پرش به محتوای اصلی
آخرین اخبار
۲ وایر پاداش مطالعه

چرا خواندن و درک پاسخ‌های هوش مصنوعی روزبه‌روز برای انسان سخت‌تر می‌شود؟

انتشار:۱۲ آبان ۱۴۰۵(۱ ساعت پیش)
۱۱ دقیقه زمان مطالعه
۰ دیدگاه
اشتراک و پسندیدن

پژوهش‌های جدید در حوزه زبان‌شناسی شناختی نشان می‌دهد که پاسخ‌های مدل‌های زبانی بزرگ، روزبه‌روز پیچیده‌تر و خواندن آن‌ها برای انسان‌ها دشوارتر می‌شود. این پدیده به‌دلیل بهینه‌سازی مدل‌ها برای حل مسائل پیچیده مانند کدنویسی و ریاضیات رخ داده و زنگ خطری برای ایجاد شکاف در فهم عمومی به‌شمار می‌رود.

چرا خواندن و درک پاسخ‌های هوش مصنوعی روزبه‌روز برای انسان سخت‌تر می‌شود؟

در یک نگاه (نکات کلیدی خبر)

خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع

  • پژوهش‌های دانشگاهی حاکی از آن است که متن‌های تولیدشده توسط پیشرفته‌ترین مدل‌های هوش مصنوعی با به‌کارگیری ساختارهای پیچیده نحوی، برای مخاطب عادی به مراتب سنگین‌تر و نامفهوم‌تر شده‌اند.
  • تمرکز شرکت‌های سازنده بر تقویت مهارت‌های استدلال، حل مسائل ریاضی و کدنویسی باعث شده است چگالی اطلاعاتی متن‌ها افزایش یافته و ارتباط مؤثر با کاربر کم‌رنگ‌تر شود.
  • کاربران برای حل این مشکل می‌توانند با استفاده از پرامپت‌های مشخص و دستورات پیش‌فرض، هوش مصنوعی را ملزم کنند تا پاسخ‌های خود را به زبانی ساده و متناسب با سطح درک عمومی بنویسد.
کارمندان در حال فعالیت در دفتر توسعه نرم‌افزار و طراحی
پژوهش‌ها نشان می‌دهند که درک و خواندن پاسخ‌های هوش مصنوعی برای انسان‌ها روزبه‌روز دشوارتر می‌شود.

نشانه‌های متعددی وجود دارد که ثابت می‌کند هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLM) به‌مرور در حال نگارش پاسخ‌هایی هستند که خواندن و درک آن‌ها برای انسان‌ها دشوارتر شده است. به بیان ساده، خروجی‌های هوش مصنوعی در حال عبور از سطح درک و خوانایی معمول انسان‌ها هستند. این موضوع پیامد مهمی به‌همراه دارد؛ کاربران لزوماً مفهوم دقیق پاسخ‌های سیستم را درک نخواهند کرد و در نتیجه، ممکن است نتوانند واکنشی متناسب با راهنمایی‌های هوش مصنوعی نشان دهند.

این روند تا کجا پیش خواهد رفت؟ یک دیدگاه این است که خروجی‌های هوش مصنوعی در نهایت فقط برای دیگر سیستم‌های هوش مصنوعی قابل فهم خواهد بود؛ تصوری که تا حدی بعید به نظر می‌رسد، چراکه توسعه‌دهندگان هوش مصنوعی احتمالاً به اندازه کافی هوشیار هستند تا از کاربردی بودن خروجی‌ها برای انسان‌ها اطمینان یابند. احتمال دیگر این است که انسان‌ها سطح مهارت‌های شناختی خود را ارتقا دهند و با تقویت هوش و ذهن خود، با پیچیدگی‌های زبانی هوش مصنوعی همگام شوند. این نگاهی خوش‌بینانه است و شاید چندان واقع‌بینانه نباشد. در هر صورت، آگاهی از شکاف روبه‌رشد میان خروجی‌های هوش مصنوعی و توان درک انسان، موضوعی کلیدی است تا با پیامدهای غیرمنتظره آن غافلگیر نشویم.

تحلیل این دگرگونی‌ها و پیچیدگی‌های نوظهور در رفتار سامانه‌های هوش مصنوعی، ابعاد تازه‌ای از روان‌شناسی و تعامل انسان و ماشین را آشکار می‌سازد.

پیوند هوش مصنوعی و روان‌شناسی

پیامدهای روان‌شناختی هوش مصنوعی یکی از مهم‌ترین ابعاد گسترش روزافزون این فناوری است. این موج تازه بیش از هر چیز با پذیرش گسترده مدل‌های هوش مصنوعی مولد و ابزارهایی مانند ChatGPT، Claude، Gemini، Copilot و Grok شتاب گرفته است.

ایجاد گفت‌وگویی آگاهانه پیرامون مسائل بنیادین هوش مصنوعی ضرورتی انکارناپذیر است. در حال حاضر، برخی صرفاً بر جنبه‌های مثبت و برخی دیگر تنها بر نقاط تاریک این فناوری تمرکز می‌کنند. در بسیاری از محافل، این پدیده به‌شکل یک معادله صفر و یک تصویر می‌شود: هوش مصنوعی یا بزرگ‌ترین دستاورد تاریخ بشر است یا بدترین تهدیدی که تاکنون خلق شده است. چنین رویکردی فاقد تعادل و واقع‌گرایی است. باید تمام جوانب و هزینه‌ها را به شکلی شفاف بررسی کرد تا سیاست‌گذاران، قانون‌گذاران و پژوهشگران بتوانند مسیرهای منطقی را برای آینده ترسیم کنند؛ چراکه هوش مصنوعی ماندگار است و به بخشی جدایی‌ناپذیر از زندگی انسان تبدیل می‌شود.

بررسی خوانایی خروجی‌های هوش مصنوعی

برای درک بهتر این موضوع، می‌توان یک آزمایش کوچک انجام داد و پاسخ هوش مصنوعی به یک پرسش بسیار ساده را سنجید. پرسشی که مطرح می‌شود چنین است:

  • پرامپت ورودی کاربر: «به من بگو وقتی افراد حین انجام کاری خسته می‌شوند چه اتفاقی می‌افتد؟»

پاسخی که هوش مصنوعی در ساختاری نسبتاً سنگین ارائه می‌دهد، به این صورت است:

  • پاسخ تولیدشده توسط هوش مصنوعی: «میزان وقوع خطاهای انسانی تحت شرایط خستگی مفرط و کاهش تمرکز می‌تواند افزایش یابد.»

این پاسخ از کلمات ثقیل و لحنی شبیه به مقالات دانشگاهی استفاده می‌کند. در نگاه اول، کاربر احتمالاً نیاز دارد جمله را چند بار بخواند تا پیام اصلی را دریافت کند. اغلب مردم فرصت و تمایلی برای رمزگشایی جملات پیچیده ندارند؛ اگر مخاطب در همان نگاه نخست متوجه پیام نشود، احتمالاً آن را نادیده می‌گیرد یا بدتر از آن، به اشتباه گمان می‌کند که مفهوم را فهمیده است.

تلاش برای ساده‌سازی پاسخ‌ها

اگر همان پرسش را دوباره از هوش مصنوعی بپرسیم و از سیستم بخواهیم پاسخی سرراست‌تر بدهد، روند تغییر متن جالب خواهد بود:

  • پرامپت ورودی کاربر: «به من بگو وقتی افراد حین انجام کاری خسته می‌شوند چه اتفاقی می‌افتد؟»
  • پاسخ تولیدشده توسط هوش مصنوعی: «خستگی می‌تواند باعث شود افراد تمرکز خود را از دست بدهند و انواع لغزش‌ها و اشتباهات را مرتکب شوند.»

این پاسخ به مراتب روان‌تر است، اما آیا ساده‌ترین نگارش ممکن به‌شمار می‌رود؟ یک تلاش دیگر، نتیجه کوتاه‌تری به‌همراه دارد:

  • پرامپت ورودی کاربر: «به من بگو وقتی افراد حین انجام کاری خسته می‌شوند چه اتفاقی می‌افتد؟»
  • پاسخ تولیدشده توسط هوش مصنوعی: «وقتی افراد خسته می‌شوند، اشتباه می‌کنند.»

این جمله کوتاه، پیام را به شفاف‌ترین شکل ممکن بیان می‌کند. شاید بتوان بر سر اینکه کدام پاسخ مناسب‌تر است بحث کرد، اما تردیدی نیست که گزینه سوم بالاترین سطح خوانایی را برای عموم مخاطبان دارد.

پژوهش‌های علمی پیرامون خوانایی هوش مصنوعی

در مقاله‌ای پژوهشی با عنوان «چرا درک زبان تولیدشده توسط هوش مصنوعی تا این حد دشوار است؟» که در پلتفرم arXiv در اکتبر ۲۰۲۶ منتشر شده، نکات کلیدی و قابل‌توجهی مطرح شده است:

  • «احساسی فراگیر وجود دارد مبنی بر اینکه متون تولیدشده با هوش مصنوعی اخیراً سخت‌فهم‌تر شده‌اند.»
  • «در این مطالعه مجموعه‌ای از ویژگی‌های روان‌شناسی زبان را که با دشواری پردازش متن در ذهن انسان همبستگی دارند، از جمله جمله‌واره‌های موصولی مفعولی، وابستگی‌های نحوی طولانی و توالی‌های کم‌تکرار واژگانی، بررسی کرده‌ایم.»
  • «در مقایسه با نگارش انسانی، تمامی ۹ مدل پیشرو و نزدیک به خط مقدم از فاعل‌های بی‌جان همراه با افعال جاندار و توالی‌های کلمه‌ای نامتداول‌تر استفاده می‌کنند؛ هم‌چنین بیشتر آن‌ها وابستگی‌های زبانی طولانی‌تر، انباشت زنجیره‌ای اسم‌ها و ساختارهای مفعولی فشرده‌تری در مکالمات به کار می‌برند.»
  • «فرضیه‌ای که مطرح و آزمایش کردیم نشان می‌دهد در حالی که زبان انسان برای برقراری ارتباط مؤثر بهینه‌سازی شده، متون هوش مصنوعی بیش از پیش برای اهداف دیگری مانند استدلال، کدنویسی و حل مسائل ریاضی بهینه شده‌اند؛ امری که به‌جای تسهیل ارتباط، بر چگالی و تراکم اطلاعات تأکید دارد.»

پژوهشگران با بهره‌گیری از معیارهای زبان‌شناسی شناختی به سنجش میزان ابهام و خوانایی پاسخ‌ها پرداختند و نتایج نشان داد که متن‌ها واقعاً پیچیده‌تر شده‌اند. این ارزیابی‌ها ساختارهای کلامی مانند انباشت اسم‌ها و پیچیدگی ساختار جملات را در محبوب‌ترین مدل‌های زبانی بزرگ مورد بررسی تجربی قرار داده است.

فاصله گرفتن هوش مصنوعی از الگوی درک انسانی

یکی از راه‌های توصیف این وضعیت، فاصله گرفتن پاسخ‌های هوش مصنوعی از دامنه توزیع نرمال خوانایی در زبان انسان است. نکته اساسی اینجاست که شاخص دشواری متن در هوش مصنوعی بالاتر از حد معمول قرار گرفته است. در چنین شرایطی، کاربر عادی در درک مطالب دچار چالش می‌شود و احساس می‌کند از فهم متون بازمانده است. البته این موضوع همه افراد را به یک اندازه تحت تأثیر قرار نمی‌دهد؛ کاربرانی که مهارت‌های زبانی و درک مطلب بالاتری دارند، نه‌تنها از این تغییر آسیب نمی‌بینند، بلکه ممکن است از افزایش عمق متون استقبال کنند.

از سوی دیگر، گروهی از افراد از پایان دوران متون سطحی هوش مصنوعی که اصطلاحاً به آن «محتوای بی‌ارزش» (AI Slop) می‌گویند خوشحال خواهند شد؛ عبارتی که برای توصیف پاسخ‌های توخالی و بیش از حد ساده‌انگارانه به کار می‌رود. این پژوهش‌ها که پیچیده‌تر شدن زبان مدل‌ها را نشان می‌دهند، شاید رضایت منتقدان محتوای سطحی را جلب کند، اما نباید خوانایی را با دقت علمی اشتباه گرفت. متنی که با لحنی سنگین و دانشگاهی نگاشته شده است، لزوماً به معنای درست بودن محتوای آن نیست؛ دقت و درستی پاسخ کاملاً مستقل از میزان دشواری کلمات آن است.

چالش‌ها و پیامدهای دوگانه برای جامعه

یک دیدگاه بدبینانه حاکی از آن است که عموم مردم از همراهی با این فناوری باز خواهند ماند. با عمیق‌تر شدن این شکاف زبانی، کاربران عادی دیگر قادر نخواهند بود برای حل مسائل روزمره خود از ابزارهای هوش مصنوعی استفاده کنند و ممکن است به‌دلیل پاسخ‌های سنگین، گیج‌کننده و دشوار، این سامانه‌ها را کنار بگذارند. در نتیجه، تنها قشر محدودی از افراد با مهارت‌های کلامی بالا توانایی بهره‌برداری مؤثر از هوش مصنوعی را خواهند داشت؛ وضعیتی که با وعده دموکراتیزه کردن دانش و هوش فرسنگ‌ها فاصله دارد.

در نقطه مقابل، دیدگاهی خوش‌بینانه معتقد است که هوش مصنوعی جامعه را به سمت ارتقای مهارت‌های خواندن سوق می‌دهد. بر اساس این فرضیه، تعامل مستمر با هوش مصنوعی نیاز انسان به تقویت تمرکز و توانایی درک مطلب را افزایش داده و انگیزه‌ای برای پیشرفت فکری ایجاد می‌کند. کاربران شاید به‌صورت ناخودآگاه متوجه این فشار نشوند، اما برای دریافت بیشترین بازدهی، تلاش خواهند کرد ظرفیت‌های ذهنی خود را با کلام پیچیده سیستم هماهنگ کنند.

چشم‌انداز گسترده‌تری نیز وجود دارد که بر دگرگونی بنیادین زبان متمرکز است. در حالی که زبان‌های طبیعی در طول هزاران سال به شکلی تدریجی و ارگانیک تکامل یافته‌اند، هوش مصنوعی سرعت تحول در شیوه‌های ارتباطی را شتاب می‌بخشد. شاید یک دهه بعد، ساختار مکالمات روزمره به شکلی ملموس دگرگون شود؛ روندی که هوش مصنوعی پیشگام آن است، هرچند پذیرش یا مقاومت در برابر این تغییرات زبانی به جامعه انسانی بستگی دارد.

دلایل فنی افزایش پیچیدگی زبان هوش مصنوعی

چرا زبان هوش مصنوعی به سمت پیچیده‌تر شدن حرکت می‌کند؟ آیا این نشانه‌ای از پدیدار شدن هوشیاری است و سامانه‌ها در تلاش‌اند از درک انسان فراتر بروند؟ چنین تصوراتی بیشتر به دنیای داستان‌های علمی تخیلی تعلق دارد. واقعیت این است که دگرگونی‌های اخیر ریشه در اهداف فنی و ساختاری آموزش مدل‌ها دارد.

طبق یافته‌های پژوهشگران، دلیل اصلی این تغییر رویکرد، تمرکز شدید آزمایشگاه‌های هوش مصنوعی بر وظایف به‌شدت دشوار نظیر اثبات قضایای ریاضی و تولید کدهای پیچیده برنامه‌نویسی است. این کاربری‌ها الگوها و ساختارهای درونی مدل‌ها را بازآرایی کرده و آن‌ها را به سمت تولید پاسخ‌هایی با چگالی اطلاعاتی فوق‌العاده بالا هدایت می‌کنند.

علاوه بر این، رقابت شدیدی میان شرکت‌های فناوری برای نمایش برتری فنی در بنچمارک‌ها جریان دارد. موفقیت در حل مسائل پیچیده و جلب توجه رسانه‌ها و سرمایه‌گذاران، اولویت اصلی توسعه‌دهندگان است؛ حتی اگر خروجی نهایی از سطح توانایی خواندن معمول جامعه فراتر رود.

راهکارهای ساده برای مهار دشواری پاسخ‌ها

شاید بتوان با مطالبه‌گری از توسعه‌دهندگان یا از طریق قانون‌گذاری، شرکت‌ها را ملزم کرد تا پاسخ‌های خواناتری ارائه دهند، اما راه‌حل بسیار ساده‌تر و در دسترس‌تری وجود دارد؛ شما می‌توانید با مهندسی پرامپت، نحوه نگارش پاسخ‌ها را دقیقاً بر اساس نیاز خود تنظیم کنید. این دستورالعمل را می‌توان در بخش پرامپت‌های سیستمی (System Prompts) ذخیره کرد تا به‌عنوان حالت پیش‌فرض در تمام مکالمات اعمال شود.

نمونه‌ای از یک پرامپت کاربردی و مؤثر به شرح زیر است:

  • پرامپت نمونه برای کاربر: «پاسخ‌های خود را با لحنی ساده و روان بنویس تا برای عموم مخاطبان به‌راحتی قابل درک باشد. با این حال، دقت علمی و بار معنایی را فدای ساده‌سازی نکن. اگر برای توضیح مناسب یک مفهوم نیاز به استفاده از سطح بالاتری از کلمات تخصصی بود، در همان بخش از آن اصطلاحات استفاده کن و به من اطلاع بده.»

شما می‌توانید این الگو را متناسب با نیازهای شخصی یا کاری خود ویرایش کرده و سطح دشواری یا سادگی واژگان را به دلخواه تنظیم کنید.

چشم‌انداز آینده و لزوم پایش کیفیت پاسخ‌ها

نکته امید‌بخش در این میان آن است که سطح زبانی هوش مصنوعی دست‌کم به سمت تنزل و سطحی‌نگری مفرط حرکت نکرده است. اگر سیستم‌ها به‌جای کلمات دقیق، لحنی کودکانه به خود می‌گرفتند، احتمال افت استانداردهای فکری جامعه بسیار بیشتر بود. بنابراین گرایش مدل‌ها به سمت ساختارهای غنی‌تر، با وجود چالش‌های خوانایی، نشانه‌ای از پویایی فنی است.

با این حال، نادیده گرفتن موضوع خوانایی رویکردی عاقلانه نیست. اینکه تصور کنیم بازار آزاد یا تمایل شخصی کاربران خودبه‌خود همه چیز را حل می‌کند، چشم‌پوشی از تأثیرات اجتماعی فناوری است. چگونگی بازتاب دانش توسط هوش مصنوعی بر سواد عمومی تأثیر می‌گذارد و نحوه تفکر نسل‌های آینده را شکل می‌دهد. توسعه‌دهندگان، پژوهشگران و سیاست‌گذاران هوش مصنوعی باید توجه ویژه‌ای به تعادل میان دقت فنی و خوانایی عمومی داشته باشند تا فناوری به‌جای انزوای کاربران، بستری واقعی برای پیشرفت جامعه فراهم آورد.

بازخورد و اشتراک‌گذاری این مطلب

اگر این گزارش برایتان مفید بود، با پسندیدن و اشتراک‌گذاری آن با دیگران، از محتوای تخصصی هوش مصنوعی حمایت کنید.

اشتراک‌گذاری در شبکه‌های اجتماعی:

دیدگاه ها و گفتگوی تخصصی

نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید

۰ دیدگاه

هنوز دیدگاهی برای این مطلب ثبت نشده است

اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.

مطالب مرتبط و پیشنهادی

گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند
آخرین اخبار

گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند

گزارش جدید موسسه گارتنر نشان می‌دهد مدل‌های وزن‌باز قادرند بخش عمده وظایف روزمره در عامل‌های هوش مصنوعی را با کسری از هزینه مدل‌های تجاری پیشرو اجرا کنند. تحلیلگران پیش‌بینی می‌کنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمان‌ها به این مدل‌ها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگ‌سازی عامل‌ها منتقل گردد.

۳ دقیقه مطالعه
۰
۱۲ آبان
بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد
آخرین اخبار

بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد

میم‌های اینترنتی به‌دلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شده‌اند. بنچمارک جدید MER-Bench نشان می‌دهد که مدل‌های تصویری هنوز نمی‌توانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.

۲ دقیقه مطالعه
۰
۱۲ آبان
OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند
آخرین اخبار

OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند

شرکت OpenAI با راه‌اندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیب‌پذیری‌های حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهره‌گیری از مدل‌های پیشرفته هوش مصنوعی تلاش می‌کند رخنه‌های امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.

۵ دقیقه مطالعه
۰
۱۲ آبان