حرف پرلمان شد، یادی کنیم از حسن جولانی، زمانی خیلی سروصدا کرد. دانشجوی ارشد دانشگاه تهران بود و دانشجوی دکتر درفشه.
اون سال ها ازش به عنوان دانشجوی نخبه و... یاد می کردند ظاهرا. موضوع پایان نامه اش:
"حدس ترستن روی ۳- منیفیلد ها و گروه های متعامد" بود. ظاهرا در همون سال ها مقالاتی داشته و کارهایی انجام داده بود، سر ماجراهای ۸۸ بازداشت شد و بعدا از ایران رفت. از دوستی شنیدم که مدعی بود یا شایدم هم واقعا اثبات پرلمان رو خونده بود و فهمیده بود.
https://hassan-jolany.jimdosite.com/
صفحه گوگل اسکالرش

آدم‌ها به این پیش‌بینی که هوش مصنوعی ۹۰ درصد (یا حالا هر درصدی) از کل برنامه‌نویسی رو انجام خواهد داد می‌خندند. اما من عدد و رقم دارم!

از ماه مِی امسال، من هیچ کدی ننوشتم، و ۱۰۰ درصد کدم رو با هوش مصنوعی ساختم.

یه مهندس انویدیا.

@Physics_Daily | از نورون تا هوش

این هم یه سری سوال آنالیز با حل که توسط حسن جولانی تهیه شده.
دکتراش رو هم با
Gang Tian
خونده، یکی از کسانی که بعدا شرح مفصلی بر اثبات پرلمان نوشتند، که البته کارشون فقط توضیح و بسط بیشتر کار پرلمان بوده.

unknot
یعنی هیچ گره ای نداره و می شه با یه سری حرکت مجاز اون رو به دایره تبدیل کرد.
منتها بعضی هاشون پیچیده هستند و تشخیص بی گره بودنشون سخته(مثل این). واسه همین بهش می گه nasty.

می گه از oasis اثبات ها بر می گردیم به desert تعریف ها.
اولی یعنی جای سرسبز و پرآب، چون اثبات زیبا است و لذت بخش همچین تعبیری براش به کار می بره. از اون طرف گاهی توی ریاضی تعداد تعریف ها اونقدر زیاد می شه که کلافه کننده است.
فکر کنم توی کتاب جبر فرالی یا شاید هم جای دیگه اشاره می کنه که توی کافه دانشگاه بچه های فیزیک دارند در مورد مسائل پیشرفته فیزیک بحث می کنند و بچه های ریاضی درباره تعریف ها.

می گند یه سالی در MIT تصمیم گرفتند برای یه ترم از تعریف ϵ−δ ایی برای حد استفاده نکنند و کمی
non-rigorously
مطالب رو ارائه کنند. طبیعتا این کار با مخالفت بعضی از استادها مواجه شد و خیلی از این سیاست جدید خوششون نیومده بود و می گفتند اگر تو calculus با این تعریف روبرو نشند دیگه بعدا بعیده برند سراغش.
ظاهرا یکی از استادها می ره سر کلاس و تعریف حد رو این طوری ارائه می کنه:
for every τ>0 there is a σ such that...

تائو یه سوالی رو به ChatGPT می ده برای اینکه بتونه یه مثال نقض بسازه. قبلا خودش نشون داده بود که عملا جواب سوال منفی هست. بعد از یکی دو بار آزمون خطا می فهمه بهترین راهبرد گفتگوی مرحله به مرحله است. کد رو هم خود ChatGPT می نویسه و البته چون کوتاه بوده(۲۹ خط) به راحتی خودش اون رو بررسی کرده. تائو می گه در زمان خیلی صرفه جویی شد و اگر هوش مصنوعی نبود اصلا سراغ پیدا کردن مثال نمی رفت.
پیشنهاد می کنه گام به گام مکالمه رو پیش ببرید و بعد از بررسی صحت هر مرحله برید گام بعدی.
می گه با hallucinations یا nonsense مواجه نشده.
سوال رو در mathoverflow اینجا ببینید و سوال و جواب تائو با ChatGPT که می تونه آموزنده باشه رو اینجا.

دوستان می گند به
Kasparov deep blue moment
نزدیک شدیم.
تعبیر جالبی بود، اشاره به اون اتفاق سال ۱۹۹۷ که Deep Blue تونست کاسپاروف رو شکست بده.

اینجا آقای Kevin Buzzard درباره آینده ریاضیات می گه. می گه که ریاضیات اونقدر پیچیده شده در زمان ما که روش های
documenting
قدیمی دیگه جواب گو نیست.
زمینه کاریش نظریه اعداد هست و می گه هر روز از arXiv دارم کلی ایمیل می گیرم که فلان مقاله آپلود شد و هر کدوم با کلی مرجع.
داورها به خاطر کارشون پول نمی گیرند و ضمنا همه details رو چک نمی کنند.
می گه سال ها بشر تحقیقات ریاضی انجام داده بدون اینکه از کامپیوتر استفاده کنه، ولی حالا نقش generator و checker رو دارند کامپیوترها.
می گه مقالات ریاضیات درصد کمی شون incorrect هستند و درصد زیادی incomplete(این درسته چون اون درسته، واضح است که، از این نتیجه می گیریم اون رو)
https://youtu.be/K5w7VS2sxD0?si=UkJ5Iovti3keguna

درباره اهمیت فرمال کردن قضایای ریاضی یه خاطره می گه که یه بار یه دانشجویی ازش می خواد یه مقاله ای که خودش چندین سال قبل نوشته بود رو یه بخشی اش رو توضیح بده، می گه وقتی به اثبات نگاه کردم یادم نمیومد چطوری اون قسمت رو اثبات کردم!
این خاطره رو به عنوان مثالی از غیر قابل اطمینان بودن حافظه انسان بیان می کنه.

درباره این دانشمندان فلان درصد برتر جهان و اینا شنیدید؟

از وقتی مهاجرت کردم هیچکس رو این طرف ندیدم که درباره‌ش حرفی بزنه. بگه من فلان درصد برتر جهانم. اصلا قول می‌دم خبر ندارن همچین چیزی هست. 😁

همیشه درگیر همین ظواهر و ارقام و دسته‌بندی‌هاییم. تحصیل‌کرده‌هامون هم بدتر نباشن، بهتر نیستن. دانشمندان ده درصد برتر جهانم. دانشگاهم فلان رنکه. تعداد مقالاتم فلان‌تاست.

به جاش مثلا بگیم: من این کار رو انجام دادم و با انجامش این پیشرفت رو حاصل کردم و اثر بیرونی‌ش این‌ها بوده.

که معمولا نمی‌تونیم. خیلی به ندرت بتونیم.

@Physics_Daily | از نورون تا هوش

بحث کمی حاشیه ای IQ
اینجا می گه تست IQ رو اگر خوب انجام بدی، اونوقت تست IQ رو خوب انجام دادی و چند تا چیز دیگه، همین! r تو جدول ضریب همبستگی هست، هر چی به یک نزدیک تر رابطه بیشتر
چه چیزهایی رابطه بیشتری دارند:
تو مدرسه بهتر عمل می کنی
تحصیلاتت بیشتره
عملکرد شغلی ات بهتره
کجا همبستگی پایین تره؟(یعنی ارتباطی بین هوش و موارد پایین نیست)
خلاقیت
شادبودن
زیبایی ظاهری
و در نهایت کجاها منفی هست رابطه؟(یعنی هوش بیشتر احتمال اینا کمتر)
مرتکب خلافی بشی برای بار دوم
تصادف رانندگی
تعداد بچه(یعنی هوش بیشتر احتمالا بچه کمتر)

طالب هم که توی اون مقاله مفصل به این موضوع پرداخته، مخصوصا در مورد بی معنی بودن رتبه بندی کشورها براساس IQ.

ظاهرا رتبه بندی ۲۰۲۵ هم اومده، قاره ای بخوایم ببینیم آسیا اوله! طالب در اون مقاله می گه:
country IQ is fake news.

ریاضیدان برجسته روسی
Vladimir Voevodsky
که برنده مدال فیلدز هست و در ۳۰ سپتامبر سال ۲۰۱۷ درگذشت(در ۵۱ سالگی) و در زمینه روش های کامپیوتری برای اثبات های ریاضی هم کار کرده بود، جمله ای داره درباب اهمیت این نوع اثبات ها که می گه:

چه کسی می‌تواند تضمین کند که من چیزی را از قلم نینداخته‌ام یا اشتباهی نکرده‌ام، وقتی که حتی خطاها در استدلال‌های بسیار ساده‌تر، سال‌ها طول می‌کشد تا کشف شوند؟

پدرِ پدرِ برنامه ریزی خطی!

یه مقاله با یه عنوان جالب.
کلمه
serendipity
یعنی خوشبختی غیرمنتظره یا کشف ناگهانی چیزی که فرد دنبالش نبوده‌.
این داستان ریشه ایرانی داره و عنوانش هست: سه شاهزاده سرندیپ، پادشاهی که سه پسر داشته و هر سه باهوش و تیزبین بودند و...

نویسنده این عنوان رو انتخاب کرده که بگه حتی در ریاضیات که همه چیز منطقی هست، گاهی کشف ها نه از راه استدلال بلکه تصادفی یا شهودی یا... اتفاق می افته. مثل رابطه بالا، هر چند بعدا مشخص می شه پشت همون هم یه ساختار منطقی هست.

این فایلی که لینکش رو گذاشتم عنوانش هست
Real Analysis in Computer Science:
A collection of Open Problems
اون مساله ای که انتهای صفحه ۲۵ هست رو ChatGPT تونسته براش یه مثال نقض پیدا کنه.

آکادمی یا صنعت؟ انتخاب یا اجبار؟
تغییر مسیر شغلی یا کاری، این روزها خیلی چیز رایجی شده، قبلا هم بحث شده درباره اش. طرف دکتری ریاضی در یک حوزه خیلی خاص می گیره بعد می ره مثلا تو حوزه داده کار می کنه. در سال کلی آدم در ایران و در دنیا در رشته ریاضی فارغ التحصیل می شند و همه امکان اینکه عضو هیات علمی بشند رو ندارند(یا اصلا بعدا می فهمند به کار در صنعت علاقه بیشتری دارند). از لحاظ درآمدی هم بخوایم نگاه کنیم درآمد تو صنعت به طور میانگین از یه استاد دانشگاه بیشتر هست، ضمن اینکه در رشته ریاضی مخصوصا محض و به خصوص در ایران استادها شانس اینکه بخواند در صنعت هم حضور داشته باشند(در کنار کار دانشگاه) براشون خیلی پایینه(بر خلاف رشته های مهندسی که اعضای هیات علمی دانشگاه ها بیشترشون تو صنعت و بازار کار هم مشغول هستند)
یه سری مهارت ها هستند که عمومی ترند و اتفاقا کسانی که ریاضی خوندند توش قوی ترند، مثل توانایی حل مساله، تعمیم دادن، مواجه به عدم قطعیت، ابهام یا... و فهمیدن مفاهیم یا ساختارهای پیچیده. منتها اینا کافی نیست و باید در کنارش مهارت های دیگه هم با توجه به زمینه ای که می خواند کار کنند پیدا کنند. منتها باید از همون اول شروع به یادگیری کنند نه بعد از اینکه درسشون تموم شد. زمینه هایی مثل دیتا و داده و... هم دیگه همه می دونند اگر کسی حرفی برای گفتن داشته باشه چه در زمینه تحقیقاتی و حتی کاری، با توجه به زمینه ای که لازم دارند(برنامه نویسی، آمار، بهینه سازی و...) کار ریاضی خونده ها است(نه یه سری مهندس که گاهی با افتخار اعلام می کنند از ریاضی بدشون میاد)
به هر حال در دنیای واقعی و در عمل ممکنه همه چیز مطابق میل ما پیش نره.
و نکته آخر اینکه برای کسی که فقط با کار تحقیقاتی و مفاهیم مجرد حال می کنه اون بیرون اصلا جای خوبی نیست و باید با این واقعیت کنار بیاد!

این دوباره مقام کسب کرد.