في عام 2023، كانت أنظمة الذكاء الاصطناعي تحصل فعليًا على صفر في مسائل الأولمبياد الدولي للرياضيات. وفي 2024، وصل AlphaProof من DeepMind إلى مستوى الميدالية الفضية. وفي 2025، أفيد بأن Gemini Deep Think من Google وصل إلى الذهب. إنه صعود لافت حقًا خلال ثلاث سنوات، ويطرح سؤالًا صادقًا على كل طالب وولي أمر: إذا كان الذكاء الاصطناعي يستطيع الآن حل رياضيات بمستوى الأولمبياد، فما الذي لا يزال يستحق أن تتعلمه بنفسك؟ يقدّم هذا المقال إجابة صريحة، مبنية على ما ثبت فعلًا حتى 2 أكتوبر 2026، لا على المبالغات في أي من الاتجاهين.
ليس كل «ذكاء اصطناعي يحل الرياضيات» الشيء نفسه
تشمل كلمة «الذكاء الاصطناعي» أنواعًا مختلفة حقًا من الأدوات، والخلط بينها هو موضع خطأ معظم الادعاءات الواثقة، في الاتجاهين.
| الأداة | ما تفعله فعلًا |
|---|---|
| الآلة الحاسبة | حساب دقيق على الأعداد التي تُدخلها. لا استدلال، ولا أخطاء ضمن حدود تصميمها. |
| نظام الجبر الحاسوبي (مثل Mathematica وSymPy) | معالجة رمزية دقيقة، كالاشتقاق والتحليل إلى عوامل وحل المعادلات، وفق خوارزميات ثابتة ومُتحقَّق منها. |
| البرمجيات العددية | تقرّب إجابات كثيرًا ما لا يكون لها شكل دقيق (مثل محاكاة جريان الموائع)، مع حدود خطأ مفهومة جيدًا. |
| نموذج لغة دون أدوات | يولّد إجابة خطوة بخطوة من أنماط تعلّمها من النصوص. يستدل بطلاقة، لكنه قد يقع في أخطاء حسابية أو منطقية لا تقع فيها الآلة الحاسبة أبدًا. |
| نموذج لغة مع أدوات | يكتب استدلاله، ثم يُسند أي حساب فعلي إلى آلة حاسبة حقيقية أو مفسّر شيفرة، فيجمع بين الشرح السلس والحساب الدقيق. |
| مساعد البرهان الشكلي (مثل Lean وCoq) | يتحقق من كل خطوة منطقية في البرهان وفق قواعد شكلية صارمة. وإذا قَبِل برهانًا، فلا يمكن حقًا أن تحتوي تلك الخطوة على ثغرة منطقية. |
| ذكاء اصطناعي متخصص في الاستدلال الرياضي (مثل AlphaProof وAlphaGeometry) | مبني ومدرَّب خصيصًا لمسائل البرهان والهندسة بأسلوب المسابقات، وغالبًا ما يُقرن بمدقّق شكلي. |
الفرق الذي يخلط بينه الطلاب غالباً
نموذج لغة يخمّن إجابة ليس كمساعد برهان شكلي يتحقق منها
ما الذي تخبرنا به ذهبية الأولمبياد وما لا تخبرنا به
نصيحة امتحان
حلّ AlphaProof من DeepMind، مقرونًا بـAlphaGeometry 2، أربعًا من ست مسائل في IMO 2024، بنتيجة ضمن نطاق الميدالية الفضية، وهي قفزة هائلة من الصفر في العام السابق. وفي 2025، أفيد بأن Gemini Deep Think من Google بلغ أداء الميدالية الذهبية، إذ حل المسائل كليًا باللغة الطبيعية ضمن حد المسابقة البالغ 4.5 ساعات. إنها نتيجة مبهرة حقًا في اختبار صعب حقًا: فمسائل الأولمبياد تتطلب بصيرة إبداعية حقيقية، لا مجرد حساب.
الفرق الذي يخلط بينه الطلاب غالباً
أداء الأولمبياد، والرياضيات البحثية، وواجباتك المنزلية: ثلاثة اختبارات مختلفة
أين يساعدك الذكاء الاصطناعي حقًا على تعلّم الرياضيات
- الحساب بالأداة الصحيحة. طلب الحساب أو الجبر الدقيق من نظام ذكاء اصطناعي يستخدم آلة حاسبة حقيقية أو مفسّر شيفرة أمر موثوق، وأسرع من الحل اليدوي لأغراض التحقق.
- استكشاف الأنماط. توليد عدة أمثلة محلولة لتقنية ما بسرعة، لتكتشف النمط الكامن بنفسك قبل أن تصوغه صياغة رسمية.
- اقتراح استراتيجية. أن تسأل «ما النهج الذي ستجربه أولًا؟» في مسألة علقت فيها، دون أن تطلب الحل الكامل.
- التحقق من خطواتك أنت. أن تحل المسألة بنفسك أولًا، ثم تطلب من الذكاء الاصطناعي أن يتحقق من طريقتك تحديدًا، لا أن يعيد الحل من الصفر.
- دعم المراجعة. توليد تمارين إضافية في موضوع ضعيف بعينه، أو طلب شرح مفهوم بطريقة مختلفة حين لا يصل شرح الكتاب المدرسي إليك.
أين لا يزال يخطئ: ثلاثة أنماط حقيقية ينبغي معرفتها
الأمثلة الثلاثة المحلولة أدناه توضيحية، أُنشئت خصيصًا لإظهار أنماط الإخفاق هذه بوضوح، وليست نصوصًا منقولة من نظام ذكاء اصطناعي حقيقي، لكن كلًا منها يعكس فئة أخطاء موثّقة ومعروفة جيدًا.
1. إسقاط قيود المجال
سؤال بنمط الامتحان
بسّط (x² − 1) / (x − 1). [2 درجات]
إظهار الإجابة النموذجية وتوزيع الدرجات
- حلّل البسط إلى عوامل: x² − 1 = (x − 1)(x + 1) (درجة واحدة)
- اختصر العامل المشترك (x − 1): (x − 1)(x + 1) / (x − 1) = x + 1، بشرط x ≠ 1 (درجة واحدة)
ما يركّز عليه الممتحن: الصيغة المبسطة x + 1 والتعبير الأصلي ليسا دالتين متطابقتين؛ فعند x = 1 يكون التعبير الأصلي غير معرّف (0/0)، بينما تساوي x + 1 العدد 2. يجب أن تحتفظ الإجابة الصحيحة بالقيد: x + 1، x ≠ 1.
خطأ شائع: إجابة تبدو سلسة لكنها ناقصة: «x + 1» وحدها، مع إسقاط القيد x ≠ 1 بصمت. وهذه زلة شائعة جدًا لدى الذكاء الاصطناعي (ولدى الطلاب): الجبر صحيح، لكن التعبير المبسّط يصف تقنيًا دالة مختلفة قليلًا عن الدالة الواردة في السؤال ما لم يُذكر القيد.
2. التعميم من سلسلة أمثلة صحيحة
يعطي التعبير n² + n + 41 عددًا أوليًا لكل عدد صحيح n من 0 وحتى 39، أي أربعين عددًا أوليًا متتاليًا. وتبدو هذه السلسلة دليلًا ساحقًا على وجود نمط. جرّب المؤشر أدناه.
جرّب بنفسك: هل يعطي n² + n + 41 عددًا أوليًا دائمًا؟
n = 10
| n | n² + n + 41 | أولي؟ |
|---|---|---|
| 6 | 83 | نعم |
| 7 | 97 | نعم |
| 8 | 113 | نعم |
| 9 | 131 | نعم |
| 10 | 151 | نعم |
| 11 | 173 | نعم |
| 12 | 197 | نعم |
| 13 | 223 | نعم |
| 14 | 251 | نعم |
تعطي الصيغة n² + n + 41 (وهي صيغة درسها أويلر) عددًا أوليًا لكل n من 0 إلى 39، أي أربعين عددًا أوليًا متتاليًا، وهو ما يبدو ساحقًا. اسحب المؤشر إلى n = 40: تعطي الصيغة 1681 = 41²، وهو ليس أوليًا على الإطلاق. فأربعون مثالًا صحيحًا متتاليًا لا تشكّل برهانًا، والحالة الحادية والأربعون هي بالضبط حيث ينهار النمط.
نظام ذكاء اصطناعي (أو طالب) يستقرئ من n = 0 إلى 39 وحدها سيجد كل الأسباب ليظن أن هذه الصيغة تعطي دائمًا عددًا أوليًا، وسيكون مخطئًا عند n = 40.
هذا بالضبط نوع الخطأ الذي يكون عرضة له نظام يستدل من الأنماط وحدها بدل برهنة قاعدة عامة، سواء أكان هذا النظام ذكاءً اصطناعيًا أم إنسانًا. أربعون حالة صحيحة تبدو حاسمة، لكنها ليست كذلك.
3. تطبيق قاعدة دون الفهم الذي وراءها
يطرح مقالنا عن المشتقات هذه الفكرة بشأن الطلاب، وهي تنطبق مباشرة بالقدر نفسه على مخرجات الذكاء الاصطناعي. فتطبيق قاعدة القوة آليًا لاشتقاق x³ يعطي 3x² بشكل صحيح. لكن مطابقة الأنماط الآلية نفسها، حين تُطبَّق على دالة مبنية من عدة قواعد متسلسلة (حاصل ضرب دالتين مثلًا، أو دالة داخل دالة أخرى)، قد تطبّق القاعدة الخاطئة بصمت، أو تطبّق القاعدة الصحيحة على الجزء الخطأ، ومع ذلك تقدّم إجابة خاطئة واثقة تبدو سلسة. أما النظام (أو الطالب) الذي يفهم لماذا توجد قاعدة السلسلة، أي التغيّر الذي ينتقل عبر كميات مترابطة، فيستطيع التحقق مما إذا كانت الإجابة منطقية. والنظام الذي اكتفى بمحاكاة الخطوات الآلية لا يستطيع ذلك.
الفرق الذي يخلط بينه الطلاب غالباً
ليس المقصود أن «الذكاء الاصطناعي لا يجيد سوى مطابقة الأنماط، وكفى»
اختبر فهمك
بسّطت أداة ذكاء اصطناعي (x² − 1)/(x − 1) وكتبت «x + 1» فقط، دون ذكر أي قيد. ما الخطوة التالية الأكثر فائدة؟
طريقة عمل عملية
عند استخدامه بهذه الطريقة، يقوّي الذكاء الاصطناعي رياضياتك بدل أن يحل محلها:
- حاول حل المسألة بنفسك أولًا، ولو جزئيًا، فالمعاناة المثمرة جزء من طريقة تكوّن الفهم.
- اطلب تلميحًا لا الإجابة إذا علقت: «ما الذي ينبغي أن أجربه أولًا؟» بدل «حلّ هذه المسألة».
- اشرح الطريقة بكلماتك أنت: إن لم تستطع، فأنت لم تمتلكها بعد، أيًا كان مصدرها.
- تحقّق صراحةً من الافتراضات وقيود المجال: فهذا هو الموضع الأكثر شيوعًا الذي تخطئ فيه إجابة تبدو سلسة بهدوء.
- تحقّق بشكل مستقل: بطريقة مختلفة، أو بتقدير تقريبي للتأكد من المعقولية، أو بحالة خاصة معروفة.
- جرّب مسألة قريبة جدًا دون أي مساعدة على الإطلاق: وهذا هو الاختبار الحقيقي لانتقال الفهم إليك.
إلى أين بعد ذلك؟
إذا أثارت اهتمامك فكرة «الأدلة مقابل البرهان» في مثال n² + n + 41، فإن مقالنا عن مسائل جائزة الألفية ومركز ألغاز الرياضيات غير المحلولة مليئان بأمثلة حقيقية، لا تزال مفتوحة حتى الآن، على هذه الفجوة بالذات، في قمة هذا المجال.
المصادر ولمزيد من القراءة
- AI achieves silver-medal standard solving International Mathematical Olympiad problems — Google DeepMind — AlphaProof وAlphaGeometry 2، الأولمبياد الدولي 2024
- Olympiad-level formal mathematical reasoning with reinforcement learning — Nature
- From Silver to Gold: A Technical Look into AI's Conquest of the IMO — نتائج بمستوى الميدالية الذهبية في 2025
- Live from ICM 2026: What Is Math For in the Age of AI? — Quanta Magazine
آخر مراجعة: 2 أكتوبر 2026. تتطور قدرات الذكاء الاصطناعي بسرعة؛ راجع المصادر أعلاه للاطلاع على أحدث النتائج.
أسئلة شائعة
إذن، هل من الآمن أن أترك الذكاء الاصطناعي يحل واجباتي في الرياضيات؟
لمراجعة حلّك أنت، أو استكشاف تنويعات «ماذا لو…»، أو تجاوز خطوة علقت فيها، نعم: إذا استُخدم بهذه الطريقة فهو أداة دراسة مفيدة حقًا. أما لإنتاج إجابة تسلّمها دون أن تفهمها، فلا: ستفقد المهارة التي تحتاجها في قاعة الامتحان (حيث لا يُسمح بالذكاء الاصطناعي). كما أن استدلال الذكاء الاصطناعي، مهما كان جيدًا، لا يزال يخطئ كثيرًا، وبطرق ليست واضحة دائمًا. لذلك يبقى الناتج غير المتحقَّق منه خطرًا حقيقيًا.
ألم يفز الذكاء الاصطناعي بالفعل بالذهب في الأولمبياد الدولي للرياضيات؟
بلى. فقد أفيد بأن نظام Gemini Deep Think من Google حقق نتيجة تعادل الميدالية الذهبية في IMO 2025، وهو يعمل كليًا باللغة الطبيعية ضمن الوقت المحدد المعتاد، وهي نتيجة كبيرة حقًا، جاءت بعد عام من وصول AlphaProof من DeepMind إلى مستوى الميدالية الفضية في IMO 2024. لكن مسائل الأولمبياد نوع محدد من الرياضيات، صعب بشهرة لكنه واضح التعريف، والأداء القوي في الأولمبياد لا ينتقل تلقائيًا إلى كل أنواع العمل الرياضي (انظر «ما الذي تخبرنا به ذهبية الأولمبياد وما لا تخبرنا به» أدناه).
لماذا يخطئ الذكاء الاصطناعي أحيانًا في حسابات بسيطة إذا كان يحل مسائل الأولمبياد؟
يولّد نموذج اللغة العام إجابته رمزًا بعد رمز انطلاقًا من أنماط تعلّمها، وهذه عملية تختلف عن تنفيذ العمليات الحسابية آليًا؛ ولهذا قد يكتب النظام نفسه حجة أنيقة وصحيحة بمستوى الأولمبياد، ثم يخطئ في ضرب أعداد متعددة الأرقام في المحادثة نفسها. أما الأنظمة التي تُسند الحساب إلى آلة حاسبة حقيقية أو مفسّر شيفرة فتتجنب هذا الإخفاق بعينه، بينما لا يتجنبه نموذج لغة «خالص» يجيب من النص وحده.
هل سيظل فهم الرياضيات مهمًا عندما يصبح الذكاء الاصطناعي أفضل؟
بل سيصبح أهم، لا أقل أهمية. فكلما أُتمت الحسابات الروتينية أكثر، أصبحت المهارة الإنسانية الحقيقية هي الجزء الذي لا يستطيع أحد أن يوكله إلى غيره. وهذه المهارة هي معرفة السؤال الذي ينبغي طرحه، وملاحظة متى تكون إجابة الذكاء الاصطناعي الواثقة خاطئة في الحقيقة، وفهم النتيجة جيدًا بما يكفي لتطبيقها في موقف جديد. وهذه بالضبط حجة مقالنا عن المشتقات بشأن تعلّم «لماذا» قبل «كيف»، وهي تنطبق هنا بشكل أكثر مباشرة.
تقييمات وآراء القراء
قيّم هذا المقال في عدة جوانب مختلفة — تقييمك يساعد القراء الآخرين، ويساعدنا على التحسّن.
هل كان هذا المقال مفيداً؟
أخبرنا برأيك — تصحيح، سؤال لم تتم الإجابة عنه، أو موضوع تودّ أن نغطيه لاحقاً.
تفضّل التحدث مباشرة؟ احجز مكالمة فيديو مجانية في الوقت الذي يناسبك: 15 دقيقة لسؤال سريع، و30 دقيقة لغير ذلك. تظهر المواعيد بتوقيتك المحلي.
عن الكاتب
Sudershan Soni
المؤسس والمدرّس الرئيسي في موستاك — مدرّس رياضيات وعلوم وعلوم حاسوب و STEM حاصل على الماجستير بخبرة تتجاوز 20 عاماً، يدرّس الطلاب من اختبار +11 و GCSE حتى A-Level وما بعده، عبر الإنترنت حول العالم.
اقرأ الملف الكامل