انجمن علمی ژرفا

اما گذر زمان، گاه غبار فراموشی بر سنت‌های نیک می‌نشاند. گویی دیوارهایی نامرئی میان حوزه‌های دانش کشیده‌ایم. «آزاداندیشی» را بیشتر به علوم انسانی و فلسفه نسبت می‌دهیم و «علم و فناوری» را قلمرو قطعیت‌ها، فرمول‌های دقیق و مسیرهای از پیش تعیین‌شده می‌پنداریم. غافل از آنکه بزرگترین جهش‌های علمی و فناورانه، نه از تکرار مکررات، که از دل جسارتِ پرسشگری، از شجاعتِ به چالش کشیدنِ بدیهیات و از رهایی ذهن از بندِ دانسته‌های پیشین زاده شده‌اند.

گفته‌اند که دیدگاه انسان معاصر به طبیعت آن‌قدر نسبت به گذشته دگرگون شده است که تمامی روابط ما با طبیعت، حتی روابط هنرمندان با آن، باید بر اصول جدیدی استوار شود. در قرون پیشین، فلسفۀ طبیعیِ جمع‌وجوری دیدگاه‌های انسان را بیان می‌کرد، اما امروزه، نظرگاه انسان عمدتاً با علوم جدید و فناوری نوین معین می‌شود. به همین دلیل، بررسی مفهوم طبیعت در علم معاصر و به‌خصوص در فیزیک معاصر، نه‌تنها برای محققان علم، بلکه برای همه مهم است. دگرگونی‌های بنیادین دانش‌های نوین را باید نشانۀ تغییر در محوۀ زیست خود بدانیم و همین بر تمامی جنبه‌های زندگی ما اثر دارد.

ورنر هایزنبرگ، یکی از بزرگ‌ترین فیزیکدان‌های تاریخ بشر، در کتاب «فیزیک و طبیعت» تحول دیدگاه فیزیک مدرن نسبت به طبیعت را روایت می‌کند، از علیت و تفکر فلسفی می‌گوید، مفهوم طبیعت را در تاریخ علم پی می‌گیرد و به آراء پیشگامان فیزیک مدرن می‌پردازد. او معتقد است که فیزیک مدرن با کشفیات کپلر و گالیله و نیوتن تولد یافت؛ کشفیاتی که مؤلفهٔ بنیادی‌شان قطع رابطه با تصویر قرون وسطایی از طبیعت بود.

نکتهٔ بسیار مهم دیگری که هایزنبرگ بر آن تأکید دارد اهمیت آگاهی از فرهنگ کلاسیک و مطالعهٔ فلسفه و تاریخ اندیشهٔ غربی در آموزش دانشمندانی ا‌ست که فقط متخصص نیستند و می‌خواهند تبعات عملی و نظری کار خود را در بستر مجموعهٔ گستردهٔ فعالیت‌های بشری بسنجند.

تحول هوش مصنوعی به سمت مدل‌های یادگیری‌محور، نوع جدیدی از بازنمایی (representation) مفاهیم را در قالب شبکه‌های عصبی عرضه کرده است. اما این نوع بازنمایی می‌تواند فراتر از کاربردهای معمولی AI باشد و با ابزارهای ریاضی مورد مطالعه قرار گیرد؛ تا جایی که شاید یکی از نقاطی باشد که syntax ما به توسعه semantics منجر می‌شود.

البته مسیر ساده‌ای نیست؛ چراکه مشکل اصلی در نمایش ریاضی semantics، تا حدی metamathematical بودن آن است. پیشرفت‌های اخیر در type theory، به‌ویژه بعد از univalent foundations، امکان ساخت زیرساخت‌های ریاضی در دل خود ریاضیات را فراهم کرده است. از طرفی، چون بازنمایی (representation) در برابر محاسبه (computation) قرار دارد، یکی از امیدبخش‌ترین مسیرها برای بررسی این موضوع، پیشبرد درک ما از Computational Trilogy است.

اما چالش اصلی در اینجاست: چطور می‌توان این فضاها را به ماشین‌های محاسباتی تعمیم داد؟ مسئله این است که این فضاها لزوماً متناهی نیستند. برای مثال، اگر بتوانیم از زیرشبکه‌های یک شبکه عصبی آموزش‌دیده، رفتار دینامیکی سیستم یادگرفته‌شده را به زبانی در این زیرساخت‌ها بازنمایی کنیم، گام مهمی برداشته‌ایم. اما تبدیل مستقیم شبکه‌های عصبی به چنین نمایشی هنوز یک مسئله حل‌نشده است که برای پیشرفتش به ریاضیات محض سنگینی نیاز داریم.