هوش مصنوعی، انسانی، خیلی انسانی

به گزارش گروه آنلاین روزنامه دنیای اقتصاد-حسین موسوی؛ چه اتفاقی می‌افتد وقتی یک لیوان را از روی میز می‌اندازید؟ از چت¬جی¬پی¬تی بپرسید و توضیح گام به گام دریافت خواهید کرد: چگونه گرانش ظرف را در امتداد یک «مسیر سهموی» شتاب می‌دهد، چرا می‌تواند بشکند. «اگر ضربه باعث ایجاد تنش‌هایی بیشتر از تحمل ماده شود». از دختر ۳ ساله‌ام بپرسید و او کمتر به جزئیات دقیق اهمیت می‌دهد: «خرد می‌شود و همه جا را آب فرا می‌گیرد!» وقتی صحبت از آینده هوش مصنوعی می‌شود، تفاوت آموزنده است. به نوشته مجله نیو ساینتیست، مدل‌های زبانی بزرگ (LLM) که چت‌بات‌های امروزی را پشتیبانی می‌کنند، بر اساس حجم وسیعی از متن آموزش دیده‌اند تا کلمه بعدی را در یک توالی پیش‌بینی کنند. با این حال، برخلاف آدلین کوچک، هیچ LLM تا به حال واقعاً لیوانی را از روی میز نینداخته است - یا اسپاگتی را به دیوار پرتاب نکرده است، یا اسکوتری را به داخل برکه نینداخته است - و این ممکن است محدودیت اساسی بر قابلیت‌های آنها اعمال کند. اساساً به همین دلیل است که برخی از محققان استدلال می‌کنند آنچه ما برای رساندن هوش مصنوعی به سطح بعدی نیاز داریم، LLM های بزرگتر نیستند، بلکه «مدل‌های جهانی» هستند: سیستم‌هایی که از طریق مشاهده یاد می‌گیرند تا بتوانند پیامدهای اعمال را در دنیای واقعی شبیه‌سازی کنند.

مدل‌های جهانی به سرعت به مرز بعدی هوش مصنوعی تبدیل شده‌اند و به لطف نویدبخش بودنشان در رباتیک خودمختار، توجه زیادی را از سوی صنعت و تجارت به خود جلب کرده‌اند. با این حال، آنچه رویکرد مدل جهانی را به¬طور ویژه جذاب می‌کند این است که ظاهراً مسیری را برای هوش عمومی مصنوعی (AGI) یا ماشین‌هایی با استدلال در سطح انسان ارائه می‌دهد که می‌توانند در طیف وسیعی از وظایف به کار گرفته شوند.

مشکل این است که تفکیک اصل مطلب از هیاهو دشوار است. اصطلاح «مدل جهان» برای شروع به طرز گیج‌کننده‌ای انعطاف‌پذیر است؛ برای برخی، به¬طرز مشکل‌سازی. ملانی میچل از موسسه سانتافه در نیومکزیکو می‌گوید: «این اصطلاح به نوعی اختصار برای همه چیزهایی تبدیل شده است که سیستم‌های هوش مصنوعی فعلی نمی‌توانند به خوبی انجام دهند.»

دقیقاً مشخص نیست که این سیستم‌ها چه چیزی را باید مدل‌سازی کنند، چه برسد به اینکه آیا «بازنمایی‌های درونی واقعیت فیزیکی» برای آن نوع هوش تعمیم‌پذیر کافی خواهد بود یا خیر، به این معنی که کودک ۳ ساله من به طور شهودی می‌فهمد وقتی لیوان را می‌کشد چه اتفاقی می‌افتد، حتی اگر نتواند دلیل آن را بگوید.

برای درک مدل‌های جهانی که در هوش مصنوعی به کار می‌روند، درک ریشه‌های این مفهوم در علوم شناختی مفید است. خود محققان هوش مصنوعی معمولاً ریشه‌های آن را به سال ۱۹۴۳ برمی‌گردانند، زمانی که روانشناس کنت کریک نوشت که ذهن انسان «مدلی در مقیاس کوچک» از واقعیت خارجی و از اقدامات احتمالی خود را حمل می‌کند و به ما اجازه می‌دهد «گزینه‌های مختلف را امتحان کنیم» و «قبل از وقوع، به موقعیت‌های آینده واکنش نشان دهیم».

این ایده در دهه‌های پس از آن، به‌ویژه با نظریه پردازش پیش‌بینی، تکامل یافته است. این نظریه فرض می‌کند که ادراک - احتمالاً حتی خود آگاهی - به مغز متکی است که دائماً پیش‌بینی‌هایی در مورد جهان خارجی ایجاد می‌کند و آنها را در پاسخ به داده‌های حسی ورودی به‌روزرسانی می‌کند. اما نکته همچنان پابرجاست. جاش تننباوم، دانشمند شناختی و محقق هوش مصنوعی در مؤسسه فناوری ماساچوست، می‌گوید: «ایده کلیدی این است که هوش شامل ساخت مدل‌هایی از جهان در ذهن ماست تا بتوانیم نتایج را شبیه‌سازی کنیم و از اشتباهات پرهزینه جلوگیری کنیم. بنابراین، همانطور که کریک می‌گوید، «ایده‌های ما به جای خودمان می‌میرند».

لازم نیست نابغه باشید تا بفهمید چرا این موضوع توجه محققان هوش مصنوعی را جلب کرده است. LLMها به طرز شگفت‌آوری توانمند بوده‌اند و مطمئناً می‌توانند این تصور را ایجاد کنند که چیزها را همانطور که ما درک می‌کنیم، می‌فهمند. اما زبان توصیفی از واقعیت است، نه خود واقعیت، و فقدان تجربه مستقیم آنها به این معنی است که حتی قدرتمندترین مدل‌های زبانی نیز وقتی صحبت از «درک» پدیده‌های فیزیکی در دنیای واقعی می‌شود، با مشکل مواجه می‌شوند.

میچل می‌گوید، LLMها اغلب وقتی از آنها خواسته می‌شود در مورد مفاهیم مکانی و چیزهایی که ممکن است در دنیای فیزیکی اتفاق بیفتند، عملکرد ضعیفی دارند. «اگر تا به حال نقشه‌ای را در یکی از این مدل‌ها آپلود کرده باشید و از آن در مورد آن سوال پرسیده باشید، می‌دانید که آنها اغلب در استدلال مشکلات زیادی خواهند داشت.» در واقع، در یک مطالعه در سال ۲۰۲۴، وقتی محققان مدل‌های زبانی را روی یک پایگاه داده از مسیرهای نوبتی برای سفرهای تاکسی در اطراف شهر نیویورک آموزش دادند، دریافتند که این سیستم می‌تواند مسیرهای معقولی را از یک نقطه به نقطه دیگر ارائه دهد،  اما وقتی از آنها خواسته شد که مسیر انحرافی را انتخاب کنند، به¬طرز فجیعی شکست خورد.

دلیل این امر این است که LLMها فقط توصیفاتی از سفرها دارند و بنابراین فاقد آن نوع نقشه ذهنی هستند که به ما امکان می‌دهد تصور کنیم در سناریوهای مختلف چه اتفاقی می‌افتد. و ناوبری تنها یک نمونه است. LLMها کاستی‌های مشابهی را در هر سناریویی که نیاز به شبیه‌سازی دنیای فیزیکی دارید - مثلاً بارگیری ایمن ماشین ظرفشویی یا تا کردن لباس‌های شسته شده - نشان می‌دهند. تننباوم می‌گوید: «آنها برای این کار طراحی نشده‌اند، به همین دلیل است که مردم به جایگزین‌هایی مانند مدل‌های جهانی علاقه‌مند هستند.»

احتمالاً تأثیرگذارترین طرفدار، یان لکان، دانشمند کامپیوتر در دانشگاه نیویورک و تا همین اواخر، دانشمند ارشد تحقیقات بنیادی هوش مصنوعی در متا است. استدلال او که اولین بار در مقاله‌ای در سال ۲۰۲۲ مطرح شد، اساساً این است که اگر می‌خواهیم سیستم‌های واقعاً هوشمندی بسازیم که بتوانند در دنیای واقعی استدلال، برنامه‌ریزی و به طور مؤثر عمل کنند، به مدل‌های جهانی نیاز داریم.

لکان در ماه ژانویه در مجمع هوش مصنوعی AI House Davos گفت: «نمی‌توانم تصور کنم که می‌توانیم سیستم‌های عامل‌محور بسازیم، بدون اینکه این سیستم‌ها توانایی پیش‌بینی پیشاپیش پیامدهای اعمال خود را داشته باشند.» او معتقد است که کلید این امر، سیستم‌هایی هستند که قوانین جهان را از مشاهده یاد می‌گیرند.

این ایده جا افتاده است. در دسامبر ۲۰۲۵، لکان متا را ترک کرد تا AMI Labs را تأسیس کند و برای ساخت سیستم‌های مدل جهانی، مبلغی نزدیک به ۱ میلیارد دلار جمع‌آوری کرد. یک سال قبل، فی-فی لی در دانشگاه استنفورد کالیفرنیا، World Labs را با ۲۳۰ میلیون دلار سرمایه‌گذاری برای توسعه هوش مصنوعی با «هوش مکانی» راه‌اندازی کرد. بسیاری از شرکت‌های معتبر هوش مصنوعی، به‌ویژه گوگل دیپ‌مایند، اکنون نیز به‌طور فعال مدل‌های جهانی را به اشکال مختلف دنبال می‌کنند.

دلیل این هجوم پول، در درجه اول، وعده‌ای است که مدل‌های جهانی برای پیشرفت رباتیک دارند. با این حال، هنوز در مراحل اولیه است و نمونه‌های اولیه موجود کاربردهای متوسطی دارند. به عنوان مثال، World Labs با Marble سیستمی ساخته است که صحنه‌های سه‌بعدی منسجمی را از پیام‌های متنی تولید می‌کند. به¬طور مشابه، Genie ۳ شرکت دیپ¬مایند محیط‌های مجازی تعاملی قانع‌کننده‌ای ایجاد می‌کند - مثلاً «کوه برفی در هنگام غروب» - که در آن می‌توانید برای چند دقیقه حرکت کنید و حتی رویدادهایی مانند باران را ایجاد کنید. در هر دو مورد، شرکت‌ها سیستم‌های خود را به عنوان «مدل‌های جهانی» توصیف می‌کنند. اما Marble در واقع یک مولد ویدیوی سه‌بعدی و Genie ۳ یک شبیه‌ساز بازی‌های ویدیویی است، البته شبیه‌سازی‌هایی تولید می‌کند که در آن‌ها عامل‌ها می‌توانند به طور معقول عمل کنند، پیامدها را مشاهده کنند و یاد بگیرند.

مسلماً، یک مدل جهانی مناسب چیزی است که درون یک عامل وجود دارد به طوری که می‌تواند عواقب تصمیمات خود را پیش‌بینی کند، آینده را تصور کند و قبل از انجام اقدامات، برنامه‌ریزی کند - و این همان چیزی است که دیپ¬مایند با سیستم Dreamer ۴ خود که در سپتامبر ۲۰۲۵ منتشر شد، به سمت آن حرکت می‌کند. این سیستم یک مدل پیش‌بینی داخلی از محیط خود را یاد می‌گیرد که عمدتاً بر اساس داده‌های بازی ویدیویی ماینکرافت آموزش می‌بیند و  از آن برای آموزش عاملی استفاده می‌کند که مکرراً پیامدهای اقدامات ممکن را برای بهبود رفتار خود «رویاپردازی» می‌کند.