هوش مصنوعی واقعاً چگونه فکر می‌کند؟ رازهای حافظه، بازیگوشی و مقیاس‌پذیری شبکه‌های عصبی

امروزه به‌خوبی می‌دانیم که هوش مصنوعی می‌تواند آزمون‌های پیچیده تورینگ را پشت سر بگذارد؛ اما این فناوری دقیقاً چگونه «فکر می‌کند»؟ شاید بیانی دقیق‌تر و شفاف‌تر برای طرح این موضوع چنین باشد: یک شبکه عصبی چگونه با بهره‌گیری از نورون‌های مصنوعی خود، رفتارهای شناختی یا شبه‌شناختی پدید می‌آورد؟

اگر بخواهیم این مسئله را از زاویه‌ای ملموس‌تر بررسی کنیم: شیوه تفکر هوش مصنوعی چه تفاوت بنیادینی با سازوکار مغز زیستی انسان دارد؟

بی‌تردید یکی از تفاوت‌های اصلی و آشکار، نحوه دسترسی به اطلاعات است.

انسان‌ها از بدو تولد به حجم نامحدودی از اطلاعات دسترسی ندارند، بلکه باید داده‌ها را به‌مرور و از طریق روش‌های آنالوگ که بسیار زمان‌بر و کم‌بازده هستند بیاموزند. در نقطه مقابل، هوش مصنوعی می‌تواند به اینترنت متصل شود و حجم عظیمی از داده‌های شناخته‌شده جهان را در چشم‌به‌هم‌زدنی کاوش کند؛ مزیتی شگفت‌انگیز که قدرت خارق‌العاده‌ای به مدل‌های زبانی بزرگ (LLM) می‌بخشد.

با این حال، زمانی که پای نحوه به‌کارگیری این آموخته‌ها توسط انسان و سیستم‌های هوش مصنوعی به میان می‌آید، پرسش‌های به‌مراتب عمیق‌تری شکل می‌گیرند. در حال حاضر، دانشمندان و گروه‌های پژوهشی مختلف این مسئله را از مسیرهای جذابی بررسی می‌کنند؛ مسیرهایی که درک عمق آن‌ها برای بسیاری از مخاطبان چندان ساده نیست.

برای نمونه، می‌توان به مقاله پژوهشی پیرامون مقیاس‌پذیری هوش مصنوعی در مقایسه با مقیاس‌پذیری «عملکرد» انسان اشاره کرد. اما عملکرد شناختی را چگونه می‌توان سنجید؟ پژوهشگران این مقاله به سراغ پاسخ به این پرسش بسیار کلی رفته‌اند؛ پرسشی که ارزیابی آن با در نظر گرفتن پیچیدگی سنجش عملکردهای شناختی انسان بسیار چالش‌برانگیز است. مغز انسان ساختاری زیستی است که درون جسمی فیزیکی قرار دارد، با داده‌هایی محدود سر و کار دارد و به‌طور مداوم زیر بمباران انواع محرک‌های محیطی آشفته و نامنظم قرار می‌گیرد.

اما اگر تمام این متغیرهای محیطی را کنار بگذاریم و فرض کنیم امکان رصد دقیق «مقیاس‌پذیری» انسان وجود دارد، یافته‌های این پژوهش نشان می‌دهند که انسان‌ها در افزایش مقیاس، عملکرد بهتری نسبت به هوش مصنوعی ثبت می‌کنند. فرضیه بنیادین این پژوهش بر آن است که اختصاص توکن‌های بیشتر به هوش مصنوعی، درست مانند دادن زمان بیشتر به انسان برای حل بهتر یک مسئله است. فارغ از تمام محاسبات ریاضی و توزیع‌های لگاریتمی موجود در این مقاله، هسته فلسفی ماجرا اهمیت بنیادینی دارد: ما عملکرد انسان و هوش مصنوعی را با چه هدفی و دقیقاً برای دستیابی به چه دستاوردی اندازه‌گیری می‌کنیم؟

زندگی بازیگوشانه و یادگیری خلاق

این پرسش‌ها سرآغاز نگاه عمیق‌تری به شناخت هوش مصنوعی با تمرکز بر جنبه‌های خلاقانه تفکر هستند؛ رویکردی که در بررسی ایجنت‌های هوش مصنوعی خودمختارتر نسبت به اجداد دیجیتالی گذشته‌شان اهمیت دوچندانی پیدا می‌کند.

دنیلا روس (Daniela Rus)، مدیر آزمایشگاه هوش مصنوعی و علوم کامپیوتر دانشگاه MIT (CSAIL)، یکی از پیشگامان این حوزه است که پروژه‌ای نوآورانه با محوریت ایجنتی به نام «اکو» (Eko) را هدایت می‌کند؛ ایجنتی که برای نمایش «یادگیری بازیگوشانه» (Playful Learning) طراحی شده است. گزارش‌های منتشرشده پیرامون این پروژه نشان می‌دهند که این رویکرد به ایجنت هوش مصنوعی امکان می‌دهد تا به تعبیر روس، «با دنیای پیرامون خود ارتباط فیزیکی برقرار کند، به استدلال بپردازد، خاطره بسازد و به دنبال مفاهیم تازه برود».

وقتی یک ایجنت هوش مصنوعی می‌تواند نقاشی بکشد و جهان‌های کوچک اختصاصی خودش را خلق کند، این اتفاق چه معنایی دارد؟ چنین قابلیتی کدام بخش از آزمون تورینگ را هدف قرار می‌دهد؟ شاید زمان آن رسیده باشد که عنوانی جدید مانند «آزمون بازیگوشی» تعریف شود؛ هرچند این نام چندان جذاب به نظر نمی‌رسد. شاید هم با نسخه‌ای عمیق‌تر از همان آزمون تورینگ روبه‌رو هستیم؛ آزمونی که یک پرسش بنیادین را پیش روی بشریت قرار می‌دهد: اگر هوش مصنوعی قادر به انجام تمام این کارها باشد، جایگاه و فلسفه وجودی انسان چیست؟

مکانیسم حافظه و ردپای باورهای پایدار

اگر این بحث فلسفی پیچیده را موقتاً کنار بگذاریم، نگاهی به مباحثات تخصصی پژوهشگران در این زمینه زاویه دید جدیدی باز می‌کند.

جان آر. اسمیت (John R. Smith) در یکی از تحلیل‌های مطرح‌شده پیرامون ایجنت اکو می‌نویسد: «پرسش تجربی کلیدی این است: چه تفاوتی میان مکانیسم حافظه هموستاتیک (خودتنظیم) با پایداری باورهای معمولی یا پیروی صرف از دستورالعمل‌ها وجود دارد؟ فرضیه زیرساخت هموستاتیک ما دو آزمون ابطال‌پذیر پیشنهاد می‌دهد: نخست (HSH-H3)، اینکه آیا حذف باورهای غلط نهادینه‌شده در مقایسه با اصلاحات پی‌درپی، توانایی بیشتری را به مدل بازمی‌گرداند؟ و دوم (HSH-H4)، اینکه آیا انحراف ثبت‌شده در حافظه می‌تواند قفل شدن رفتاری مدل در آینده را پیش‌بینی کند؟ هر دو مورد معیارهای ابطال‌پذیری مشخصی دارند و باید در مقایسه با فرضیه‌های رقیب و ساده‌تر ارزیابی شوند».

او جزئیات این فرضیه را در مقاله پژوهشی منتشرشده در زنودو تشریح کرده است.

اگر اصطلاح مکانیسم حافظه هموستاتیک به نظرتان ناآشنا یا مبهم می‌آید، کاملاً طبیعی است؛ زیرا این مفهوم یکی از مباحث تازه و پیشرفته در علوم شناختی و هوش مصنوعی محسوب می‌شود.

این نوع سیستم‌ها تلاش می‌کنند پایداری اطلاعات ذخیره‌شده در مدل‌های زبانی بزرگ را حفظ کنند و در برابر تغییراتی که الگوهای تثبیت‌شده را برهم می‌زنند، مقاومت نشان دهند. چنین اثری می‌تواند باورهای موجود مدل را تقویت کند، به‌روزرسانی حافظه را تحت کنترل بگیرد و یکپارچگی داده‌ها را در گذر زمان حفظ نماید؛ اما پیامد منفی آن این است که پاک کردن فرضیات نادرست یا اصلاح باورهای غلط از ذهن مدل بسیار دشوار می‌شود. بنابراین، اگر ماشین دچار توهم شود، این توهم بی‌دلیل رخ نداده و خطای ایجادشده در تاروپود سیستم پاسخ‌دهی آن ریشه دوانده است.

برای درک ملموس‌تر این فرآیند، می‌توان خطاهای حافظه انسان را در نظر گرفت: تصور کنید به شما گفته‌اند فلان شخص در خیابان «چست‌نات» زندگی می‌کند، اما ذهن شما به‌اشتباه خیابان «والنات» را ثبت کرده است؛ بدون شک دفعه بعد که نشانی او را بپرسند، باز هم ناخودآگاه خیابان والنات اولین پاسخ شما خواهد بود. اصلاح باوری که یک بار در مغز تثبیت شده، کاری به‌شدت دشوار است.

اما آیا سازوکار هوش مصنوعی تفاوتی بنیادین با مغز انسان دارد؟

هنوز در ابتدای مسیر شناخت هستیم

پاسخ این سؤال هم مثبت است و هم منفی. تمام این تحقیقات نشان می‌دهند که ما هنوز در گام‌های آغازین درک فرآیندهای درونی شبکه‌های عصبی هنگام انجام وظایفشان هستیم. ما همچنان با معمای موسوم به «مسئله جعبه سیاه» دست‌وپنجه نرم می‌کنیم؛ جایی که کارکرد درونی مدل‌های زبانی بزرگ به‌روشنی برای پژوهشگران قابل مشاهده نیست. اگر به دیدگاه علاقه‌مندان به هوش مصنوعی عمومی (AGI) تکیه کنیم، شاید هرگز هم به این شناخت نرسیم؛ چراکه این سیستم‌ها پیوسته هوشمندتر از انسان خواهند شد تا در نهایت به مرحله هوش مصنوعی خداگونه برسیم و به پیش‌بینی ری کرزویل، در دوران «تکینگی» (Singularity) با این ذهن‌های نامیرا پیوند بخوریم.

تا آن زمان، انجام چنین پژوهش‌هایی دست‌کم به ما کمک می‌کند تا خطوط کلی و الگوهای کارکرد هوش مصنوعی را بشناسیم. پیاده‌سازی یا حتی شناسایی مفاهیمی نظیر مکانیسم حافظه هموستاتیک، دانش لازم را برای پیش‌بینی رفتار مدل‌ها و ایجنت‌های هوشمند در اختیار ما قرار می‌دهد؛ تکه‌های پازلی که با کنار هم چیدن آن‌ها شاید بتوانیم همگام با این تحول شتابان پیش برویم.