ریچارد بورچردز، استاد ریاضیات دانشگاه کالیفرنیا برکلی و برنده مدال فیلدز، رتبه‌بندی تکالیف دانش‌آموزان خود را برای درستی متوقف کرده است - تصمیمی که او به این واقعیت نسبت می‌دهد که اکنون دانش‌آموزان به طور معمول از ابزارهای هوش مصنوعی برای تکمیل مجموعه‌های مسائل خود استفاده می‌کنند.
بورچردز در مصاحبه‌ای با روزنامه دیلی کالیفرنیا که این هفته منتشر شد، گفت که پس از دیدن تعداد زیادی از دانش‌آموزانش که از هوش مصنوعی استفاده می‌کنند تا به طور مداوم آثاری با امتیاز برتر ارائه کنند، به این نتیجه رسید که ادامه دادن به خوانندگان برای نمره دادن به تکالیف درسی برای درستی آنها «هیچ فایده‌ای» ندارد، زیرا استفاده از هوش مصنوعی در دوره اجتناب‌ناپذیر شده است. For more context on this story, see our ongoing breaking AI news.
در عوض، او اکنون پس از اتمام نمره می‌دهد: دانش‌آموزانی که تکالیف خود را تحویل می‌دهند، بدون در نظر گرفتن اینکه آیا راه‌حل‌ها با کمک ماشین تولید شده‌اند، امتیاز دریافت می‌کنند.
بورچردز اذعان کرد: «این سیستم خیلی خوبی نیست.
مدال آور فیلدز حرفه را دوباره ارزیابی می کند
بورچردز که در سال 1998 مدال فیلدز را برای کارش بر روی جبرهای عملگر رئوس و حدس هیولا مهتابی به دست آورد، مدت کوتاهی پس از اینکه OpenAI اعلام کرد که عوامل هوش مصنوعی آن راه حلی آشکار برای مسئله وجود و همواری ناویر-استوکس - یکی از مشهورترین مسائل حل نشده در ریاضیات - ارائه کرده اند، مصاحبه را انجام داد.
این ادعا همچنان توسط ریاضیدانان مورد اعتراض است و موسسه ریاضیات Clay جایزه هزاره یک میلیون دلاری مرتبط را اعطا نکرده است. اما این اعلامیه قبلاً نحوه صحبت برخی از ریاضیدانان در مورد آینده رشته خود را تغییر داده است.
بورچردز به مقاله دانشجویی گفت: «اگر هوش مصنوعی با سرعت کنونی به پیشرفت خود ادامه دهد، پس از چند سال، ریاضیدانان انسانی هیچ کاری نمی توانند انجام دهند که هوش مصنوعی نتواند آن را بهتر انجام دهد.
نظرات او او را در میان گروه رو به رشدی از ریاضیدانان برجسته قرار می دهد که علناً با مفاهیم هوش مصنوعی مرزی برای رشته خود مبارزه می کنند. اعلامیه Navier-Stokes خود درخواست‌هایی را از سوی محققان به دنبال داشت که OpenAI شواهد قابل تأیید را منتشر کند، و اوایل امسال گروهی از مدال‌آوران فیلدز اعلامیه‌ای را امضا کردند که درباره نقش شتاب‌دهنده هوش مصنوعی در ریاضیات هشدار می‌داد.
"من حتی از ChatGPT پرسیدم"
بورچردز گفت که دیگر نمی‌داند دانش‌آموزان را به دنبال کردن ریاضیات تشویق کند، رشته‌ای که به نظر می‌رسید - تا همین اواخر پنج سال پیش - جزو امن‌ترین مشاغل پس از رونق هوش مصنوعی بود.
او گفت: "من نمی دانم چه توصیه ای داشته باشم. من حتی این سوال را دقیقا از ChatGPT پرسیدم و حتی ChatGPT گفت که هیچ ایده ای ندارد که قرار است چه اتفاقی بیفتد."
او "اینرسی" قابل توجهی را در سیستم آکادمیک توصیف کرد و پیش بینی کرد که با وجود سرعت توسعه هوش مصنوعی، بخش ریاضی می تواند تا چند سال یکسان به نظر برسد. او زمان کنونی را با مجلات کاغذی فیزیکی مقایسه کرد که علیرغم اینکه به قول او دو دهه «کاملاً بی‌معنی» بودند، به انتشار ادامه می‌دهند.
او خاطرنشان کرد که تاریخ موارد مشابهی را ارائه می دهد - دستبافی با ماشین های بافندگی جابجا شد و اسب ها توسط ماشین های موتوری - اما او تأکید کرد که قبلاً هیچ چیز قابل مقایسه ای در ریاضیات رخ نداده است.
بورچردز می‌گوید: «پیشرفت‌های فنی زیادی در گذشته وجود داشته است - دستبافی با ماشین‌های بافندگی از کار افتاد، و اسب‌ها با ماشین‌های موتوری از کار افتادند و غیره.» اگرچه این اولین بار است که چنین چیزی در ریاضیات اتفاق می افتد.
قوانین پردیس تلاش برای ادامه دادن
پاسخ نهادی برکلی نشان می دهد که چگونه سیاست هوش مصنوعی در سراسر آموزش عالی ناهموار باقی می ماند. بر اساس ایمیلی از آن ماری ریچارد، دستیار معاون آموزشی برای تحصیل در مقطع کارشناسی و مدیر ارشد فناوری دانشگاهی پردیس، بخش برکلی سنای آکادمیک از اساتید می‌خواهد که بیانیه‌ای در مورد انتظارات استفاده از هوش مصنوعی در برنامه‌های درسی درسی بگنجانند – اما خط‌مشی‌های مستقیم بسته به سطح درسی و موضوع به‌طور چشمگیری متفاوت است.
پردیس با ابزارهای تشخیص هوش مصنوعی از جمله Turnitin و Rumi آزمایش کرده است، اما مشخص کرده است که آنها به اندازه کافی قابل اعتماد برای استاندارد کردن نیستند. بنابراین، خط مشی هوش مصنوعی به صلاحدید مربیان فردی باقی می ماند، که توسط پایگاه داده رو به رشدی از نمونه اظهارات استفاده از هوش مصنوعی در مرکز هوش مصنوعی دانشگاه پشتیبانی می شود.
درجه بندی مبتنی بر تکمیل Borcherds عملاً یک انطباق یک جانبه با این شکاف اجرایی است: به جای نظارت بر استفاده از هوش مصنوعی که نمی تواند به طور قابل اعتماد تشخیص دهد، او معنای اعتبار تکلیف را دوباره تعریف کرده است.
سیگنالی برای آموزش عالی
این اپیزود یک نقطه داده کوچک اما مشخص در یک بحث بزرگتر در مورد ارزیابی در عصر هوش مصنوعی است. اگر مدال آور فیلدز در یکی از برترین دپارتمان‌های ریاضیات جهان به این نتیجه رسیده باشد که مجموعه‌های مسائل خانگی دیگر نمی‌توانند آنچه را که برای اندازه‌گیری طراحی شده‌اند اندازه‌گیری کنند، پیامدها فراتر از برکلی است.
مربیان در سراسر رشته ها با همین تنش دست و پنجه نرم می کنند: ابزارهای تشخیص از ابزارهای تولید عقب مانده اند، اجرای کدهای افتخار در مقیاس دشوار است، و قالب های ارزیابی ساخته شده برای دنیای قبل از هوش مصنوعی به طور فزاینده ای در تشخیص درک دانش آموزان از خروجی مدل شکست می خورند.
در حال حاضر، راه حل Borcherds به جای خوشبینانه، عمل گرایانه است - آنچه را که می توان درجه بندی کرد، درجه بندی کنید، و آشکارا تصدیق کنید که بقیه غیرقابل تایید شده است. اینکه آیا آموزش ریاضی می تواند مدل سنتی کارآموزی خود را در عصر ریاضیدانان هوش مصنوعی که به طور فزاینده ای توانمند هستند حفظ کند یا خیر، سوالی است که حتی ChatGPT نیز به گفته وی از پاسخ دادن به آن خودداری می کند.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
