الباحث استخدام نموذج ذكاء اصطناعي لاستكشاف عدد أكبر من المسارات، أو اختبار تخمينات فرعية، أو تحويل أفكار غير مكتملة إلى صيغ يمكن فحصها.
وإذا أصبحت هذه الأدوات متاحة لعدد كبير من العلماء، فقد يتغير إيقاع البحث نفسه. وقد أعلنت OpenAI بالتوازي عن مبادرة تمنح 100 ألف عالم وباحث في الرياضيات وصولًا مجانيًا إلى أفضل نماذج ChatGPT ضمن برنامج موجه للباحثين الأكاديميين.
لماذا يُعد هذا الإعلان مهمًا؟
أهمية الإعلان لا تكمن في رقم 2000 دولار وحده، ولا في استخدام عبارة «عشر مسائل مفتوحة» داخل عنوان مثير.
التحول الأعمق هو أن نموذجًا عامًا قيد التطوير أنتج، وفق الوثائق المنشورة، حججًا جديدة عبر مجالات بعيدة عن بعضها، ثم استطاع المشاركة في تحويلها إلى مخطوطات وشهادات قابلة للفحص الآلي.
إذا صمدت النتائج أمام المراجعة المستقلة وتبناها الباحثون وطوروها، فقد يصبح الإعلان علامة فارقة في انتقال الذكاء الاصطناعي من أداة تساعد على الوصول إلى المعرفة الموجودة، إلى أداة تشارك في إنتاج معرفة علمية جديدة.
لكن الاختبار الحقيقي لن يكون عدد الأوراق التي تستطيع النماذج إنتاجها، بل جودة النتائج، وقابلية مراجعتها، وقدرة العلماء على فهم الأفكار الجديدة والبناء عليها.
الأسئلة الشائعة
هل حل نموذج OpenAI عشر مسائل رياضية بالكامل؟
ليست النتائج العشر متساوية في طبيعتها. بعضها يحل سؤالًا مفتوحًا أو يدحض تخمينًا، وبعضها يحدد حدًا حادًا، وبعضها يحقق تقدمًا كبيرًا أو يحسن أفضل الحدود السابقة. لذلك فإن عبارة «عشر نتائج جديدة» أدق من القول إن عشر مسائل كبرى حُلّت بالطريقة نفسها.
ما اسم النموذج الذي أنتج النتائج؟
تنسب OpenAI النتائج إلى إصدار داخلي من نموذجها الرئيسي القادم المسمى Astra.
هل النموذج المستخدم هو GPT-5.6 Sol؟
لا. Astra هو النموذج الذي أنتج الحجج الرياضية، بينما استُخدمت أسعار Sol API لتقدير القيمة المالية لعدد التوكنات المستهلكة.
ماذا يعني رقم 2000 دولار؟
يمثل الرقم تكلفة تقديرية للتوكنات اللازمة للعثور على الحلول وفق أسعار Sol API. ولا يشمل تدريب النموذج أو تطويره أو رواتب الباحثين أو تكاليف البنية التحتية والمراجعة.
ما هو Lean؟
Lean هو نظام رسمي لكتابة البراهين والتحقق منها آليًا. يحول البرهان إلى خطوات منطقية يستطيع الحاسوب فحصها وفق مجموعة محددة من التعريفات والقواعد.
هل نشرت OpenAI طريقة تفكير النموذج كاملة؟
نشرت الشركة وثيقة سردية تشرح كيفية تطور الأفكار. وتقول مقدمتها إن نموذجًا قرأ سلاسل التفكير الأصلية والكتابات النهائية ثم أعاد بناء مسار كل برهان. لذلك فهي سرد تفسيري عالي المستوى وليست بالضرورة نسخة حرفية من السجل الخام الكامل.
هل النتائج مؤكدة من المجتمع العلمي؟
نشرت OpenAI الأوراق وشهادات Lean وأعلنت مسؤوليتها عن صحة النتائج، لكن الإعلان لا يذكر أن جميع الأوراق اجتازت بالفعل تحكيمًا مستقلًا داخل مجلات أكاديمية. ومن المتوقع أن يدرسها المتخصصون ويقارنونها بالأبحاث السابقة.
هل كسرت النتيجة الجديدة تشفير ما بعد الحوسبة الكمية؟
لا. إحدى النتائج تدرس صعوبة تقريب مشكلة أقرب متجه، وهي مسألة مرتبطة بالشبكات والتشفير المقاوم للحواسيب الكمية، لكنها لا تعلن كسر نظام تشفير مستخدم حاليًا.
هل حلت OpenAI مسألة VP مقابل VNP؟
لا. قدمت الورقة حدودًا دنيا جديدة لحساب الـPermanent في نماذج محددة من الدوائر والصيغ الحسابية، لكنها لم تحسم مسألة VP مقابل VNP.
المصادر
- الإعلان الرسمي: Ten advances in mathematics and theoretical computer science – OpenAI
- الورقة التقنية الكاملة: Ten Advances in Mathematics and Theoretical Computer Science
- وثيقة شرح مسار الأفكار: How the Ideas Came Together: Mathematical Discovery Notes
- مستودع OpenAI الرسمي لشهادات Lean الخاصة بالبراهين العشرة
- منشور OpenAI الرسمي على منصة X بتاريخ 3 أغسطس 2026