مایکروسافت و دانشگاه پنسیلوانیا ارجاعات هوش مصنوعی را به مسیرهای شفاف راستی‌آزمایی تبدیل می‌کنند
پژوهشگران مایکروسافت و دانشگاه پنسیلوانیا رابط کاربری جدیدی به نام شیب ارجاع توسعه داده‌اند که شماره‌های ساده استناد در موتورهای هوش مصنوعی را به مسیرهای چندلایه از شواهد تبدیل می‌کند. این نوآوری به کاربران امکان می‌دهد بدون نیاز به جستجوی زمان‌بر، میزان درستی ادعاها و اصالت منابع را به‌راحتی ارزیابی کنند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- موتورهای جستجوی هوش مصنوعی معمولاً با ارائه شماره‌های ساده ارجاع، منبع اصلی و ارتباط دقیق ادعا با متن مرجع را از دید کاربر پنهان می‌کنند.
- محققان مایکروسافت و دانشگاه پنسیلوانیا با توسعه سامانه شیب ارجاع، امکان باز کردن هر پانویس به پنلی چندلایه از شواهد مستقیم و ثانویه را فراهم کرده‌اند.
- این رابط کاربری پیشرفته با استفاده از خط لوله استخراج مبتنی بر GPT-5.1، نیاز به جستجو و بررسی دستی اسناد علمی را به‌حداقل می‌رساند.
موتورهای پاسخ‌دهی هوش مصنوعی مانند Perplexity، Copilot و You.com پاسخ‌های تولیدشده را بالاتر از نتایج سنتی جستجو نمایش می‌دهند و معمولاً به هر ادعای خود یک شماره ارجاع ضمیمه می‌کنند. با این حال، این اعداد مشخص نمی‌کنند که دقیقاً کدام بخش از متن مرجع از ادعای مطرح‌شده پشتیبانی می‌کند، آیا منبع شواهد مستقیمی ارائه داده است و آیا این شواهد از مقاله دیگری نقل شده‌اند یا خیر. اکنون پژوهشگران دانشگاه پنسیلوانیا و واحد تحقیقات مایکروسافت رابط کاربری جدیدی به نام شیب ارجاع (attribution gradients) پیشنهاد کرده‌اند که هر شماره استناد را به مسیری چندلایه از شواهد درون همان پاسخ تبدیل می‌کند.
پنهان ماندن خاستگاه اطلاعات در ارجاعات عددی
طراحی این سامانه بر پایه نظریه «کاوش اطلاعات» بنا شده است؛ نظریه‌ای که توضیح می‌دهد کاربران چگونه با تکیه بر نشانه‌های بصری تصمیم می‌گیرند دنبال کردن یک پیوند ارزش دارد یا خیر. یک شماره ارجاع ساده «بوی اطلاعاتی» ضعیفی دارد، زیرا تقریباً هیچ اطلاعاتی درباره شواهد پشتیبان فاش نمی‌کند. در نتیجه، راستی‌آزمایی ادعا مستلزم باز کردن منبع، یافتن بخش مرتبط در متن و ارزیابی این نکته است که آیا آن پاراگراف واقعاً پاسخ تولیدشده توسط هوش مصنوعی را تأیید می‌کند یا خیر.
گاهی اوقات یک منبع تنها از بخشی از گزاره تولیدشده پشتیبانی می‌کند، نتیجه‌ای متناقض ارائه می‌دهد، یا برای اثبات ادعا به مقاله‌ای دیگر ارجاع می‌دهد. پژوهشگران مورد اخیر را «شواهد درجه دوم» می‌نامند که پیگیری آن مستلزم جستجوی دوباره، پیمایش اسناد و تفسیر مجدد مطالب است.
سامانه‌های مطالعاتی پیشین امکاناتی نظیر برجسته‌سازی بندها، خلاصه‌سازی متون چندگانه و پیوندهای مستقیم به بخش‌های مختلف مقالات را ارائه می‌کردند. سامانه شیب ارجاع تمام این قابلیت‌ها را در قالب یک پنل بازشونده ترکیب می‌کند و مسیر بررسی را حتی تا منابع ثانویه و ادبیات پژوهشی گسترش می‌دهد.
پنج لایه در یک محیط یکپارچه
این نمونه اولیه که به‌عنوان افزونه‌ای برای سامانه OpenSciLM (سیستمی برای پاسخگویی به پرسش‌ها از متون علمی) توسعه یافته است، از یک خط لوله استخراج مبتنی بر GPT-5.1 برای سازماندهی شواهد در پنج لایه تحلیلی استفاده می‌کند.
مطالب مرتبط و پیشنهادی
مدل هوش مصنوعی Mistral Large 4 با یک دستور متنی، شبیه‌ساز تعاملی شیمی کوانتومی ساخت
شرکت Mistral با نمایش دمویی تازه نشان داد که مدل پرچمدار Mistral Large 4 می‌تواند تنها با یک پرامپت کوتاه، شبیه‌ساز کامل شیمی کوانتومی را همراه با رابط سه‌بعدی بسازد. این مدل متکی بر معماری ترکیبی متخصصان با بیش از یک تریلیون پارامتر است و وزن‌های آن برای میزبانی محلی به‌صورت عمومی عرضه شده‌اند.
اجرای کامل یک پژوهش فیزیک کوانتوم با سیستم Auctopus و ایجنت‌های هوش مصنوعی
پژوهشگران در ژاپن با توسعه سیستم متن‌باز Auctopus، برای نخستین بار یک مطالعه کامل در حوزه فیزیک کوانتوم را با هدایت ایجنت‌های هوش مصنوعی به سرانجام رساندند. در این آزمایشگاه خودکار، ایجنت‌ها با تفکیک نقش‌ها و امکان رد ایده‌های ضعیف، مراحل نظریه‌پردازی تا آزمایش روی سخت‌افزار واقعی را مدیریت کردند.
مدل امبدینگ ویتنامی BKAI از مرز ۸۰۰ هزار دانلود گذشت؛ رقیبی چابک برای مدل‌های چندزبانه
مدل متن‌باز vietnamese-bi-encoder از آزمایشگاه BKAI با ثبت بیش از ۸۲۴ هزار دانلود در پلتفرم Hugging Face، به یکی از محبوب‌ترین ابزارهای جستجوی معنایی تبدیل شده است. این مدل سبک با تکیه بر معماری دوکدگذار و تمرکز تخصصی بر زبان ویتنامی، کارایی بسیار بالاتری نسبت به مدل‌های چندزبانه عمومی ارائه می‌دهد. توسعه‌دهندگان می‌توانند از این ابزار برای ساخت پایگاه‌های برداری و پایپلاین‌های سریع RAG با هزینه محاسباتی اندک استفاده کنند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
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.