هوش مصنوعی در برابر ریاضی‌دانان؛ آیا ماشین‌ها در حال تغییر دادن آینده ریاضیات هستند؟
از حل مسائل پیچیده علمی تا بحران هویت پژوهشگران؛
اگر روزی ماشین مسئله‌ای را حل کند که شما تمام عمرتان را صرف آن کرده‌اید، چه احساسی خواهید داشت؟
بیایید با یک موقعیت ساده شروع کنیم.
تصور کنید یک ریاضی‌دان هستید. سال‌ها درس خوانده‌اید، کتاب‌های فراوانی مطالعه کرده‌اید، در دانشگاه‌های معتبر تحصیل کرده‌اید و بخش بزرگی از زندگی‌تان را صرف حل مسئله‌ای کرده‌اید که هنوز پاسخ قطعی آن پیدا نشده است. شاید ده‌ها بار به بن‌بست رسیده‌اید و هر بار با امیدی تازه، راه دیگری را امتحان کرده‌اید.
یک روز، پشت میز کارتان نشسته‌اید و درباره همان مسئله با یک سیستم هوش مصنوعی صحبت می‌کنید. چند دقیقه بعد، ماشین پاسخی ارائه می‌دهد؛ پاسخی که دست‌کم در نگاه اول، منطقی، منسجم و حتی شگفت‌انگیز به نظر می‌رسد.
اولین واکنش شما چیست؟
شاید خوشحال شوید که علم یک قدم جلوتر رفته است. شاید با هیجان، پاسخ را بررسی کنید تا ببینید آیا واقعاً درست است. اما احتمالاً یک سؤال دیگر هم در ذهن‌تان شکل می‌گیرد:
«اگر ماشین بتواند کاری را انجام دهد که من سال‌ها برای یاد گرفتنش زحمت کشیده‌ام، پس نقش من به‌عنوان یک دانشمند چیست؟»
من، دکتر داریوش طلعتی، به‌عنوان کسی که سال‌ها در حوزه فیزیک و ریاضیات تحصیل کرده و با آموزش این علوم سروکار داشته‌ام، فکر می‌کنم این سؤال از خودِ توانایی هوش مصنوعی هم مهم‌تر است. ما فقط درباره یک فناوری جدید صحبت نمی‌کنیم؛ درباره تغییری حرف می‌زنیم که می‌تواند برداشت ما از دانش، تخصص، خلاقیت و حتی هویت حرفه‌ای انسان را دگرگون کند.
ماجرای ۳۷ مسئله ریاضی؛ ادعایی که نمی‌توان به‌سادگی از کنار آن گذشت
در بحث‌های اخیر درباره توانایی‌های هوش مصنوعی در ریاضیات، ادعاهایی درباره حل تعداد زیادی از مسائل دشوار ریاضی و علوم کامپیوتر مطرح شده است. در یکی از این بحث‌ها، از ۳۷ مسئله مهم و مجموعه‌ای از ۷۲ دست‌نوشته پژوهشی سخن گفته می‌شود که به گفته مطرح‌کنندگان این ادعا، با کمک هوش مصنوعی تهیه شده‌اند یا در حل مسائل موردنظر نقش داشته‌اند.
چنین ادعایی طبیعتاً توجه جامعه علمی را جلب می‌کند. اما پیش از آنکه هیجان‌زده شویم، باید یک نکته اساسی را در نظر بگیریم: در ریاضیات، ارائه یک پاسخ با اثبات قطعی آن تفاوت دارد.
ممکن است یک سیستم هوش مصنوعی راه‌حلی پیشنهاد کند که در نگاه اول بسیار هوشمندانه باشد. ممکن است حتی بخش بزرگی از استدلال آن درست به نظر برسد. بااین‌حال، کافی است یک فرض نادرست یا یک گام اثبات‌نشده در میان باشد تا نتیجه نهایی اعتبار خود را از دست بدهد.
به همین دلیل، ادعای حل یک مسئله مهم ریاضی باید با دقت بررسی شود. دست‌نوشته‌های پژوهشی باید ارزیابی شوند، استدلال‌ها باید مورد نقد قرار گیرند و در صورت امکان، نتیجه باید به‌طور مستقل بازبینی شود. نمی‌توان صرفاً به این دلیل که یک مدل هوش مصنوعی پاسخ داده است، نتیجه گرفت که مسئله‌ای قدیمی و دشوار برای همیشه حل شده است.
با وجود این احتیاط، اصل ماجرا همچنان اهمیت زیادی دارد. هوش مصنوعی به‌سرعت در حال ورود به حوزه‌هایی است که زمانی تصور می‌کردیم به توانایی‌های خاص ذهن انسان نیاز دارند. این فناوری می‌تواند در بررسی فرضیه‌ها، یافتن الگوها، پیشنهاد روش‌های تازه و تحلیل حجم بزرگی از اطلاعات علمی به پژوهشگران کمک کند.
پس سؤال اصلی این نیست که آیا باید هر ادعای مطرح‌شده درباره هوش مصنوعی را باور کنیم یا نه؛ سؤال این است که این ابزارها تا چه اندازه می‌توانند روش انجام پژوهش علمی را تغییر دهند.
وقتی یک مسئله ریاضی، فقط یک مسئله نیست
برای کسی که با ریاضیات آشنایی ندارد، شاید حل یک مسئله دشوار تفاوت چندانی با حل یک معادله پیچیده نداشته باشد. اما در دنیای ریاضیات، بعضی مسائل جایگاه ویژه‌ای دارند.
این مسائل گاهی سال‌ها ذهن پژوهشگران را درگیر می‌کنند. افراد مختلف از روش‌های متفاوتی استفاده می‌کنند، فرضیه‌های گوناگونی مطرح می‌شود و حتی ممکن است تلاش‌های فراوان به نتیجه قطعی نرسد.
در بحث‌های مربوط به توانایی‌های جدید هوش مصنوعی، نام مسائلی مانند حدس ژاکوبی، فرضیه ریمان و مسئله وجود ساختار مختلط روی کره شش‌بعدی مطرح شده است. هرکدام از این موضوعات در زمینه تخصصی خود پیچیدگی‌های عمیقی دارند و بررسی ادعاهای مربوط به آن‌ها نیازمند دانش ریاضی پیشرفته است.
برای مثال، فرضیه ریمان یکی از مشهورترین مسائل حل‌نشده در ریاضیات به شمار می‌رود و با الگوهای عمیق توزیع اعداد اول ارتباط دارد. اگر روزی اثبات معتبر و پذیرفته‌شده‌ای برای آن ارائه شود، این اتفاق صرفاً پاسخ دادن به یک سؤال دانشگاهی نخواهد بود؛ بلکه دستاوردی مهم در تاریخ ریاضیات خواهد بود.
اما باید مراقب باشیم که میان «پیشنهاد یک راه‌حل»، «ارائه یک استدلال قابل‌بررسی» و «اثبات پذیرفته‌شده یک مسئله» تفاوت بگذاریم. مطرح شدن نام چنین مسائلی در ارتباط با هوش مصنوعی به‌تنهایی به معنای حل شدن آن‌ها نیست.
نکته مهم‌تر این است که ابزارهای هوشمند می‌توانند به پژوهشگران کمک کنند راه‌هایی را بررسی کنند که شاید پیش‌تر کمتر به آن‌ها توجه شده بود. حتی اگر یک پیشنهاد در نهایت به اثبات کامل منجر نشود، ممکن است مسیر تازه‌ای برای تحقیق ایجاد کند.
در علم، گاهی یک سؤال خوب یا یک مسیر جدید، به‌اندازه یک پاسخ نهایی ارزشمند است.
آیا هوش مصنوعی می‌تواند خلاق باشد؟
این بخش ماجرا برای من، به‌عنوان کسی که در فیزیک و ریاضیات تحصیل کرده است، جذابیت ویژه‌ای دارد.
ما معمولاً وقتی از خلاقیت صحبت می‌کنیم، به هنرمندی فکر می‌کنیم که اثری تازه خلق می‌کند، دانشمندی که نظریه‌ای جدید ارائه می‌دهد یا ریاضی‌دانی که راهی غیرمنتظره برای حل یک مسئله پیدا می‌کند.
در تمام این مثال‌ها، انتظار داریم انسان از دانش قبلی خود فراتر برود و ارتباطی تازه میان ایده‌ها پیدا کند.
حالا فرض کنید یک سیستم هوش مصنوعی، پس از بررسی حجم بزرگی از اطلاعات، روشی را پیشنهاد دهد که پژوهشگر قبلاً به آن فکر نکرده است. آیا می‌توانیم بگوییم ماشین خلاقیت نشان داده است؟
پاسخ به این پرسش به تعریف ما از خلاقیت بستگی دارد.
هوش مصنوعی می‌تواند الگوها را شناسایی کند، اطلاعات را با یکدیگر ترکیب کند و راه‌حل‌هایی ارائه دهد که برای انسان تازه و غیرمنتظره باشند. در بعضی شرایط، همین توانایی می‌تواند به تولید ایده‌های علمی ارزشمند کمک کند.
اما باید میان تولید یک ایده و فهم کامل آن تفاوت بگذاریم. همچنین باید بررسی کنیم که آیا استدلال ارائه‌شده درست است، آیا نتیجه از فرض‌های اولیه به دست می‌آید و آیا می‌توان آن را به‌صورت مستقل تأیید کرد.
این موضوع به معنای آن نیست که انسان همیشه در همه مراحل بهتر عمل می‌کند یا ماشین هیچ‌وقت نمی‌تواند ایده‌ای ارزشمند ارائه دهد. چنین قضاوت مطلقی هم علمی نیست.
بهتر است بگوییم هوش مصنوعی مفهوم خلاقیت را با پرسش‌های تازه‌ای روبه‌رو کرده است. شاید در آینده مجبور شویم دقیق‌تر توضیح دهیم که منظورمان از خلاقیت چیست و چگونه می‌توان میان تولید پاسخ، درک مسئله و ارزیابی اعتبار یک ایده تفاوت گذاشت.
از کلاس درس تا آزمایشگاه؛ چه چیزی واقعاً اهمیت دارد؟
اجازه دهید موضوع را از فضای پژوهش‌های پیشرفته به محیطی نزدیک‌تر ببریم.
من در تدریس فیزیک و ریاضیات، همیشه با یک تفاوت مهم روبه‌رو بوده‌ام: تفاوت میان دانش‌آموزی که فرمول را حفظ کرده و دانش‌آموزی که می‌فهمد چرا آن فرمول درست است.
فرض کنید از دو دانش‌آموز یک سؤال یکسان می‌پرسیم. دانش‌آموز اول فرمولی را که قبلاً حفظ کرده به یاد می‌آورد و با جای‌گذاری اعداد به پاسخ می‌رسد. دانش‌آموز دوم شاید در ابتدا کمی کندتر عمل کند، اما رابطه میان کمیت‌ها را می‌فهمد و می‌تواند توضیح دهد که چرا از آن فرمول استفاده کرده است.
در سؤال اول، شاید هر دو به پاسخ درست برسند. اما اگر صورت مسئله کمی تغییر کند، تفاوت توانایی آن‌ها آشکار می‌شود.
اکنون هوش مصنوعی را وارد همین کلاس کنیم. دانش‌آموز می‌تواند مسئله را به سیستم بدهد و در چند ثانیه پاسخ بگیرد. اما آیا این به معنای یادگیری است؟
نه لزوماً.
اگر دانش‌آموز فقط پاسخ آماده را دریافت کند، ممکن است تکلیفش تمام شود، بدون آنکه چیزی را عمیقاً یاد گرفته باشد. در مقابل، اگر از هوش مصنوعی بخواهد مراحل حل را توضیح دهد، از آن سؤال بپرسد، راه‌حل را نقد کند و سپس خودش مسئله‌ای مشابه را حل کند، همین فناوری می‌تواند به ابزار آموزشی مفیدی تبدیل شود.
این تفاوت برای آینده آموزش بسیار مهم است. ما نمی‌توانیم صرفاً از دانش‌آموزان بخواهیم از فناوری دوری کنند؛ همان‌طور که نباید اجازه دهیم فناوری جای فکر کردن آن‌ها را بگیرد.
هدف آموزش باید این باشد که دانش‌آموز یاد بگیرد چگونه فکر کند، چگونه سؤال مناسب بپرسد و چگونه درستی یک پاسخ را ارزیابی کند.
به نظر من، در عصر هوش مصنوعی، حفظ کردن اطلاعات به‌تنهایی مزیت کافی نخواهد بود. فهم مفاهیم، استدلال، تحلیل و توانایی تشخیص خطا اهمیت بیشتری پیدا خواهند کرد.
بحران هویت ریاضی‌دانان؛ وقتی ابزار، نقش متخصص را تغییر می‌دهد
وقتی درباره پیشرفت هوش مصنوعی صحبت می‌کنیم، معمولاً روی قابلیت‌های فنی آن تمرکز می‌کنیم: سرعت پردازش، تولید متن، حل مسئله و تحلیل اطلاعات. اما یک جنبه انسانی هم وجود دارد که کمتر می‌توان آن را نادیده گرفت.
یک پژوهشگر ممکن است سال‌ها از زندگی خود را صرف یادگیری مهارتی کند که به بخشی از هویت او تبدیل شده است. او خودش را با همان مهارت می‌شناسد و احساس می‌کند ارزش حرفه‌ای‌اش به دانشی وابسته است که به‌سختی به دست آورده.
حالا اگر ابزاری جدید بتواند بخشی از همان فعالیت را انجام دهد، طبیعی است که این فرد درباره آینده خود سؤال کند.
این نگرانی را نباید به ضعف افراد نسبت داد. تغییر فناوری فقط ابزار کار را عوض نمی‌کند؛ گاهی انتظارات جامعه از یک حرفه و تصویری را که افراد از خودشان دارند نیز تغییر می‌دهد.
البته نمی‌توان نتیجه گرفت که همه ریاضی‌دانان چنین احساسی دارند یا جامعه علمی واکنش یکسانی نشان می‌دهد. برخی پژوهشگران ممکن است از این ابزارها استقبال کنند، برخی محتاط باشند و برخی دیگر درباره اعتبار نتایج یا پیامدهای آن برای حرفه خود نگرانی داشته باشند.
اما یک نکته روشن است: وقتی ماشین‌ها در انجام وظایف تخصصی توانمندتر می‌شوند، تعریف ما از تخصص نیز باید دقیق‌تر شود.
آیا متخصص بودن فقط به معنای انجام سریع یک محاسبه است؟ یا توانایی انتخاب مسئله مناسب، تشخیص فرض‌های نادرست، بررسی شواهد و پذیرفتن مسئولیت نتیجه هم بخشی از تخصص محسوب می‌شود؟
به نظر من، پاسخ به این پرسش‌ها در تعیین جایگاه انسان در آینده اهمیت زیادی دارد.
آیا هوش مصنوعی جای ریاضی‌دانان را می‌گیرد؟
این سؤال را بارها درباره مشاغل مختلف شنیده‌ایم. گاهی پاسخ‌ها بسیار خوش‌بینانه‌اند و گاهی با پیش‌بینی‌هایی نگران‌کننده روبه‌رو می‌شویم.
اما واقعیت این است که پیش‌بینی دقیق آینده مشاغل دشوار است. توانایی‌های هوش مصنوعی به‌سرعت تغییر می‌کنند و تأثیر آن‌ها به نوع فعالیت، شرایط اقتصادی، شیوه استفاده از فناوری و تصمیم‌های سازمان‌ها بستگی دارد.
در ریاضیات نیز باید میان وظایف مختلف تفاوت بگذاریم. برخی محاسبات یا مراحل تکراری ممکن است بیش از گذشته خودکار شوند. در مقابل، طراحی مسئله، ارزیابی استدلال‌ها، تفسیر نتایج و تصمیم‌گیری درباره اهمیت یک کشف همچنان نیازمند بررسی و قضاوت دقیق‌اند.
البته این به معنای آن نیست که همه وظایف انسانی همیشه محفوظ خواهند ماند. ممکن است نقش برخی متخصصان تغییر کند و برای فعالیت در محیط‌های جدید به مهارت‌های تازه نیاز باشد.
بنابراین، بهتر است به‌جای این پیش‌بینی ساده که «ماشین همه انسان‌ها را جایگزین می‌کند» یا «هیچ شغلی تغییر نخواهد کرد»، واقع‌بینانه‌تر فکر کنیم.
احتمالاً پرسش مهم‌تر این خواهد بود که چه کسانی می‌توانند از ابزارهای جدید به‌درستی استفاده کنند، چه کسانی مهارت‌های خود را با شرایط تازه تطبیق می‌دهند و جامعه چگونه می‌تواند هزینه‌های این تغییر را کاهش دهد.
وقتی اثبات ریاضی باید از آزمون‌های دقیق‌تری عبور کند
در ریاضیات، اعتبار یک نتیجه به کیفیت استدلال آن وابسته است. به همین دلیل، ابزارهایی برای بررسی رسمی اثبات‌ها توسعه یافته‌اند.
یکی از نمونه‌های شناخته‌شده در این زمینه، سیستم Lean است. این سیستم به پژوهشگران اجازه می‌دهد اثبات‌های ریاضی را در قالبی رسمی بیان کنند تا بخش‌های مشخصی از استدلال با استفاده از قواعد تعریف‌شده بررسی شوند.
تصور کنید هوش مصنوعی راه‌حلی طولانی برای یک مسئله ارائه می‌دهد. خواندن و بررسی تمام جزئیات آن ممکن است زمان‌بر باشد. اگر بتوان استدلال را به شکل رسمی و مناسب درآورد، ابزارهای بررسی اثبات می‌توانند در ارزیابی دقیق‌تر آن کمک کنند.
البته این فرایند خودکار و بی‌نیاز از تخصص نیست. اثبات باید به شکل درست صورت‌بندی شود و فرض‌ها و تعاریف نیز باید با دقت انتخاب شوند. تأیید یک استدلال رسمی در چارچوب مشخص آن، به‌خودی‌خود به معنای تأیید هر ادعای گسترده‌تری درباره مسئله نیست.
بااین‌حال، ترکیب هوش مصنوعی با ابزارهای رسمی می‌تواند مسیر مهمی برای پژوهش‌های آینده باشد. در چنین رویکردی، ماشین فقط پاسخ تولید نمی‌کند؛ بلکه می‌توان از ابزارهای دیگر برای بررسی دقیق‌تر بخش‌هایی از استدلال نیز استفاده کرد.
این موضوع بار دیگر نشان می‌دهد که پیشرفت علمی تنها به تولید پاسخ‌های بیشتر وابسته نیست؛ روش‌هایی که به کمک آن‌ها اعتبار پاسخ‌ها را می‌سنجیم نیز اهمیت اساسی دارند.
چه کسی صاحب یک کشف علمی است؟
فرض کنیم در آینده، یک سیستم هوش مصنوعی نقش مهمی در کشف یک نتیجه ریاضی ایفا کند. پژوهشگر مسئله را انتخاب کرده، شرایط را مشخص کرده، پاسخ‌های سیستم را بررسی کرده و در نهایت به نتیجه‌ای معتبر رسیده است.
حالا سؤال این است: سهم هر طرف چگونه باید مشخص شود؟
آیا باید فقط نام پژوهشگر در مقاله بیاید؟ آیا لازم است از ابزار هوش مصنوعی به‌صراحت نام برده شود؟ اگر چند پژوهشگر و چند سیستم در فرایند کشف مشارکت داشته باشند، مسئولیت و اعتبار علمی چگونه باید تقسیم شود؟
این پرسش‌ها فقط بحث‌های نظری نیستند. هرچه استفاده از هوش مصنوعی در پژوهش بیشتر شود، شفافیت درباره نقش آن نیز اهمیت بیشتری پیدا می‌کند.
در علم، اعتبار و مسئولیت باید همراه یکدیگر باشند. اگر نتیجه‌ای اشتباه باشد، باید مشخص باشد چه کسی مسئول بررسی و تأیید آن بوده است. اگر نتیجه‌ای ارزشمند باشد، لازم است نقش افراد و ابزارهای مؤثر در دستیابی به آن به‌درستی گزارش شود.
همچنین، استفاده از هوش مصنوعی نباید بهانه‌ای برای کنار گذاشتن مسئولیت علمی باشد. پژوهشگر نمی‌تواند صرفاً بگوید «ماشین این پاسخ را داده است» و از بررسی درستی آن صرف‌نظر کند.
در نهایت، ارزش یک پژوهش به این وابسته است که نتیجه آن تا چه اندازه قابل‌اعتماد، قابل‌بررسی و از نظر علمی معنادار است.
آیا باید از این تغییر بترسیم؟
من فکر می‌کنم نه ترس مطلق منطقی است و نه خوش‌بینی بدون محدودیت.
اگر هوش مصنوعی بتواند بخشی از کارهای دشوار را سریع‌تر انجام دهد، این توانایی می‌تواند فرصت‌های ارزشمندی ایجاد کند. پژوهشگران ممکن است زمان بیشتری برای بررسی ایده‌های تازه داشته باشند و دانشجویان بتوانند از توضیح‌های شخصی‌سازی‌شده برای یادگیری بهتر استفاده کنند.
اما در کنار این فرصت‌ها، خطرهایی هم وجود دارد: اعتماد بیش از اندازه به پاسخ‌های نادرست، کاهش تمرین مستقل، ابهام در مسئولیت علمی و تغییراتی در بازار کار که ممکن است برای بعضی افراد دشوار باشد.
به همین دلیل، موضوع فقط ساختن ابزارهای قدرتمندتر نیست. ما باید یاد بگیریم چگونه از آن‌ها استفاده کنیم، چگونه خطاهایشان را بشناسیم و چگونه مطمئن شویم که منافع این فناوری به گروه کوچکی محدود نمی‌شود.
از نظر من، پرسش اساسی این است که چگونه می‌توانیم پیشرفت فناوری را با آموزش مناسب، مسئولیت‌پذیری و فرصت‌های برابر همراه کنیم.
آینده متعلق به چه کسانی است؟
اگر به گذشته نگاه کنیم، می‌بینیم که ابزارهای جدید بارها شیوه زندگی و کار انسان را تغییر داده‌اند. ماشین‌حساب محاسبات را آسان‌تر کرد، رایانه بسیاری از فعالیت‌های پیچیده را سرعت بخشید و اینترنت دسترسی به اطلاعات را دگرگون کرد.
اما هر بار، مسئله فقط خود ابزار نبود؛ نحوه استفاده از آن نیز اهمیت داشت.
هوش مصنوعی هم از این قاعده مستثنا نیست، هرچند توانایی‌های آن پرسش‌های تازه و پیچیده‌تری ایجاد کرده است. این فناوری می‌تواند در برخی فعالیت‌های تخصصی نقش داشته باشد و حتی روش‌هایی را تغییر دهد که امروز برای یادگیری و پژوهش به کار می‌بریم.
بنابراین، آینده فقط به این وابسته نیست که هوش مصنوعی تا چه اندازه پیشرفت می‌کند. به این هم بستگی دارد که ما چه مهارت‌هایی را پرورش می‌دهیم، چه قواعدی برای استفاده از آن در نظر می‌گیریم و چگونه درباره پیامدهای اجتماعی آن تصمیم می‌گیریم.
برای دانش‌آموزان و دانشجویان، این موضوع اهمیت ویژه‌ای دارد. انتخاب مسیر تحصیلی نباید صرفاً بر اساس این باشد که کدام شغل امروز درآمد بیشتری دارد یا کدام رشته در حال حاضر محبوب‌تر است. باید به علاقه، توانایی یادگیری، قدرت تحلیل، مهارت‌های ارتباطی و امکان سازگاری با تغییرات آینده هم توجه کرد.
هیچ رشته‌ای را نمی‌توان صرفاً با یک پیش‌بینی ساده درباره هوش مصنوعی بی‌ارزش دانست. در عوض، بهتر است در هر رشته‌ای یاد بگیریم چگونه دانش خود را عمیق‌تر کنیم و از ابزارهای جدید به‌صورت مسئولانه بهره ببریم.
حرف آخر؛ وقتی ماشین هوشمندتر می‌شود، انسان باید چه چیزی را جدی‌تر بگیرد؟
اجازه دهید به همان ریاضی‌دانی برگردیم که سال‌ها برای حل یک مسئله تلاش کرده بود.
اگر روزی هوش مصنوعی بتواند در حل آن مسئله به او کمک کند، آیا سال‌های مطالعه و تلاشش بی‌ارزش می‌شوند؟ به نظر من، چنین نتیجه‌ای عجولانه است. دانش او می‌تواند به انتخاب مسئله، تشخیص خطا، فهم زمینه علمی و ارزیابی نتیجه کمک کند. حتی اگر بخشی از روش‌های قدیمی تغییر کند، این به معنای بی‌ارزش شدن تمام تجربه و دانش او نیست.
البته نباید انکار کرد که فناوری می‌تواند جایگاه بعضی مهارت‌ها را تغییر دهد و افراد را مجبور کند روش کار خود را بازنگری کنند. این تغییر واقعی است و باید آن را جدی گرفت.
اما ارزش انسان را نمی‌توان تنها با سرعت محاسبه یا تعداد مسئله‌هایی که حل می‌کند اندازه گرفت. پرسیدن سؤال‌های مهم، تشخیص نیازهای جامعه، بررسی پیامدهای تصمیم‌ها و پذیرفتن مسئولیت نیز بخش‌های مهمی از فعالیت انسانی‌اند.
من، دکتر داریوش طلعتی، معتقدم وظیفه آموزش در این دوران فقط انتقال اطلاعات نیست. ما باید به دانش‌آموزان و دانشجویان کمک کنیم مستقل فکر کنند، پاسخ‌ها را به چالش بکشند و در برابر آنچه می‌پذیرند مسئول باشند.
شاید هوش مصنوعی در سال‌های آینده بسیاری از روش‌های ریاضیات و پژوهش علمی را تغییر دهد. شاید حتی بعضی از کارهایی را انجام دهد که امروز آن‌ها را نشانه تخصص می‌دانیم. اما اینکه این توانایی‌ها در چه مسیری به کار گرفته شوند و چه تأثیری بر زندگی انسان‌ها بگذارند، همچنان مسئله‌ای است که باید درباره آن فکر کنیم و تصمیم بگیریم.
شاید سؤال اصلی این نباشد که آیا هوش مصنوعی می‌تواند جای ریاضی‌دان را بگیرد؛ بلکه این باشد که وقتی ماشین‌ها توانمندتر می‌شوند، ما انسان‌ها چگونه می‌توانیم عاقلانه‌تر، مسئولانه‌تر و خلاقانه‌تر از دانش خود استفاده کنیم؟
