OpenAI Astra: ١٠ براهين رياضية، تم التحقق منها في Lean (٢٠٢٦)

أعلنت OpenAI عن Astra في ١ أغسطس ٢٠٢٦ من خلال نشر عشر نتائج جديدة في مسائل الرياضيات وعلوم الحاسوب النظرية التي ظلت مفتوحة لمدة عقد من الزمن على الأقل. قامت نسخة داخلية من النموذج غير المصدر بتوليد الحجج، ثم صاغت كل واحدة منها كشهادة Lean قابلة للفحص آلياً يمكن لأي شخص تحميلها والتحقق منها.

ملخص

• نشرت OpenAI عشر نتائج في ١ أغسطس ٢٠٢٦، أنتجتها نسخة داخلية من Astra، والتي تصفها بأنها "نموذجها الرئيسي القادم".^١
• النتيجة الأبرز: بناء يثبت وجود non-sofic groups — وهو سؤال مفتوح مركزي في نظرية المجموعات منذ أن طرحه Gromov في عام ١٩٩٩.^١٢
• ثلاث من النتائج العشر تحل مسائل مرقمة من كتالوج Erdős: ١٨٣ و ١٤٦ و ١٨٠.^١
• كل نتيجة تأتي مع شهادة Lean 4 في مستودع Apache-2.0 عام.^٣
• تقول OpenAI إن الرموز (tokens) "ستكلف حوالي ٢٬٠٠٠ دولار بأسعار Sol API".^١ هذا الرقم يغطي المحاولات التي نجحت — وأكد باحث OpenAI Noam Brown أن هناك مسائل رئيسية أخرى تمت محاولتها دون نجاح.^٤
• أفادت التقارير أن Astra هو نظام متعدد الوكلاء (multi-agent system) مدرب على مهام طويلة المدى تستغرق ساعات أو أياماً. النموذج غير مصدّر حالياً، ولا يوجد تاريخ محدد لإطلاقه.^٥

ما ستتعلمه

• ما أعلنت عنه OpenAI فعلياً، وما هي المسائل العشر التي تم حلها
• كيف تختلف بنية Astra متعددة الوكلاء المبلغ عنها عن نافذة سياق طويلة واحدة
• لماذا تعتبر شهادات Lean — وليس الرياضيات — هي القصة الحقيقية لمطوري الوكلاء
• ما الذي يغطيه رقم الـ ٢٬٠٠٠ دولار وما لا يغطيه، ولماذا هي تكلفة لكل نجاح
• أي أجزاء من الإعلان لا تزال غير مؤكدة

ما أعلنت عنه OpenAI

Astra هي عائلة النماذج الرئيسية القادمة من OpenAI، وتأتي جنباً إلى جنب مع خطوط Sol و Terra و Luna الحالية.^٥ لم يتم إطلاقها بعد، وليس لها تاريخ إطلاق معلن، ولم تقرر OpenAI ما إذا كانت ستصدر كـ GPT-6 أو كنسخة متنوعة من خط GPT-5.^٥

منشور ١ أغسطس هو المرة الأولى التي تؤكد فيها OpenAI علناً اسم Astra.^٥

صياغة OpenAI كانت محددة. هذه مسائل "ظلت مفتوحة ولم تشهد أي تقدم في النتيجة الرئيسية لمدة عقد من الزمن على الأقل، وفي معظم الحالات لفترة أطول بكثير".^١ وهي تشمل الهندسة عالية الأبعاد، ونظرية الترميز، وتعقيد الدوائر الحسابية، ونظرية المجموعات، وجبر المؤثرات، والتعقيد الكمي، وتشفير الشبكات، والتوافيقيات القصوى.^١

النتائج العشرة

#	النتيجة	ما الذي تثبته
١	تعبئة الكرات عالية الأبعاد	حدود عليا جديدة لكثافة التعبئة وصولاً إلى عتبة Cohn–Elkies
٢	الأكواد الثنائية والكروية	تحسينات أسية في الحدود القصوى لحجم الكود الثنائي عند أي مسافة دنيا محددة
٣	المجموعات غير السوفيكية (Non-sofic groups)	بناء يثبت وجود مجموعات غير سوفيكية
٤	حدسية صلابة Connes	دحض أن مجموعات معينة يتم تحديدها بشكل فريد بواسطة جبر von Neumann الخاص بها
٥	تعقيد الدوائر الحسابية	حدود دنيا جديدة للدالة الدائمة (permanent)، بما في ذلك حد صيغة حسابية من رتبة n⁴/log n
٦	التكرار الموازي الكمي	نظرية تكرار موازي أسية للألعاب الكمية العامة المكونة من لاعبين اثنين
٧	مشكلة المتجه الأقرب	صعوبة تقريب بعامل متعدد الحدود، وهو أمر ذو صلة بتشفير الشبكات ما بعد الكم (post-quantum lattice cryptography)
٨	حدسية حجم Ehrhart	الحجم الأقصى، في كل بُعد، لجسم محدب يكون مركزه هو نقطة الشبكة الداخلية الوحيدة
٩	أرقام رامزي متعددة الألوان	حد أدنى فوق أسي، يحل مشكلة Erdős رقم ١٨٣
١٠	حدسيات الأعداد القصوى	حدسيات التراص والانحلال، تحل مشكلات Erdős رقم ١٤٦ و ١٨٠

الجدول: النتائج العشرة كما ذكرتها OpenAI. المصدر: OpenAI, "Ten advances in mathematics and theoretical computer science," August 1, ٢٠٢٦.

بناء المجموعات غير السوفيكية هو الأمر الذي يجذب معظم الاهتمام. تم تقديم مفهوم السوفيكية بواسطة Mikhail Gromov في عام ١٩٩٩، وسماه Benjamin Weiss في عام ٢٠٠٠ نسبة إلى الكلمة العبرية التي تعني "محدود".^٢ طرحت ورقة Gromov السؤال الذي ظل قائماً منذ ذلك الحين: هل كل مجموعة سوفيكية؟^٢

Astra هو نظام متعدد الوكلاء، وليس مجرد نافذة سياق أكبر

هذا هو الجزء المهم إذا كنت تقوم ببناء وكلاء (agents).

وفقاً لتقرير من The Information، فإن Astra هو نظام متعدد الوكلاء مدرب خصيصاً للمهام طويلة المدى — حيث يقوم وكيل رئيسي بإنشاء وكلاء فرعيين، وتوزيع أجزاء من المشكلة، وانتظار النتائج، ثم تركيب الإجابة النهائية.^٥ لم تنشر OpenAI ورقة عن البنية الهندسية، لذا تعامل مع التفاصيل الداخلية كتقارير وليس كحقائق مؤكدة.

ما أكدته OpenAI بالفعل هو شكل عبء العمل: أنظمة تستمر في العمل على هدف واحد لساعات أو أيام.^٥

هذا التمييز مهم. نمط الفشل السائد في الوكلاء الذين يعملون لفترات طويلة ليس ضعف النموذج الأساسي — بل هو الخطأ التراكمي، حيث يتم تضخيم انحراف صغير في بداية التشغيل عبر كل خطوة لاحقة لأنه لا يوجد شيء في الحلقة يمكنه إخبار الوكيل بأنه أخطأ.

الإعدادات متعددة الوكلاء لا تعالج هذا الأمر تلقائياً، وهناك الآن بيانات دقيقة حول الحالات التي تجعل الأمر أسوأ. دراسة من Google Research و Google DeepMind ومتعاونين أكاديميين — فصّلتها Google Research في ٢٨ يناير ٢٠٢٦ — قيمت ١٨٠ تكويناً للوكلاء عبر خمس بنيات وثلاث عائلات من النماذج.^٦

النتائج كانت مزدوجة:

النتيجة	القياس
المهام القابلة للتوازي (الاستنتاج المالي)	التنسيق المركزي حسن الأداء بنسبة ٨٠٫٩٪ مقارنة بعميل واحد
المهام التسلسلية (التخطيط)	كل متغيرات الأنظمة متعددة العملاء أدت إلى تدهور الأداء بنسبة ٣٩-٧٠٪
تضخيم الخطأ، العملاء المستقلون	١٧٫٢×
تضخيم الخطأ، المنسق المركزي	٤٫٤×

الجدول: نتائج مختارة حول توسيع نطاق الأنظمة متعددة العملاء. المصدر: Google Research, "Towards a science of scaling agent systems," January 28, ٢٠٢٦.

لاحظ أي بنية تحتوي على أخطاء. العملاء المستقلون الذين يعملون بالتوازي دون تواصل ضخموا الأخطاء بمقدار ١٧٫٢×؛ بينما أدى إضافة منسق مركزي إلى خفض ذلك إلى ٤٫٤×، لأن المنسق يعمل كعنق زجاجة للتحقق يكتشف الأخطاء قبل انتشارها.^٦

هذا هو نفس شكل التصميم المُبلغ عنه لـ Astra — عميل جذر يقوم بالتفويض، والانتظار، والتركيب. إذا كانت التقارير دقيقة، فقد اختارت OpenAI البنية التي تدعمها الأدلة لاحتواء الأخطاء.

نتائج Astra هي دليل على أن هذا النمط يمكن أن يعمل على نطاق البحث. لكنها ليست دليلاً على أنه يعمل بشكل افتراضي، كما أن البحث في الإثباتات الرياضية قابل للتوازي بشكل غير عادي — حيث يمكنك استكشاف العديد من مسارات الهجوم المستقلة في وقت واحد. لا تفترض أن نفس المكاسب تنتقل إلى سير عمل تسلسلي صارم.

إذا كنت تقوم بإعداد التفويض بين العملاء، فإن شرحنا لـ تسليم المهام من عميل إلى آخر في TypeScript يغطي الآليات.

شهادات Lean هي القصة الحقيقية

إليك ما أغفلته معظم التغطيات الإعلامية.

كل نتيجة من النتائج العشر تأتي مع صياغة رسمية بلغة Lean 4 في openai/ten-proofs، وهو مستودع Apache-2.0 مبني على Lean 4.32.0 و mathlib.^٣ أمران فقط — lake exe cache get و lake build All — يقومان بفحص النتائج العشر جميعاً.^٣

هذا عبارة عن "أوراكل" حتمي مثبت على مولد احتمالي. أي شخص لا يثق في OpenAI تماماً لا يزال بإمكانه التأكد من أن البيانات الرسمية تتبع البديهيات، دون قبول أي ادعاء كحقيقة مسلم بها.

هذا يغلق تماماً نمط الفشل الذي كان الرياضيون يحذرون منه: الحجج التي تبدو منطقية، لكنها خاطئة، ومكلفة للبشر لمراجعتها.

لكن كن دقيقاً فيما تثبته شهادة Lean. فهي تثبت أن البيان الرسمي يتبع البديهيات. لكنها لا تثبت أن البيان الرسمي يجسد بأمانة النظرية غير الرسمية التي يدعي ترميزها. إذا قامت الصياغة الرسمية بإضعاف فرضية ما بهدوء، فإن Lean سيتحقق بسعادة من نتيجة أضعف. مراجعة البيانات مقابل الادعاءات غير الرسمية هي عمل منفصل، وهي أسرع إشارة مستقلة متاحة في هذا الإصدار.

أعطى Terence Tao هذا الشكل اسماً في ١٥ ديسمبر ٢٠٢٥: الذكاء الاصطناعي العام الماكر بدلاً من الذكاء.^٧

تعريفه يستحق الاقتباس كاملاً، لأنه يصف هذا الإصدار بدقة تقريباً:

"أقصد بـ 'الذكاء العام' القدرة على حل فئات واسعة من المشكلات المعقدة عبر وسائل ارتجالية إلى حد ما. قد تكون هذه الوسائل عشوائية أو نتيجة حسابات القوة الغاشمة (brute force)؛ وقد تكون غير مستندة إلى أساس أو قابلة للخطأ... ومع ذلك، يمكن أن يكون لها معدل نجاح غير هامشي في تحقيق طيف واسع بشكل متزايد من المهام، خاصة عندما تقترن بإجراءات تحقق صارمة لتصفية النهج غير الصحيحة أو غير الواعدة، وبمقاييس تتجاوز ما يمكن للبشر كأفراد تحقيقه."^٧

التأطير الذي يوصي به Tao هو التعامل مع هذه الأنظمة "بشكل أساسي كمولد عشوائي لأفكار ومخرجات ذكية أحياناً — ومفيدة غالباً".^٧

هذا قيد تصميمي، وليس فلسفة. المولد العشوائي يصبح جديراً بالثقة بما يتناسب مع أداة التحقق الملحقة به — مما يعني أن السقف الأعلى لاستقلالية العميل (agent) الخاص بك يتم تحديده بمدى صرامة الفحص، وليس بمدى جودة النموذج الخاص بك.

هذا المبدأ يتجاوز الرياضيات بكثير. فمدقق الأنواع (type checker)، ومجموعة الاختبارات الناجحة، ومتحقق المخطط (schema validator)، والمحاكي، واستعلام التسوية: كل منها عبارة عن "أوراكل" حتمي رخيص يسمح للمولد غير الموثوق بالعمل لفترة أطول دون أن تتدهور المخرجات إلى ترهات تبدو منطقية.

هذا هو نفس النمط الذي يظهر في العملاء ذاتيي التحقق في تصميم الرقائق، حيث يستدعي العملاء محركات فيزيائية حتمية للتحقق من قراراتهم الخاصة.

ما الذي تشتريه الـ ٢٬٠٠٠ دولار فعلياً

صياغة OpenAI كانت حذرة: التوكنات المطلوبة "ستكلف حوالي ٢٬٠٠٠ دولار بأسعار Sol API".^١ ووصفها Brown بأنها "أقل من ٢٬٠٠٠ دولار بأسعار Sol API".^٨

اقرأ ذلك بدقة. Sol — وليس Astra. إن Astra لم يُصدر ولم يُحدد سعره، لذا فإن هذا افتراض عكسي: ما الذي كانت ستكلفه كمية التوكنات إذا تم فوترتها بأسعار نموذج مختلف. لم يتم دفع هذا المبلغ فعلياً، وهذا الرقم لا يخبرك بشيء عن تكلفة تشغيل Astra نفسه.

بقسمتها بالتساوي، فإن ٢٬٠٠٠ دولار على عشر نتائج تعني حوالي ٢٠٠ دولار لكل مشكلة تم حلها.

ثم يأتي التحذير الذي يغير الحسابات. كتب Brown، في نفس السلسلة:

"ونعم، لقد حاولنا حل مشكلات رئيسية أخرى دون نجاح. للأسف، لم نحل أي من مشكلات جائزة الألفية (حتى الآن). ولكن أيضاً، لم ننفق الكثير على كل مشكلة. من الممكن دفع الحوسبة في وقت الاختبار (test-time compute) إلى أبعد من ذلك بكثير."^٤

وبالتالي، فإن الـ ٢٬٠٠٠ دولار هي تكلفة لكل نجاح، نُشرت دون ذكر معدل النجاح. المحاولات الفاشلة مستبعدة. هناك سبع مشكلات في جائزة الألفية، اختارها معهد كلاي للرياضيات في عام ٢٠٠٠ بقيمة مليون دولار لكل منها؛ ولم يتم حل سوى حدسية بوانكاريه.^٩

ولإنصاف الأمر — فقد تطوع Brown بذكر الإخفاقات دون طلب وبشكل علني. لكن البسط بدون مقام لا يمثل تكلفة لكل نتيجة.

ومن الجدير بالذكر: حتى لو كان المعدل الحقيقي هو نجاح واحد لكل مائة محاولة، فإن تكلفة كل مشكلة مفتوحة رئيسية ستصل إلى ما يقرب من ٢٠٬٠٠٠ دولار. بالنسبة لنتائج من هذا النوع، هذا ليس رقماً باهظاً. الاقتصاديات تصمد أمام التصحيح؛ لكن الدقة لا تصمد.

هذا هو نفس الفخ الذي تم تناوله في تكاليف توكنات عملاء الذكاء الاصطناعي في ٢٠٢٦: أسعار التوكن الواحد تستمر في الانخفاض بينما ترتفع تكلفة المهمة المكتملة، لأن الإخفاقات لا تظهر أبداً في الرقم الرئيسي. إذا كنت تضع ميزانية لعميل ذو أفق زمني طويل، فإن الرقم الذي تحتاجه هو تكلفة المحاولة مضروبة في عدد المحاولات لكل نجاح.

ما الذي لا يزال غير متحقق منه

هناك ثلاثة أشياء صحيحة في آن واحد، ومعظم الجدال عبر الإنترنت يتمثل في تأكيد أحدها كما لو كان يحسم الأمور الأخرى.

من المرجح جداً أن تكون البراهين صحيحة. شهادات Lean تعد دليلاً قوياً، مع مراعاة تحفظ مطابقة البيانات المذكور أعلاه.

الأهمية لم تُحدد بعد. يتطلب ذلك من المتخصصين المعنيين استيعاب النتائج، وهو أمر يستغرق شهوراً.

الاقتصاديات غير معروفة. لم يتم نشر أي معدل نجاح، ولا توجد قائمة بالمحاولات الفاشلة.

إعادة الإنتاج الخارجي مستحيلة حالياً بينما يظل Astra داخلياً. وOpenAI صريحة بشأن الإسناد: لقد ساعدت في إعداد المخطوطات وصياغة البراهين رسمياً و"تتحمل مسؤولية صحتها، بينما تم إنشاء الحجج الرياضية نفسها بواسطة نظامنا"، مستشهدة بإعلان لايدن بشأن الذكاء الاصطناعي والرياضيات حول كيفية تخصيص الفضل.^١

هناك قيد إضافي على شروحات التفكير المرافقة: فهي تسرد تفكير النموذج في المشكلات التي حلها.^١ لا يوجد شرح للمشكلات التي فشل فيها. ما تم نشره هو سلوك البحث للفائزين.

الخلاصة

الرقم الذي انتشر كان ٢٬٠٠٠ دولار. الرقم الذي يهم هو صفر — بمعنى، صفر ثقة مطلوبة للتحقق من النتائج.

وجود عشر شهادات قابلة للفحص آلياً في مستودع عام هو أثر مختلف مادياً عن درجة اختبار مرجعي (benchmark score)، وهو الجزء من هذا الإعلان الذي يمكن تعميمه. يجب على كل فريق وكلاء يشحن أنظمة طويلة المدى أن يسأل نفس السؤال الذي أجابت عليه OpenAI هنا: ما هو أرخص أوراكل حتمي (deterministic oracle) يمكنه إخبار وكيلي بأنه مخطئ؟

إذا ضبطت هذا الأمر بشكل صحيح، يمكنك ترك الحلقة تعمل لفترة أطول. أما إذا أخطأت، فإن زيادة الاستقلالية ستؤدي فقط إلى إنتاج "هراء" أكثر ثقة.

تعلن عن 'نموذجها الرئيسي التالي' Astra،" ١ أغسطس ٢٠٢٦، نقلاً عن The Information. ↩ ↩^٢ ↩^٣ ↩^٤ ↩^٥ ↩^٦ ↩^٧ ↩^٨

Yubin Kim و Xin Liu، Google Research، "نحو علم لتوسيع أنظمة الوكلاء: متى ولماذا تعمل أنظمة الوكلاء،" ٢٨ يناير ٢٠٢٦. الورقة البحثية: arXiv:2512.08296. ↩ ↩^٢

Terence Tao، منشور على Mathstodon، ١٥ ديسمبر ٢٠٢٥. ↩ ↩^٢ ↩^٣

Noam Brown، منشور على X، ١ أغسطس ٢٠٢٦. ↩

معهد كلاي للرياضيات (Clay Mathematics Institute)، مسائل جائزة الألفية. ↩