آیا مدل‌های زبانی بزرگ هوش مصنوعی جایگزین نبوغ انسانی می‌شوند؟

شرکت گوگل دیپ‌مایند در مقاله‌ای جدید اعلام کرده است که مدل‌های زبانی بزرگ (LLM) با وجود پیشرفت‌های چشمگیر در پردازش زبان و حل مسائل، هرگز نمی‌توانند جای نبوغ انسانی را در خلق نظریه‌های علمی جدید بگیرند.

به گزارش سرویس هوش‌مصنوعی تک‌ناک، پژوهشگران این شرکت اعتقاد دارند که این مدل‌ها فاقد «جهش خلاقانه» هستند و به دلیل نداشتن تجربه فیزیکی از جهان، نمی‌توانند فرضیه‌های علمی نوآورانه را مانند انسان شکل دهند. این مقاله تأکید کرده است که افزایش توان پردازشی یا توسعه مراکز داده نیز به‌ تنهایی این محدودیت بنیادین را برطرف نخواهد کرد.

بیشتر بخوانید: بهترین مدل‌های زبانی بزرگ و هوش مصنوعی ۲۰۲۵ + راهنمای انتخاب بر اساس کاربرد

سه نوع استدلال و مرز توانایی مدل‌های زبانی بزرگ

مقاله “LLMs can’t jump” که تام زهاوی، پژوهشگر گوگل دیپ‌مایند منتشر کرده است، به بررسی سه نوع اصلی استدلال، یعنی استقرا، قیاس و ابدکشن می‌پردازد. به گفته نویسندگان، مدل‌های زبانی بزرگ به لطف تحلیل آماری و شناسایی الگوها، در استدلال استقرایی عملکرد بسیار موفقی داشته‌اند. همچنین سامانه‌هایی مانند AlphaProof توانسته‌اند با تکیه بر قوانین منطقی، استدلال قیاسی را نیز با دقت بالایی انجام دهند.

با وجود این، پژوهشگران معتقد هستند بزرگ‌ترین مانع در مسیر هوش مصنوعی، استدلال ابدکشن است. استدلال ابدکشن (Abduction) یا استنتاج بهترین تبیین، نوعی استدلال است که در آن انسان با داشتن اطلاعات ناقص، محتمل‌ترین توضیح یا فرضیه را برای یک پدیده ارائه می‌دهد.

به اعتقاد گوگل دیپ‌مایند، مدل‌های زبانی بزرگ در این حوزه ناتوان هستند، چرا که تنها بر داده‌های موجود تکیه می‌کنند و نمی‌توانند ایده‌هایی کاملاً جدید را خلق کنند. در این مقاله به دیدگاه یورگن اشمیدهوبر، دانشمند علوم کامپیوتر آلمانی نیز اشاره شده است. او پیش‌تر ادعا کرده بود که کشف علمی در اصل نوعی فشرده‌سازی پیشرفته داده‌ها محسوب می‌شود. با وجود این، پژوهشگران دیپ‌مایند این دیدگاه را با اشاره به شکل‌گیری نظریه نسبیت عام آلبرت اینشتین رد می‌کنند.

بیشتر بخوانید: مدل‌های زبانی بزرگ بدون محدودیت مهاجمان مبتدی را به هکرهای پیشرفته تبدیل می‌ کنند + تصویر

تجربه فیزیکی؛ حلقه گمشده هوش مصنوعی

به گفته نویسندگان مقاله، اینشتین هنگام توسعه نظریه نسبیت عام با کمبود شدید داده‌های تجربی روبه‌رو بود و مجموعه داده‌ای در اختیار نداشت که بتواند آن را از طریق تحلیل آماری بررسی کند. او در عوض از آزمایش‌های ذهنی مبتنی بر تجربه فیزیکی استفاده کرد؛ برای نمونه، تصور سقوط یک فرد درون آسانسوری بسته، به او کمک کرد تا مفاهیم جدیدی درباره گرانش و فضا-زمان شکل دهد.

پژوهشگران تأکید کردند که یک مدل زبانی بزرگ می‌تواند پس از ارائه این مفاهیم، محاسبات ریاضی پیچیده و استدلال‌های منطقی مرتبط با آنها را انجام دهد، اما قادر نیست بدون داشتن تجربه فیزیکی و تنها بر اساس متون موجود، چنین فرضیات بنیادی را ابداع کند.

همچنین این مقاله توضیح داده است که چارچوب‌های کنونی کشف علمی مبتنی بر هوش مصنوعی، از جمله ابزارهای خودکار برنامه‌نویسی، همچنان در محدوده قوانین و چارچوب‌های از پیش تعیین‌شده فعالیت می‌کنند و توانایی ایجاد ساختارهای علمی کاملاً جدید را ندارند. از دید پژوهشگران، نداشتن ارتباط مستقیم با دنیای واقعی باعث می‌شود مدل‌های زبانی درک شهودی از روابط علت و معلولی نداشته باشند.

شرکت گوگل دیپ‌مایند در پایان نتیجه گرفته است که نسل آینده هوش مصنوعی باید از پردازش صرف متن و تصویر فراتر برود و به مدل‌های چندوجهی مجهز شود که بتوانند محیط‌های فیزیکی را شبیه‌سازی و تجربه کنند. به باور این شرکت، تنها با ایجاد چنین سامانه‌هایی می‌توان فاصله میان محاسبات منطقی و نوآوری واقعی علمی را کاهش داد. هرچند، این مقاله تأکید کرده است که حتی پیشرفته‌ترین مدل‌های زبانی کنونی نیز هنوز با نبوغ انسانی در خلق نظریه‌های علمی فاصله قابل توجهی دارند.

بیشتر بخوانید: ظرفیت واقعی حافظه مدل‌های زبانی بزرگ هوش مصنوعی آشکار شد