چت جی پی تی

پیش‌نوشت: این مطلب زیرمجموعهٔ گفتگو با دوستان محسوب می‌شود. حرف‌هایی که در پاسخ به صحبت‌ها، نظرات، سوال‌ها و تحلیل‌های دوستانم می‌نویسم. فعلاً‌ بحثش را باز کرده‌ام تا بعد از نسیم طالب به سراغ آن برویم.

ابتدا حرف‌های نوید شهبازی و هدی را که زیر «نسیم طالب؛ شام خوب، صبحانهٔ بد» نوشته بودند می‌آورم.

حرف‌های هدی

من تصمیم دارم که مترجمی زبان انگلیسی بخونم. سرچ کردم و از چت جی پی تی سوال کردم که آیا در آینده با وجود پیشرفت هوش مصنوعی آیا همچنان نیاز به مترجمان انسانی هست یا نه. جواب مثبت بود و گفته شد که این رشته و حرفه منسوخ نمی شه.

می خواستم نظرت تو رو بدونم. آینده مترجمی زبان انگلیسی چیه از نظرت؟ یه استادی داشتیم که میگفت یاد گرفتن زبان چینی در عصر حاضر کار هوشمندانه‌ایه. به نظرت اینطوره؟ آیا انگلیسی بهتر و پرکاربردتره یا چینی؟

شاید بشه گفت چند سالیه که دارم روی انتخاب رشته فکر میکنم. این روزا دیگه تقریبا روی مترجمی زبان انگلیسی settle کردم.

حرف‌های نوید

حالا که بحث زبان شد، منم این رو مطرح کنم. با پدیدار شدن LLMها و در آینده هوش مصنوعی (و شاید چیپ مغزی)، حوزه آموزش زبان در ایران و جهان چه آینده‌ای داره؟ آیا ممکنه توی همین ۱۵-۱۰ سال آینده یادگیرنده‌های زبان بتونن کلا از معلم بی‌نیاز بشن؟ یا مثل الان یک ابزار کمکی برای همه باقی می‌مونه؟

خود همکاران باتجربه‌تر و باسوادترمون میگن که اون رابطه حسی و انسانی که معلم (البته نه هر معلمی) با شاگرد برقرار می‌کنه، هوش مصنوعی هیچ‌وقت نخواهد تونست برقرار کنه.

از طرفی خودت هم در گفتگوی آنلاین گفتی که توی هر حوزه‌ای متخصصان برتر باز جاشون محفوظ هست چون خود هوش مصنوعی هم نیاز به منبع و پشتیبان داره.

دارم کم‌کم دربارهٔ این بحث می‌نویسم. فعلاً‌ اولین بخش رو نوشته‌ام:

• تحلیل آیندهٔ مشاغل |‌ دنبال ترندها هستیم یا گوشه‌های بازار؟

در این بین هم، اگر شما هم نظری درباره‌اش داشتید خوشحال می‌شم این‌جا مطرح کنید که نگاه‌های همدیگه رو بهتر بدونیم.

پیش‌نوشت صفر – تاریخچه متن

بخش اول در تاریخ ۴ مرداد ۱۴۰۳ نوشته شده / سپس در تاریخ ۱۵ مرداد ۱۴۰۳ بخش‌هایی به آن افزوده شده است.

پیش‌نوشت یک: تا به حال دومرتبه دو مطلب درباره چت جی پی تی (و در واقع دربارهٔ مدل های بزرگ زبانی) نوشته‌ام که البته هر دو نیمه‌کاره مانده‌اند:

• چند نکته اولیه درباره چت جی پی تی
• چت جی پی تی و ویتگنشتاین

علی‌القاعده این مطالب باید با هم ترکیب می‌شدند (بشوند) و آن‌چه الان می‌نویسم هم باید بخشی از همان نوشته باشد (بشود). اما با هدف فاصله گرفتن از کمال‌گرایی، فعلاً‌ این نکته را هم در همین‌جا می‌نویسم.

متخصصان هوش مصنوعی بسیار بهتر از من می‌دانند که این بحث، سر دارد و ته ندارد و به علتی که در ادامه خواهم گفت، جزو سوالاتی است که به گمانم – برخلاف بسیاری از سوالات و ابهام‌های دیگر دربارهٔ مدل های زبانی – تا سال‌های سال درباره‌اش بحث و ابهام وجود خواهد داشت. چون پاسخش تکنیکال نیست و بن‌مایهٔ فلسفی دارد.

فعلاً فقط یک گزارش کوتاه از یک اتفاق بامزه می‌نویسم و رد می‌شوم.

پیش‌نوشت دو: پیشنهاد می‌کنم حتماً پیش از خواندن این نوشته، مطلبی را که با عنوان سگ سینوسکی (نگو که تو هم حرفشو باور کردی!) نوشته‌ام بخوانید. هم فضای بحث را شفاف‌تر می‌کند و هم یادآوری مناسبی است که از چنین بحثی چه انتظاراتی باید داشت و در پی چه چیزی باید بود.

پیش‌نوشت سه: در این نوشته با دو کلمه زیاد کار داریم. هالوسینیشن (توهم) و هالوسایتیشن (توهم در نقل). دیکته‌شان را یک بار درشت می‌نویسم تا – اگر با این بحث آشنا نیستید – بهنر در ذهن‌تان بماند.

کتاب فرزندپروری مدرن نوشته محمدرضا شعبانعلی!

ماجرا از جایی شروع شد که یک نفر به پشتیبانی متمم پیام داد که «من به سرعت به کتاب فرزندپروری مدرن محمدرضا شعبانعلی نیاز دارم. لطفاً بگویید چگونه هزینه‌اش را پرداخت کنم. می‌خواهم آن را به آدرس زیر بفرستید. هزینهٔ ارسال را هم اعلام کنید.»

فرزندپروری مدرن؟ شعبانعلی؟ برایمان عجیب بود. به ایمیل پاسخ دادیم و پرسیدیم که چه کسی این کتاب را به ایشان پیشنهاد داده.

 متوجه شدیم که در سایت یک آقای دکتر روانشناس مطلبی درباره والدگری مدرن بوده و در انتهای مطلب چند منبع معرفی شده که یکی از آن‌ها کتاب فرزندپروری مدرن نوشته محمدرضا شعبانعلی است (+). چون ممکن است بعداً آن صفحه تغییر کند، فایل PDF را هم برای دانلود در همین‌جا قرار می‌دهم.

خب. احتمالاً تا همین‌جا حدس می‌زنید چه اتفاقی افتاده. یک آقای دکتر تصمیم گرفته سایت داشته باشد و چون وقت یا حوصله نداشته خودش برای سایتش مطلبی بنویسد، از «تولیدکننده محتوا» خواسته برایش محتوا تولید کند. تولیدکنندهٔ‌ محتوا هم سراغ یکی از همین LLM‌ها و احتمالاً چت جی پی تی رفته و کار را به او واگذار کرده است. ترکیب معجزه‌آسای «حماقت طبیعی» و «هوش مصنوعی» همین چیزی می‌شود که شده.

به چت‌جی‌پی‌تی ۴.۰ سر زدم و از او پرسیدم که:

«آیا کتاب فرزندپروری مدرن نوشته محمدرضا شعبانعلی را برای پرورش کودکان زیر هفت سال توصیه می‌کنی؟ یا این کتاب برای نوجوانان مناسب‌تر است؟»

چت جی پی تی معتقد بود که کتاب من بیشتر مناسب نوجوانان است و برای کودکان زیر هفت سال چندان مناسب نیست. چند منبع را هم اضافه کرده بود:

«کتاب “فرزندپروری مدرن” نوشته محمدرضا شعبانعلی به طور کلی به اصول و روش‌های کلی پرورش کودکان و نوجوانان می‌پردازد. با این حال، به نظر می‌رسد این کتاب بیشتر مناسب والدینی باشد که به دنبال راهنمایی‌ها و استراتژی‌هایی برای پرورش نوجوانان هستند. بنابراین، اگر به دنبال منابعی برای پرورش کودکان زیر هفت سال هستید، ممکن است کتاب‌های دیگری که به طور خاص به نیازهای این گروه سنی پرداخته‌اند، مفیدتر باشند.

برای مثال، کتاب “کودک کامل – مغز” نوشته دانیل جی سیگل و تینا پین برایسون به استراتژی‌های عملی برای والدین جهت کمک به رشد عاطفی، اجتماعی و شناختی کودکان می‌پردازد و برای کودکان زیر هفت سال مناسب است. همچنین، کتاب “چگونه با کودکان صحبت کنیم تا گوش دهند و چگونه گوش دهیم تا کودکان صحبت کنند” نوشته ادل فابر و الین مازلیش می‌تواند به والدین کمک کند تا ارتباط موثرتری با فرزندانشان برقرار کنند و این کتاب نیز برای کودکان زیر هفت سال توصیه می‌شود【8†source】【​ (Solaleh)​​ (Digikala)​​ (خرید و دانلود کتاب متنی، صوتی با فیدیبو)​.»

 

کسانی که مدل های زبانی بزرگ (LLM یا Large Language Models) و اساساً هوش مصنوعی مولد (Generative AI) را می‌شناسند، اصلاً‌ از جواب چت جی پی تی تعجب نمی‌کنند. این پدیده‌ای است که با عنوان توهم هوش مصنوعی شناخته می‌شود. و جالب این‌جاست که برخلاف تصور عامهٔ مردم، نباید آن را نقطه ضعف هوش مصنوعی مولد در نظر گرفت.

توهم هوش مصنوعی از کجا می‌آید؟

اول از همه بگویم که بهتر است از اصطلاح «توهم هوش مصنوعی مبتنی بر مدل های زبانی» یا «توهم هوش مصنوعی مولد» استفاده کنیم. چون همهٔ انواع هوش مصنوعی لزوماً چنین مشکلی ندارند. اما من فقط برای کوتاه‌تر شدن جمله‌ها، در این‌جا از همان اصطلاح غیردقیق توهم هوش مصنوعی استفاده می‌کنم.

مسئله این است که مدل های زبانی به شکلی که امروز در قالب چت جی پی تی و سیستم‌های مشابه رواج یافته، یک ماشین منطقی نیستند؛ بلکه یک سیستم پیش‌بینی‌کنندهٔ سریالی هستند.

ماشین منطقی چنین چیزی است:

• شما به ماشین منطقی تعدادی گزاره می‌دهید.
• در کنار گزاره‌ها تعدادی قوانین استنتاجی می‌دهید.
• سپس گزاره‌های جدیدی در اختیار ماشین منطقی قرار می‌دهید و از آن می‌خواهید درست و غلط آن‌ها را ارزیابی کند.

کسانی که با زبان‌های برنامه‌نویسی منطقی کار کرده‌اند، تصور شفاف‌تری از این نوع سیستم‌ها دارند. در گذشته‌های دور زبان برنامه‌ نویسی Prolog چنین ساختاری داشت. بعداً زبان‌های دیگری مانند Logtalk و Mercury هم بر پایهٔ همان ساختار ایجاد شدند.

این چند خط برنامهٔ ساده را – که به شکل نمادین می‌تواند در یک زبان مبتنی بر منطق نوشته شده باشد –  بخوانید:

parent(“ali”, “maryam”)
parent(“ali”, “saman”)
parent(“raha”, “maryam”)
parent(“raha”, “saman”)

sibling(X, Y) :- parent(P, X), parent(P, Y), X \= Y

if sibling(“maryam”, “saman”) then do something

ما ابتدا رابطه‌ای به اسم والد (parent) بودن تعریف کرده‌ایم. گفته‌ایم علی والد مریم است. علی والد سامان است. رها والد مریم است. رها والد سامان است. بعد هم رابطه‌ای به اسم خواهر و برادری (sibling) تعریف کرده‌ایم و گفته‌ایم اگر دو موجود X و Y باشند که P والد هر دو آن‌ها باشد، آن دو موجود خواهر و برادرند.

بعد هم مثلاً‌ می‌گوییم که اگر مریم و سامان خواهر و برادر هستند فلان کار را بکن.

کم نیستند کسانی که فرض می‌کنند مدل‌های زبانی، چیزی از همین جنس هستند. با این تفاوت که مثلاً به جای چهار چیز (علی و مریم و رها و سامان) چهار میلیارد «چیز» در آن‌ها ثبت شده و به جای دو نوع رابطه (parent و sibling) دو میلیون یا فرضاً بیست میلیون رابطه در آن تعریف شده و به جای چهار گزاره (که چه کسی والد چه کسی است) ده‌ها میلیارد گزاره در آن ثبت شده و احتمالاً به جای منطق دوگانهٔ درست-غلط یک منطق فازی یا شبه‌فازی هم دارد (که می‌تواند درستی گزاره‌ها را چیزی در فاصلهٔ‌ درست و غلط هم برآورد کند).

این تصور چندان هم دور از واقعیت نیست. تا همین چند سال پیش، بسیاری از کسانی که در زمینه پردازش زبان طبیعی (Natural Language Processing) کار می‌کردند، به سراغ رویکردهایی از این دست می‌رفتند. آن زمان به جای اصطلاح Generative AI که این روزها مد است، بیشتر از اصطلاح Generative Grammar استفاده می‌شد. اکثر ترجمه‌های ماشینی هم در سال‌های گذشته به همین شیوه انجام شده‌اند.

اما این رویکرد چیزی نبود که ما را به نقطه‌ای که امروز هستیم برساند. اگر قرار بود پردازش زبان طبیعی و هوش مصنوعی فقط بر همین تکنولوژی generative grammar سوار شوند، محال بود ما دستاوردهایی به بزرگی دستاوردهای امروز را در هوش مصنوعی مولد ببینیم.

حتی نرم‌افزارها و الگوریتم‌هایی که این نوع سیستم‌ها را با تحلیل‌های آماری ترکیب کردند، با وجودی که در زمان خودشان عملکرد چشمگیری داشتند، هر یک در مرحله‌ای متوقف شدند.

بزرگ‌ترین اتفاقی که در ترکیب شدن یادگیری ماشین و شبکه‌های عصبی چندلایه با پیکرهٔ زبانی روی داد، رهایی از زنجیر صلب این قواعد بود.

چت جی پی تی و سایر سیستم‌های مبتنی بر ترنسفورمر که اخیراً رواج یافته‌اند، به جای این که به سراغ «پردازش گزاره‌های منطقی» بروند، بنای خود را بر «پردازش زنجیره‌ای از نمادها» گذاشته‌اند. کاری که می‌توان آن را sequence processing و sequence transformation نامید (حرف T در جی پی تی هم از همین خانواده آمده).

در این نوع مدل زبانی، حاصل همهٔ «پردازش‌های چندلایه‌ای و درهم‌تنیده و توزیع‌شدهٔ الهام گرفته از شبکهٔ نورون‌های مغز» این است که «کدام زنجیره از نمادها محتمل‌تر است؟»

Generation یا Creation؟

شاید تا به حال دقت کرده باشید که – حداقل تا این لحظه – در فضای هوش مصنوعی اصطلاح generation (تولید) را بیشتر از creation (خلق) می‌خوانیم و می‌شنویم.

ما از Generative AI حرف می‌زنیم و حرف جی در چت جی پی تی هم از کلمهٔ generative گرفته شده است. این واژه‌گزینی کاملاً‌ آگاهانه بوده است.

کلمهٔ generate یا تولید به «خروجی حاصل از یک فعالیت یا فرایند کاملاً مکانیکی با خروجی تعریف‌شده» اشاره می‌کند. مثلاً‌ در برنامه‌نویسی از اصطلاح random number generator استفاده می‌شود. در مدارهای الکترونیک هم اصطلاح noise generator رواج دارد.

با وجودی که برنا‌مه‌نویس نمی‌داند در هر لحظه چه عددی از تابع مولد اعداد تصادفی دریافت خواهد کرد، می‌داند که این عدد چه ویژگی‌ها و محدودیت‌هایی دارد. مثلاً‌ می‌داند که نهایتاً عددی بین صفر و یک دریافت می‌کند. و نیز می‌داند که خروجی تابع مولد، توزیع کاملاً یکنواخت (flat) خواهد داشت.

بنابراین اصطلاح generate تعبیر بسیار ظریفی است. هم چیزی تولید شده و هم آن‌چه تولید شده، خارج از چارچوبی کاملاً‌ مشخص و برنامه‌ریزی‌شده نیست. generator‌ها سازندگان خود را شگفت‌زده نمی‌کنند.

در مقابل، اصطلاح create به معنای خلقِ چیزی از هیچ است. چیزی که قبلاً وجود نداشته و چارچوب‌پذیر هم نیست. مثلاً برای ما عجیب نیست که یک هنرمند، اثری خلق‌ کند که ما هرگز با آن مواجه نشده‌ایم. یا هر لحظه در گوشه‌ای از این سیاره ممکن است انسانی فحشی به دیگری بدهد که هرگز پیش از این هیچ‌کس در هیچ‌جا چنین فحشی به کسی نداده باشد. این یعنی خلق یا creation.

تولید یا خلق؟ هوش مصنوعی کجای این طیف قرار می‌گیرد؟

هوش مصنوعی در حوزهٔ زبانی در شکل خسته‌کنندهٔ خود بیشتر به تولید نزدیک خواهد بود. یعنی توجه به این که فقط چیزی را بگوید که با «فکت‌های در دسترس» و «گزاره‌های تأیید‌شده» هم‌خوان هستند.

مدلهای زبانی هوشمند اگر قرار باشد به «تولید / generation» محدود بمانند، از ظرفیت بالقوه انجام فعالیت‌هایی از جنس موارد زیر بهره‌مند هستند:

• ترجمه ماشینی (ترجمه از یک زبان به زبان دیگر)
• جستجوی یک متن و پاسخ به سوالات کاربر بر اساس متن
• خلاصه سازی متن
• جستجوی وب و ارائه گزارشی از محتوای وب در پاسخ به یک سوال مشخص

به این فهرست می‌توانید موارد دیگری هم اضافه کنید. اما ویژگی همهٔ آن‌ها این است که هوش مصنوعی «نباید» چیزی از خودش خلق کند. بلکه قرار است بر پایهٔ داده‌های در دسترس، پاسخ سوال کاربر (یا دقیق‌تر بگوییم: ادامه پرامپت کاربر) را تولید و ارائه کند.

حالا سوال این‌جاست که آيا هوش مصنوعی با تکیه بر مدل های زبانی نمی‌تواند چیزی خلق کند؟ یعنی چیزی بگوید که پیش از این هیچکس نگفته و درباره موضوعی اظهارنظر کند که تا کنون هیچکس اظهارنظر نکرده است؟

این کار، حتی اگر از لحاظ تکنولوژیک در این لحظه با کیفیت عالی امکان‌پذیر نباشد، دیر یا زود امکان‌پذیر خواهد شد. بسیاری از اهل فکر و صاحب‌نظران معتقدند که خلق به معنایی که ما فکر می‌کنیم (به وجود آوردن چیزی از هیچ) تقریباً وجود ندارد. فقط فرایند ترکیب در ذهن انسان انقدر پیچیده است که به سادگی نمی‌توان ریشه خلاقیت‌ها را یافت.

کسی مثل پیکاسو که ما او را به خلاقیت می‌شناسیم، می‌گوید که «هنرمندان کوچک کپی می‌کنند و هنرمندان بزرگ، می‌دزدند.» بی‌تردید منظور او سرقت به معنای رایج نیست. بلکه حرفش این است که بسیاری از ایده‌هایی که ما در کار هنرمندان می‌بینیم، از جای دیگری آمده‌اند و پس از ترکیب با ذهن هنرمند در رنگ و قالب تازه‌ای عرضه شده‌اند. او خلق را انکار نمی‌کند. اما یادآوری می‌کند که خلق در ذهن هنرمند ممکن است با تکیه بر ورودی‌های قبلی باشد. گوته هم (بعداً باید یادداشتم را پیدا کنم) جایی دربارهٔ اقتباس همین را می‌گوید و تأکید می‌کند که اصلاً مگر می‌شود اقتباس را از اهل هنر گرفت؟ (اگر درست یادم باشد جایی در دفتر یادداشت‌های امرسون این حرفش را خواندم). او توضیح می‌دهد که (نقل به مضمون) همان‌طور که قهرمان‌هایی فیزیکی غذا می‌خورند و قهرمان می‌شوند، قهرمان‌های فرهنگی هم خوراک بسیار داشته‌اند که توانسته‌اند آن را هضم و جذب کنند و تحویل دهند.

این بحث پیچیدگی‌ها و جزئيات بسیاری دارد. اما فعلاً حرفم این است که حرکت کردن هوش مصنوعی از generation به creation چندان دشوار و غیرقابل‌تصور نیست.

چنان که همین الان Copilot Designer دکمهٔ Create دارد و از اصطلاح generate استفاده نمی‌کند. چرا؟ چون در خلق کار گرافیکی، قید و بندهای زبانی را نداریم. اغلب کارهای گرافیکی تولیدشدهٔ هوش مصنوعی را نمی‌توان «غلط» دانست. بلکه می‌شود از زشتی و زیبایی آنها حرف زد.

اما در LLM‌ها مخاطب انتظار دارد پاسخی که می‌بیند در چارچوب‌های مشخص از پیش‌تعیین‌شده‌ای بگنجد. بسیاری از پاسخ‌های متنی هوش مصنوعی نهایتاً از نظر خواننده «درست» یا «غلط» ارزیابی خواهند شد. بنابراین طراحان سیستمهای هوش مصنوعی مبتنی بر مدلهای زبانی بزرگ باید تصمیم بگیرند که تا چه حد افسار اسبی را که ساخته‌اند در دست بگیرند و چقدر آن را در پیمودن سرزمین‌های ناپیموده محدود کنند.

ادامه دارد… (به زودی می‌نویسم)

کسانی که به هوش مصنوعی و علوم مرتبط با آن علاقه دارند، معمولاً سینوسکی را می‌شناسند. ترنس سینوسکی (Terrence Sejnowski) محققی عمیق، صاحب‌نظری پیشرو و نویسنده‌ای خوش‌قلم است که الان هشتمین دههٔ‌ زندگی خودش را می‌گذراند و اغلب کسانی که به شبیه‌سازی مغز علاقه‌مند هستند و عصب‌شناسی محاسباتی (Computational Neuroscience) را دنبال می‌کنند، آثار او را در این حوزه خوانده‌اند.

خوشبختانه سینوسکی کتابی خواندنی هم دربارهٔ چت جی پی تی نوشته که انتشارات دانشگاه MIT پاییز امسال منتشر خواهد کرد.

سینوسکی چند بار در کلاس‌ها و سخنرانی‌هایش – که فیلم آن‌ها در یوتیوب موجود است – داستان یک سگ را تعریف کرده و با استفاده از این داستان، نکتهٔ بسیار مهمی را برای مخاطبانش شرح داده است.

متأسفانه وقت و حوصله نداشتم که دقیقاً پیدا کنم در کجا و کی این داستان را گفته، اما حداقل سه بار در موقعیت‌های متفاوت این داستان را در فیلم‌ سخنرانی‌های او شنیده‌ام.

جزئیات داستان، مثل هر جوک و لطیفهٔ دیگر، هر بار که تعریف می‌شود فرق می‌کند. اما کلیت آن چیزی شبیه همین چیزی است که برایتان می‌گویم.

داستان سگ سینوسکی

می‌گویند روزی یک آمریکایی سگ خود را برای فروش گذاشته بود و اعلام کرده بود که این سگ را به قیمت ۱۰ دلار می‌فروشم.

مردی سگ را دید و همین‌طور که سگ سرحال را برانداز می‌کرد – به سبکی که همهٔ‌ ما گاهی با حیوان‌ها حرف می‌زنیم – گفت: «آخه چرا می‌خواد تو رو بفروشه؟ سگ به این نازی و خوشگلی.»

سگ بلافاصله جواب داد: «واقعاً نمی‌دونم.»

مرد گفت: «نهههههه! تو حرف می‌زنی؟ انگلیسی روان؟ مثل ما؟»

سگ جواب داد: «بله. نه‌تنها انگلیسی حرف می‌زنم. فرانسه هم بلدم. آلمانی هم تا حد خوبی مسلط هستم.»

مرد دهانش باز مانده بود. سگ ادامه داد: «به نظرم چینی را هم با کیفیت خوبی می‌فهمم.»

مرد پرسید: «چرا این‌قدر زبان‌های مختلف بلدی؟»

سگ جواب داد: «آخه من جاسوس بودم. FBI من رو تربیت کرده بود که در جلسات مختلف حاضر بشم. چون کسی بهم مشکوک نمی‌شد. حرف‌ها رو گوش بدم. بعد که برگشتیم. بیام براشون تعریف کنم. من همراه دیپلمات‌ها اینور اونور می‌رفتم.»

مرد دیگر رسماً‌ دیوانه شده بود. سگ را ول کرد و سراغ صاحب سگ رفت. گفت: «ببین. این سگ رو فقط داری ده دلار می‌فروشی؟»

مرد گفت: «هان؟ چیه؟ نگو که تو هم احمق شدی همهٔ دروغ‌هاش رو باور کردی.»

نتیجه‌گیری اخلاقی

این جوک ساده نکتهٔ بسیار مهمی در خود دارد. نکته‌ای که بسیاری از ما با وجود واضح بودنش، مصداق‌هایش را تشخیص نمی‌دهیم یا فراموش می‌کنیم.

صاحب سگ آن‌قدر از دروغ‌ها و هذیان‌های سگ شاکی شده که تصمیم گرفته او را بفروشد. و تازه از ساده‌دل بودن خریدار هم ناراحت و عصبانی است که چرا چنین حرف‌هایی را که به وضوح دروغند باور کرده است.

این در حالی است که همه می‌دانیم همین که سگ حرف می‌زند، اتفاق بسیار بزرگی افتاده و اصلاً‌ مهم نیست چه می‌گوید.

رابطهٔ سگ سینوسکی و مدلهای زبانی

افراد غیرمتخصص در مواجهه با هوش مصنوعی مولد، به ویژه در حوزهٔ مدلهای بزرگ زبانی، اغلب گرفتار واقعیت‌سنجی یا fact-checking می‌شوند. یعنی مدام سوال می‌پرسند و درست بودن جواب را بررسی می‌‌کنند. در حالی که مهم‌ترین نقطه قوت مدلهای زبانی این است که می‌توانند به زبانی شبیه زبان انسان سخن بگویند.

شرکت‌هایی مثل Open AI مدلهای زبانی خود مانند چت جی پی تی را به شکل عمومی عرضه کرده‌اند تا این مدل‌ها در گفتگو با انسان‌ها آموزش بهتری ببینند و قدرت الگوریتم‌هایشان تست شود. اما این کار باعث شده که این تصور در ذهن بخشی از مردم به وجود بیاید که «درستی و نادرستی گزاره‌ها و پاسخ‌ها» نشاندهندهٔ‌ موفقیت و شکست این مدلهاست.

قطعاً کاهش خطاهای مدلهای بزرگ زبانی جذاب است و این روند به سرعت طی خواهد شد. همین الان هم حداقل پاسخ‌های چت جی پی تی قابل‌قبول است. اما معجزهٔ بزرگ مدلهای زبانی، حرف زدن مثل انسان (human-like) است و کسانی که با مسیرهای قدیمی توسعه مدل‌های زبانی (بر اساس گرامر و ساختار) آشنا هستند،‌ می‌دانند که صِرف این که یک الگوریتم توزیع‌شدهٔ جنریک توانسته با دریافت داده‌های متنی آموزش ببیند و جمله‌هایی با ساختار درست بسازد، اتفاقی بزرگ است و گامی شگفت‌انگیز در مسیر شناخت مغز و توسعه هوش مصنوعی محسوب می‌شود.

چون مطلب دیگری دربارهٔ توهم هوش مصنوعی نوشته بودم، حس کردم لازم است داستان سگ سینوسکی را هم کنار آن قرار دهم تا آن حرف‌ها اشتباه برداشت نشود.

داستان اسب و سیرک

همین داستان را به شکل‌های دیگری هم نقل می‌کنند. یک شکل بسیار رایج آن داستان اسب و سیرک است. خلاصهٔ‌ ماجرا (نسخهٔ شعبانعلی) این است که اسب برای استخدام به سیرک مراجعه می‌کند.

صاحب سیرک از او می‌پرسد: بلدی روی دو پای عقب راه بروی؟

اسب می‌گوید: «متأسفانه نه. برایم سخت است.»

صاحب سیرک می‌پرسد: «خب از داخل حلقهٔ آتش می‌پری؟»

اسب می‌گوید: «نه. متآسفانه از آتش می‌ترسم. حتی به آتش نزدیک هم نمی‌شوم.»

صاحب سیرک می‌گوید: «خب پس فقط می‌توانی حرکات آکروباتیک ساده انجام دهی.»

اسب پاسخ می‌دهد: «نه. کمرم کمی درد می‌کنم. این مدت سنگین کار کرده‌ام. نمی‌توانم.»

صاحب سیرک عصبابی می‌شود و می‌گوید: «پس غلط کردی وقتی هیچ کاری بلد نیستی برای استخدام به سیرک آمدی.»

آن‌چه صاحب سیرک نادان در این میانه فراموش می‌کند و نادیده می‌گیرد این است که اسب، به راحتی به زبان انسان با او حرف می‌زند؛ بزرگ‌ترین و غیرمنتظره‌ترین هنری که از یک اسب سیرک می‌شود انتظار داشت.

علت انتخاب سینوسکی

با وجودی که این داستان به شکل‌های مختلف‌ (از جمله همین سبک اسبی) وجود دارد، و حتی داستان سگ را هم نخستین بار سینوسکی نگفته و کمدین‌های مختلف گفته‌اند، تصمیم گرفتم داستان سینوسکی را نقل کنم.

هم به این علت که قاعده‌ام این است که از هر بهانه‌ای برای نام بردن از آدم‌ها و کتابها استفاده کنم و سگ سینوسکی فرصت خوبی برای نام بردن از او بود و هم این که طبیعتاً در میان کسانی که این داستان را گفته‌اند، هیچ‌کس به اندازهٔ سینوسکی به موضوع بحث ما (هوش مصنوعی و مدلهای زبانی) نزدیک نیست.

ضمناً‌ باربارا اوکلی و ترنس سینوسکی کتابی با عنوان Learning How to Learn هم دارند که برای نوجوانان نوشته‌اند و طبیعتاً از نظر سطح مطالب ربطی به کتابهای نوروساینس سینوسکی ندارد. این کتاب را هم #نشر میلکان و هم #نشر نوین ترجمه کرده‌اند.

نوین با ترجمه حمید زعیمی و با عنوان یادگیری یادگیری و میلکان با ترجمه محمدرضا شفایی و وحید کریمیان و با عنوان یادگیری را یاد بگیرید. البته کتاب را کامل نخوانده‌ام و ترجمه‌ها را هم ندیده‌ام. فقط نسخه اصلی کتاب را در بخش کودکان یک کتابفروشی ورق زدم.

آپدیت | کتاب سینوسکی

این متن را زمانی نوشتم که  کتاب سینوسکی درباره چت جی پی تی و هوش مصنوعی منتشر نشده بود. این کتاب در اواخر اکتبر ۲۰۲۴ منتشر شد (ChatGPT and the Future of AI) و بعداً در بخش کتاب های مدیریت متمم معرفی‌اش خواهم کرد. کتاب نسبتاً ساده‌ای است (خصوصاً در مقایسه با متوسط سطح کتاب‌های MIT Press. اما برای کسانی که می‌خواهند اولین قدم را به سمت دنیای مدل‌‌های بزرگ زبانی بردارند و هیچ‌ نوع پیش‌زمینهٔ قبلی ندارند، مفید و آموزنده است و بسیار ساده و روان نوشته شده.

 

پیش‌نوشت: آن‌چه در این‌جا می‌نویسم، مرتبط با مطلبی است که اوایل سال درباره چت جی پی تی نوشتم و چند مرتبه هم آن را کامل‌تر کردم. این مطلب هم احتمالاً در آینده از به همان نوشته افزوده خواهد شد. اما فعلاً به دو علت آن را جدا منتشر می‌کنم.

نخست این‌که خواندنش راحت‌تر باشد (اسکرول کردن نوشتهٔ‌ طولانی قبلی، خسته‌کننده است). دوم هم این‌که برای جواب دادن کامنت‌های بچه‌ها زیر نوشته‌های دیگر، از جمله زیر نوشته متن مرگ ریچارد داوکینز، به تعبیرها و اصطلاحاتی نیاز داشتم که ناگزیر باید ابتدا در قالب یک نوشته شرح‌شان می‌دادم. جدا شدن این بخش از بحث چت جی پی تی،‌ یک تیر و دو نشان خواهد بود.

پیچیده‌ترین هوش «مصنوعی» روی زمین ما هستیم نه Chat GPT

لازم است ابتدا یک نکتهٔ مهم را شرح بدهم. هر آن‌چه بعد از این در این نوشته و نوشته‌های بعدی‌ام دربارهٔ چت جی پی تی و موضوعات مشابه در حوزهٔ تکنولوژی می‌بینید، در سایهٔ این نکته معنا پیدا می‌کند.

بعد از رواج یافتن چت جی پی تی و آشنا شدن جامعه با مفهوم مدلهای زبانی و اصطلاحات مرتبط با آن، با دو نوع مواجهه روبه‌رو هستیم. عده‌ای چنان صحبت هیجان‌زده هستند که انگار اتفاقی در حد پا گذاشتن ماهی از آب به خشکی یا – به قول داگلاس آدامز – پایین آمدن میمون از درخت اتفاق افتاده است. یعنی گام بزرگی در مسیر تکامل انسان بر روی زمین.

عدهٔ دیگری هم مدام در پی این هستند که ثابت کنند هیچ اتفاقی نیفتاده و همه چیز مثل قبل است و این‌ها که هیچ، اگر هوش مصنوعی به بالاترین سطح خلاقیت هم برسد، نهایتاً یک ماشین است مثل بقیهٔ ماشین‌ها. چون روح یا آگاهی (یا هر اصطلاح دیگری در این خانواده) ندارد.

من از آن دسته‌ای هستم که چت جی پی تی هیجان‌زده‌ام نکرده است. نه به این علت که آن را بی‌اهمیت یا فاقد کارایی می‌دانم. اتفاقاً تقریباً هر روز به علتی و بهانه‌ای به چت جی پی تی سر می‌زنم.

هیجان‌زده نشده‌ام به دو علت.

نخست این‌که معتقدم از لحاظ فنی اتفاق بزرگی نیفتاده. فقط پای مجموعه‌ای از مباحث که قبلاً در حلقه‌های کوچک‌تر دانشگاهی، فنی، فلسفی مطرح بود، به گفتمان عمومی باز شده است. مثلاً کسانی که قبلاً دوگانهٔ دنت – چالمرز را می‌شناختند و طرفدار یکی از این دو بودند (می‌دانند که من طرفدار دنت هستم)، مخاطبی در فضای عمومی نداشتند. یعنی این نوع دوگانه‌ها چندان مشتری عام نداشت (برخلاف دوگانه‌ای مثل طراحی هوشمندانه در برابر تکامل کور در طبیعت که همواره بساط جنجالش به راه بوده است).

اما الان با آشنا شدن جامعه با مدل‌های زبانی، این بحث‌ها رونق پیدا کرده است. و می‌شود در جامعه در موردش حرف زد (و خوش‌بختانه شنونده هم دارد).

دوم این‌که – و این دومی خیلی مهم است – من هوش خودمان را هم مصداق هوش مصنوعی می‌‌دانم. در این باره احتمالاً در یکی از نوشته‌های آتی توضیح خواهم داد. آن‌چه انسان به عنوان توانایی شناختی یا Cognitive دارد، دقیقاً حاصل فرایند تکامل حیات بر روی زمین است. از یک باکتری ساده گرفته تا من و شما، همگی به سیستم شناختی مجهز هستیم. سیستمی که کاملاً پایهٔ فیزیکی-مکانیکی دارد. البته قطعاً پیچیدگی این سیستم‌ها، در همهٔ موجودات به یک اندازه نیست.

سیستم ذهن ما (مغز + سایر سیستم‌های وابسته در بدن و محیط) درست مثل چت جی پی تی، مجموعه‌ای از داده‌ها را در خود انباشته و مدام آن‌ها را ترکیب می‌کند و تحلیل‌ها و حرف‌های تازه می‌سازد. بسیاری از خطاهایی که امروز در سیستم شناختی ما وجود دارد، بسیاری از توهماتی که در مغز ما دربارهٔ جهان به وجود آمده، بسیاری از حرف‌های پوچ و بی‌معنی که به اسم فلسفه یا چیزهای دیگر از مغز ما تراوش کرده و به خورد دیگران داده‌ایم، یا همین الان در چت جی پی تی و سایر مدلهای زبانی مشابه خود را یافته، یا در آینده خواهد یافت. شاید مهم‌ترین مزیت چت جی پی تی و مدل‌های زبانی این باشد که بتوان به عده‌ای که تحمل یا ظرفیت پیچیدگی‌های فلسفی را نداشته‌اند، به روش‌های ساده‌تری نشان داد که چگونه توهم‌های مغز می‌تواند کاملاً منفصل از واقعیت بوده، و در عین حال به اندازهٔ واقعیت، باورپذیر باشند.

اهمیت شناخت نقاط قوت و ضعف ابزارها

در عین حال، فکر می‌کنم به رغم این‌که چت جی پی تی و مدل‌های زبانی، منظرهٔ کلی فلسفه و تکنولوژی را متحول نکرده‌اند، اما در نقش یک ابزار،‌ صنعت و بازار را دگرگون خواهند کرد.

اما مسئله این‌جاست که همه به یک اندازه از این ابزار جدید بهره‌مند نخواهند شد.

از هزاران سال پیش تا امروز، کسانی که بیشترین بهره را از ابزارها برده‌اند، در یک ویژگی مشترک بودند: آن‌ها محدودیت ابزارها را به اندازهٔ نقاط قوت آن ابزارها می‌شناخته‌‌اند.

این که یکی از امن‌ترین خودروهای جهان را سوار شوید، به این معنا نیست که تصادف نخواهید کرد. برای این‌که تصادف نکنید، باید مرز توانایی‌های آن خودرو را هم بدانید. یعنی بدانید خط ترمز آن خودرو چقدر است، در پیچ جاده با چه سرعتی ممکن است چپ کند و چیزهایی مانند این.

فکر می‌کنم شما هم با من موافق باشید که سوار شدن بر خودروی متعارف با راننده‌ای که تمام نقاط قوت و ضعف آن خودرو را می‌شناسد، امن‌تر از سوار شدن بر خودرویی امن است که رانندهٔ آن نقاط قوت و ضعف خودرو و مرز توانمندی‌های خودرو را نمی‌شناسد.

این فقط شامل خودرو نیست. آن‌هایی که سوار اسب سیاست یا مدیریت می‌شوند، یا ساختارهای بروکراتیک را در دست می‌گیرند، آن‌هایی که شهرت کسب می‌کنند، آن‌هایی که اکانت‌های پرمخاطب در شبکه‌های اجتماعی دارند، آن‌هایی که پول دارند، و خلاصه همهٔ آن‌ها که ابزاری از ابزارهای بشری را در دست دارند، اگر ندانند که مرز توانمندی‌های ابزارشان کجاست، اگر نقاط ضعف ابزارشان را نشناسند، خود – و اغلب اطرافیان و گاه کل جامعه‌شان – را به بدبختی و فلاکت خواهند کشاند.

بیشتر بحث‌هایی که این‌جا و در آينده دربارهٔ چت جی پی تی خواهیم داشت، از این منظر است. بحث بر سر این است که نقاط قوت این ابزار جدید در چیست؟ مرز توانمندی و محدودیت‌های آن در کجاست؟ با این خودروی جدید، جاده‌ها را تا کجا و چگونه می‌توان پیمود؟ به چه شکل باید آن را راند تا در پیچ‌های خطرناک چپ نکند؟ کجا باید ترمز کرد که خط ترمزش اجازه دهد قبل از دردسرهای جدی، متوقف شود؟

اگر از ظرفیت‌های مدلهای زبانی حرف می‌زنیم، با چنین انگیزه‌ای است. و اگر از ضعف‌هایش هم می‌گوییم، به همین علت است. به زبان دیگر، در پی نفی و اثبات چیزی نیستیم. می‌خواهیم ببینیم این دست‌ساختهٔ انسان، کجاها به کار می‌آید و کجا کارمان را راه نخواهد انداخت.

ماجرای کشتی تسئوس

کشتی تسئوس (Theseus Ship) را از نوشته‌های پلوتارک می‌شناسیم؛ جستارنویس قرن اول و دوم میلادی. پلوتارک حدود دوهزار سال قبل در نوشته‌اش اشاره کرده که تسئوس کشتی بزرگی بوده که بیش از ۳۰ پارو داشته است. این کشتی برای آتنی‌ها بسیار اهمیت داشته و همیشه آن را با بهترین کیفیت تعمیر و نگهداری می‌کرده‌اند (+).

پلوتارک می‌گوید قاعدهٔ نگهداری تسئوس چنین بوده که هرگاه پارو یا الواری از کشتی فرسوده شده یا آسیب می‌دیده است، قطعه‌ای کاملاً‌ نو، در حد کیفیت روز نخست، به جای قطعهٔ کهنه نصب می‌کرده‌اند و به این شیوه، کشتی تسئوس همیشه مانند روز اول نو بوده است.

پلوتارک اشاره می‌کند که همین کار باعث شده بود یونانی‌ها مدام این بحث را راه بیندازند که این کشتی تسئوس که ما الان داریم، همان کشتی تسئوسی حساب می‌شود که در دهه‌ها و قرن‌های قبل بوده؟ یا باید بگوییم این کشتی دیگر همان کشتی نیست؟ وقتی هیچ قطعه‌ای از آن کشتی اولیه در این کشتی نیست، با چه منطقی بگوییم این همان کشتی است؟

از نوشته‌های پلوتارک چنین بر می‌آید که ماجرای تسئوس چهار پنج قرن پیش از او هم وجود داشته و پارادوکسی شناخته‌شده در میان فیلسوفان یونانی محسوب می‌شده است.

مطمئنم حتی اگر این پارادوکس را برای اولین بار شنیده باشید، بدون هر گونه اشاره به ذهن‌تان می‌رسد که بقیهٔ بحث به کجا خواهد کشید.

یکی از سوال‌های تسئوسی می‌تواند این باشد که اگر در طول زمان به تدریج سلول‌های بدن ما می‌میرند و با سلول‌های تازه جایگزین می‌شوند، آیا هنوز می‌شود گفت این آدم امروز همان آدم ده سال قبل است؟ یا وقتی مردم یک کشور به تدریج می‌میرند و با نسل‌های بعد جایگزین می‌شوند، آیا می‌شود گفت که این ملت همان ملت قبلی است؟ یا به تدریج همه‌چیز عوض شده است؟

توماس هابز در قرن هفدهم، پارادوکس تسئوس را پیچیده‌تر کرد. او یک کشتی به صورت مسئله افزود. هابز گفت:

فرض کنید یک نفر الوارها و پاروها و قطعات کهنه‌ای را که از کشتی تسئوس جدا کرده و با قطعات جدید جایگزین می‌کنند، جمع کند. این فرد کنار اسکله کارگاه کشتی‌سازی کوچکی دارد و آن قطعات را مونتاژ می‌کند و دوباره کشتی را می‌سازد. حالا دو کشتی وجود دارند که کاملاً یک‌شکل هستند. یکی با قطعات نو و جایگزین و دیگری با قطعات قدیمی. تسئوس کدام است؟

اگر کمی در کتاب‌ها بگردید، می‌بینید که افراد بسیاری دربارهٔ پارادوکس تسئوس صحبت کرده‌اند. در مورد شکل قدیمی‌تر – که ابتدای بحث گفتم – نظرات مختلف وجود دارد. اما نسخهٔ هابز آن‌قدر پیچیده شده که کسی نمی‌تواند به آن پاسخ بدهد. علتش را در ادامه می‌گویم.

برای این‌که بحث‌مان شفاف‌تر شود، من در ادامه، به کشتی فعالی که مدام نو می‌شود، «کشتی در دریا» خواهم گفت. کشتی دیگری را هم که در ساحل با قطعات کهنهٔ تسئوس ساخته می‌شود، کشتی در اسکله خواهم نامید.

فرض کنید کشتی تسئوس در دریا با ۱۰۰۰ الوار ساخته شده. الوار اول را جدا می‌کنند و جای آن الوار نو می‌گذارند.

الان یک کشتی در دریا داریم که ۹۹۹ الوار آن اصل است و یک الوار آن جایگزین. آیا هنوز این همان کشتی تسئوس است؟ قطعاً بله. با یک الوار هیچ چیز تغییر نمی‌کند.

حالا الوار دوم را برمی‌داریم و تعویض می‌کنیم. بعد الوار سوم. بعد الوار چهارم.

آیا هنوز این همان کشتی تسئوس است؟ قطعاً بله.

به تدریج ششصد هفتصد و هشتصد الوار تعویض شده‌اند. حالا کم‌کم یک کشتی در اسکله ساخته شده که الوارهایش همان الوارهای تسئوس در دریا هستند. آیا هنوز می‌شود به کشتی در دریا گفت تسئوس؟ اگر کشتی در دریا هنوز تسئوس است، پس کشتی در اسکله چیست؟

احتمالاً برای ما راحت‌ است که بپذیریم اگر همهٔ الوارهای تسئوس را جدا کرده و با آن دوباره یک کشتی مثل تسئوس در ساحل بسازند، این تسئوس اسکله همان تسئوس اصلی است. اما این اتفاق دقیقاً‌ از الوار چندم می‌افتد؟ از چه لحظه‌ای تسئوس در دریا دیگر تسئوس واقعی نیست و تسئوس اسکله را باید همان تسئوس دانست؟ (گفته بودیم با چهار یا پنج یا شش الوار، هنوز کشتی در دریا تسئوس اصلی است).

ذهن‌تان را خسته نکنید. قطعاً نمی‌شود نقطه و مرز مشخصی تعیین کرد. و مثلاً گفت از الوار ۶۲۸ به بعد، دیگر کشتی در اسکله را همان تسئوس فرض می‌کنیم.

نگاهی به کشتی تسئوس با الهام از نگرش ویتگنشتاین به زبان

خود ویتگنشتاین، تا جایی که من خوانده‌ام و به یاد دارم، اشارهٔ‌ مستقیمی به پارادوکس تسئوس نکرده است. اما کسانی که نگاه ویتگنشتاین به زبان را می‌شناسند و با مفهوم «بازی‌های زبانی» که او می‌گوید آشنایند، قاعدتاً با شنیدن پارادوکس تسئوس به یاد بازی‌های زبانی می‌افتند. به عنوان مثال، دیوید بلر در کتاب Wittgenstein, Language and Information چنین نگاهی دارد.

بدون این‌که وارد پیچیدگی‌های بحث بازی‌های زبانی شویم، سعی می‌کنم تحلیل معمای تسئوس را با استفاده از این رویکرد توضیح دهم.

بیایید یک بار دیگر آخرین جملهٔ معمای تسئوس را بخوانیم: «آیا این همان کشتی است؟» منظور از «همان» چیست؟ همان واژهٔ مبهمی است که معنای شفافی ندارد. این واژه ابتدا برای کارهای ساده‌ای به کار می‌رفته است.

مثلاً شما به کافی‌شاپ می‌روید و گارسون می‌پرسد: «چه می‌نوشید؟ همان همیشگی؟» معنی همان در این‌ جمله کاملاً شفاف است. نه لازم است شما فیلسوف باشید و نه لازم است گارسون، شب قبل رسالهٔ منطقی-فلسفی ویتگنشتاین را خوانده باشد. شما قاعدتاً اغلب (یا همیشه) یک نوشیدنی ثابت سفارش می‌داده‌اید و امروز گارسون می‌خواهد بداند همان را بیاورد یا چیزی دیگر.

اجازه بدهید به یک مثال سادهٔ دیگر هم اشاره کنم. چند سال قبل، در شرکتی کار می‌کرده‌اید و دوستان‌تان شما را به این می‌شناخته‌اند که رشوه نمی‌گیرید. اکنون چرخ روزگار چرخیده و به شرکت دیگری رفته‌اید و در جایگاه کارفرمای شرکت قبلی قرار گرفته‌اید. یکی از دوستان قدیمی‌تان، به امید این‌که آشنایی سابق به کار آید، در حاشیهٔ یک جلسه به شما پیشنهاد می‌کند که در ازاء واگذاری یک پروژه هدیه‌ای (رشوه‌ای) به شما دهد. شما بر شانه‌اش می‌کوبید و می‌گویید: حتماً ماجراهای سال‌های دور یادت هست. من هنوز همان آدمم.

در این داستان هم، ابهام معنایی وجود ندارد. چرا وجود ندارد؟ چون «همان» در این جمله‌ها به واقعیتی «ساده، قابل‌فهم و تجربه‌شده» در جهان بیرون اشاره می‌کند.

اما مشکل از جایی شروع می‌شود که ما انسان‌ها، وقتی از تعامل روزانه خسته شده و از دنیای خارج جدا می‌شویم، به بازی با کلمات در جهان کلمات مشغول می‌شویم. یعنی کلمهٔ «همان» را که کاربردهای بسیار مشخص و شفافی داشته، وارد بازی‌های کلامی‌ای می‌کنیم که صرفاً در عالم کلمات قابل‌طرح هستند و ربطی به جهان خارج پیدا نمی‌کنند. درست همان‌گونه که گربه، در ساعت بیکاری خود که درگیر شکم و شکار و شهوت نیست، گوشه‌ای لم می‌دهد و می‌نشیند و دست لای پای خود می‌برد و به بازی با دمش مشغول می‌شود. گربه‌دارها می‌دانند که گربه‌ها گاهی مدت‌ها دنبال دم خود می‌چرخند یا از تکان خوردن دم خودشان متعجب می‌شوند و خلاصه وسیله‌ای که کارکرد اصلی آن حل مسائل دنیای واقعی بوده (مثل حفظ تعادل و کنترل امنیتی پشت گربه) خود به مسئله‌ای مجازی و دردسرساز تبدیل می‌شود.

این نوع بازی‌های گربه‌ای در کلام انسانی فراوانند (و فیلسوفان و اندیشمندان بسیاری هزاران سال سرگرم این بازی‌های انتزاعی کلامی بوده‌اند): بحث بر سر درستی و نادرستی‌ای گزاره‌هایی که قضاوت دربارهٔ درستی یا نادرستی‌شان، صرفاً معنای کلمات را در جهان کلمات مشخص می‌کنند و نه هیچ چیز دیگری در خارج از دنیای واژگان.

یکی از کاربردهای «همان»‌ در آن جملهٔ قدیمی است که می‌گوید: «آیا رودخانه‌ای که انسان امروز در آن پا می‌گذارد، همان رودخانهٔ دیروز یا حتی یک ساعت قبل است؟» حتماً پاسخ منسوب به هراکلیتوس را به خاطر دارید که گفته بود «انسان هرگز در یک رودخانه دو بار پا نمی‌گذارد.» به بیان دیگر، معتقد بود که رودخانه‌ای که الان می‌بینید، همان رودخانهٔ ساعت قبل نیست.

این حرف درست است یا غلط؟ بستگی دارد بخواهید از حرف هراکلیتوس چه نتیجه‌ای بگیرید. حرفش از یک جهت غلط است. چون می‌دانیم که این رودخانه همان رودخانهٔ دیروز است (کدام گردشگری حاضر است ده بار در ده روز متوالی برای بازدید یک رودخانهٔ مشخص، بلیط تور بخرد؟ هیچ‌کس. چون این «همان» رودخانه است). حرف هراکلیتوس از جهت دیگری هم درست است. چون به ما یادآوری می‌کند که هیچ‌چیز در هیچ لحظه‌ای ثابت نیست و جهان در تغییر و تحول دائمی است. جهان در این لحظه، «همان» جهان لحظهٔ‌ قبل نیست.

در این میان به این نکته توجه کنید: رودخانه جاری است. همین و دیگر هیچ. آن‌چه هراکلیتوس می‌گوید، بازی با کلمات برای بیان یک مفهوم است (پویایی جهان) که هیچ ربطی رودخانه ندارد. به عبارت دیگر، «همان» در این نوع کاربردها معنای مستقل ندارد و این گوینده است که معنای مد نظر خود را بر واژه سوار می‌کند.

هراکلیتوس می‌گوید این همان رودخانهٔ دیروز نیست. و این‌جا می‌فهمیم که «همان» به آبی که رفته اشاره دارد. و گردشگر می‌گوید: «این که همان رودخانهٔ دیروز است» و این‌جا می‌دانیم که همان به رودخانه‌ای که هم‌چنان مثل دیروز و به شکل دیروز جاری است اشاره می‌کند.

بسیاری از فلسفه‌ورزی‌های انسان، نه در تلاش برای درک جهان، که حاصل بازی با ابزاری است که قرار بود برای زندگی در جهان به کار بیاید.

برگردیم به پارادوکس تسئوس: آیا این همان کشتی است؟

پاسخ: در دنیای واقعی، آن‌چه اتفاق افتاده، تعویض تدریجی الوارهای یک کشتی است. هیچ چیز بیشتری اتفاق نیفتاده است.

سوال ما یک بازی زبانی است. در جهان واقعی، مابه‌ازاء مستقیمی که بشود آن را به رابطهٔ «این همانی» و «آن همانی» ربط داد وجود ندارد. و هر پاسخی به پارادوکس تسئوس داده شود، درست است.

با پاسخ شما هیچ تغییری در واقعیت جهان خارج ایجاد نمی‌شود.

به زبان دیگر: پاسخ شما به معمای تسئوس، تکلیف کشتی تسئوس را مشخص نمی‌کند. اما سرنوشت کلمهٔ «همان» را در جهان زبانی شما مشخص خواهد کرد و بر اساس پاسخ‌تان ما می‌فهمیم که «همان» در ذهن شما یعنی چه.

در ادامه حرفی می‌خواهم بزنم که نیاز به توضیح بسیار بیشتر دارد و به چت جی پی تی هم ربطی ندارد. فعلاً آن را در حد یک جمله می‌نویسم، تا بعداً جای دیگری به آن بپردازم. در مواجهه با جملهٔ «آیا جهان خدا دارد؟» کلمهٔ جهان با کشتی تسئوس متناظر است و کلمهٔ «خدا» به جای «همان» در پارادوکس تسئوس نشسته. پاسخی که فرد می‌دهد، معنی واژهٔ خدا را در جهان کلامی پاسخ‌دهنده مشخص می‌کند. یعنی با پرداختن به چنین سوالی، شما در نهایت تکلیف یک «کلمه» را مشخص می‌کنید و نه یک واقعیت در جهان بیرونی را.

مشابه همین استدلال را می‌توان دربارهٔ واژه‌هایی مثل جبر، اختیار و روح نیز به کار برد.

ادامه دارد…

آن‌چه در این نوشته می‌خوانید (فعلاً):

پیش‌نوشت‌ها

زبان به عنوان زنجیره‌ای از کلمات

مدل‌سازی زبان به عنوان زنجیره‌ای از کلمات چه کاربردهایی دارد؟

• پیش‌بینی کلمات بعدی هنگام تایپ
• حدس زدن پرسش‌های کاربران بر اساس نخستین کلمات‌شان
• افزایش دقت OCR
• کمک به نرم‌افزارهای تبدیل صدا به متن

دو رویکرد متفاوت به مدلسازی زبان

• رویکرد بر پایه احتمال (ایدهٔ زنجیره مارکوف)
• رویکرد مبتنی شبکه های عصبی (مدلسازی حافظه‌دار)

یک مثال از شبکه های عصبی (بسیار ساده‌شده)

پیش‌نوشت یک: مدت زیادی است که به علل مختلف، از نوشتن دربارهٔ حوزهٔ تکنولوژی فاصله گرفته‌ام. یکی از علت‌ها این است که معمولاً رویکرد من به تکنولوژی، انتقادی است یا لااقل به جریان اصلی نزدیک نیست. انتقادی نه به این معنا که مخالف تکنولوژی هستم که اتفاقاً عاشق تکنولوژی‌ام. بلکه از آن رو که فکر می‌کنم نگاه انتقادی می‌تواند به ما کمک کند تا از ظرفیت‌های تکنولوژی، با پرداخت کم‌ترین هزینه (پیدا و پنهان) بیشترین بهتر را بهره ببریم.

اصرار بر نگاه انتقادی به تکنولوژی در ایران امروز ما، می‌تواند مخرب باشد. چون اظهارنظر در خلاء انجام نمی‌شود و باید بستر و زمینه را هم دید. وقتی زیرساخت‌های اصلی ارتباط با جهان به درستی در اختیار ما نیست، فرض کنید کسی بیاید از اثرات منفی شبکه‌های اجتماعی بگوید. این شکل از حرف زدن، بیشتر از آن‌که به کار مردم بیاید، خوراک کسانی می‌شود که معتقدند حق اتصال به دنیای آزاد را فقط باید با سیمکارت‌های ویژه به «خارجی‌ها» داد.

در چنین شرایطی، این که کارشناسی چشم خود را ببندد و بگوید «من فقط می‌خواهم تحلیل‌های علمی‌ و کارشناسی‌ام را بگویم» نه مصداق حماقت، که از جنس خیانت است (و متأسفانه در این مدت هر چند روز یک بار مجبور بوده‌ام این نکتهٔ واضح را به برخی دوستان و عزیزان یادآوری کنم). امروز باید از مزایای اینترنت و دسترسی آزاد به اطلاعات گفت و روزی که این امکانات برای مردم فراهم شد، آن روز دربارهٔ دردسرها و سختی‌هایش گفتگو کنیم و بکوشیم اثرات منفی استفاده از آن‌ها را مدیریت کنیم.

پی‌نوشت دو: به همین علت هم در این چند سال، به رغم میل درونی دربارهٔ رمز‌ارزها هم چیزی ننوشتم. در حالی که می‌توانید تصور کنید برای کسی که مردم جهان را نه بر پایهٔ کفر و ایمان که بر پایهٔ نگاه توزیع‌شده و نگاه متمرکز در شکل‌گیری پدیده‌های عالم در یک طیف می‌گنجاند، چقدر سخت است که دربارهٔ یکی از بزرگ‌ترین دستاوردهای نگاه توزیع‌شده به پول چیزی ننویسد و حرف نزند. نمی‌گویم حرف کارشناسی عجیب‌و‌غریبی داشته‌ام. اما حرفم این است که چه دانشی در دنیا بهتر از سیستم‌های پیچیده برای بررسی و تحلیل و ارزیابی نقاط قوت و ضعف و ظرفیت‌ها و خطرات رمز‌ارزها وجود دارد؟ و وقتی افراد بسیاری به اشتباه، اقتصاد کلان را بهترین بستر تحلیل این محصول جدید می‌بینند، مقاومت در برابر وسوسهٔ نوشتن سخت بوده است. اما می‌دانسته‌ام که در این مواقع، از ده جمله حرف، نه جمله رها می‌شود و آن تک‌جمله‌هایی که از رگولاتوری و تمرکز می‌گویند، پررنگ می‌شود و شلاق تنظیم‌گران غیرمتخصص بر پیکر این صنعت تازه نواخته خواهد شد. باز هم منظورم این نیست که کسی حرف امثال من را جدی می‌گیرد یا اساساً کسی مثل من حرف خاصی برای گفتن دارد، اما ماهیت این کار – توجیه‌ ساختن برای کسانی که تشنهٔ توجیه رفتارهای توجیه‌ناپذیر خود هستند – چیزی نیست که با روحیات من جور درآید.

پیش‌نوشت سه – یک : با وجود توضیحاتی که گفتم، تصمیم دارم اندکی دربارهٔ چت جی پی تی بنویسم. علت نخست این است که چند بار در گفتگوهای دوستانه در این باره حرف شده و حس کردم شاید به جای تکرار یک مجموعه حرف ثابت در چند مکالمهٔ‌ مختلف، اگر آن‌ها را کمی بهتر و هدف‌مندتر در یک ساختار منظم‌تر بگنجانم، چیز بهتری از آب در می‌آید.

پیش‌نوشت سه – دو: علت دوم این که پردازش زبان طبیعی برای من همیشه موضوعی جذاب بوده و از سال‌ها پیش، گاه‌و‌بی‌گاه برایش وقت می‌گذاشته‌ام (البته بیشتر کارهایی از جنس رویکرد DCG یا Definite Clause Grammar؛ شبیه چیزی که در واتسون آی‌بی‌ام توسعه پیدا کرد و با مدل‌های زبانی به معنای رایج در یادگیری ماشینی فرق دارند). طبیعتاً به خاطر این علاقهٔ شخصی نگاهی هم به پژوهش‌های این حوزه و رویکردهای دیگر – که سهم انسانی در آن‌ها کمتر و سهم Computational بیشتر بوده – می‌انداخته‌ام. البته حاصل این گشت‌و‌گذارها، من را چندان از سطح مخاطب عام این ابزارها فراتر نبرده و حرف‌ها و نظراتم، کارشناسی محسوب نمی‌شوند.

پیش‌نوشت سه – سه: بعضی اظهارنظرهایی که در این مدت دربارهٔ Chat GPT شد، آن‌قدر عجیب بود که نتوانستم در مقابل نوشتن مقاومت کنم. به سه موردشان اشاره می‌کنم.

یکی آن آقایی که در حضور آقای رئیسی گفت که «با چت جی پی تی مکاتبه کرده» و دربارهٔ شب قدر پرسیده و گفته «بالاخره شب قدر چیز خوبیه یا نه؟ باور داشته باشیم یا نه؟» و البته چت جی پی تی هم – به روایت ایشان – پاسخ داده که «یه اعتقاد شخصیه و …» (+). یادم هست در دوران مدرسهٔ راهنمایی که هنوز کامپیوترها به شکل عمومی برای کاربردهای روزمره رایج نبودند و ما با غرور از این که کمودور ۶۴ حدوداً ۶۴۰۰۰ «تا» حافظه دارد حرف می‌زدیم، یکی از بستگان – که آدم معتقدی بود و همه‌چیز را بر آن معیار می‌سنجید – پرسید: از خدا در موردش پرسیده‌ای؟ چه می‌گوید؟ (جهان به پیش می‌رود. اما عده‌ای مدام خود را تکرار می‌‌کنند).

دوم این که دیدم یک استاد ارتباطات دانشگاه لابه‌لای صحبت‌هایش دربارهٔ تهدید شغل خبرنگاری توسط این نوع سرویس‌ها گفته که (+) «آنچه هم که شما در هوش مصنوعی می‌بینید در زبان انگلیسی است و به زبان فارسی هم به زودی اتفاق نخواهد افتاد. اتفاق عجیبی هم نیست و دیتا خاصی در آن پیدا نمی‌شود.» البته ایشان به نکات دیگری هم اشاره کردند که بعضاً درست هستند. اما به گمانم در بررسی فرصت و تهدید یک تکنولوژی جدید، این شکل از اطمینان دادن که بالاخره زبان ما آن‌قدرها هم در جهان زنده نیست و مطالب کمی در آن هست و چون زبان‌مان در دنیا رواج ندارد، هنوز تهدید جدی برای ما نشده، روش چندان مناسبی نیست. در ارزیابی‌ها باید ظرفیت‌ها را سنجید و نه این که از ضعف‌هایمان به عنوان نقاط امیدبخش نام ببریم.

سومین مورد هم استوری یکی از دوستان خوبم بود که اتفاقاً در حوزهٔ آی‌تی هم فعالند دربارهٔ Chat GPT چیزی با این مضمون (دقیق در ذهنم نیست) گفته بودند که بالاخره از چیزی که همزمان آشپزی را به اندازهٔ آشپز می‌داند و فلسفه را به اندازهٔ فیلسوف و تاریخ را به اندازهٔ مورخ و پزشکی را به اندازهٔ پزشک و … باید ترسید (به معنای مثبت. یعنی می‌گفتند این غول چراغ جادو تقریباً هر غلطی می‌تواند بکند).

این نوع نگاه‌ها هم نشان می‌دهد که ما ظرفیت‌های تکنولوژی‌های مختلف و متعددی را که در سیستم‌های Generative هوش مصنوعی به کار می‌روند، به درستی نمی‌شناسیم یا نقاط تشابه و تمایز آن‌ها را نمی‌دانیم. مثلاً از تفاوت Inference Engine و  Expert System و Language Model غافل می‌شویم و همین باعث می‌شود در برآورد فرصت‌ها و تهدیدها و ضعف‌ها و ظرفیت‌ها خطا کنیم.

پیش‌نوشت سه – چهار: من خودم را یکی از علاقه‌مندان حوزهٔ محتوا می‌دانم (البته در کار تولید محتوا تقریباً هیچ سابقه‌ای ندارم و در این فضا خودم را بیشتر به نویسندگی می‌شناسم). با توجه به این که یکی از کارکردهای اصلی سیستم‌هایی Pre-trained شبیه چت جی پی تی تولید محتواست، علاقهٔ چند ساله باعث می‌شود ترغیب شوم درباره‌اش بنویسم.

پیش‌نوشت چهارم: قاعدتاً این مطلب به زودی جمع نمی‌شود و به پایان نمی‌رسد. من هم که خداوندگار نوشتن نیمه‌کاره هستم. اولویت فعلی‌ام هم بحث فرهنگ است. با این حال امید دارم به اندازه‌ای که دست و وقتم اجازه داد، این بحث را پیش ببرم و به جنبه‌های مختلفش بپردازم. این مطلب از جنس آموزش چت جی پی تی نخواهد بود. بلکه صرفاً در همین حد است که ببینیم چت جی پی تی چیست و استفاده از چت جی پی تی چه تأثیری بر آیندهٔ کسب و کارها و به طور خاص، صنعت محتوا دارد. اگر فرصت کافی دست دهد، بحثم را با خطرات چت جی پی تی به پایان می‌برم و این که دسترسی به چت جی پی تی چه تأثیری بر زندگی روزمره ما و نیز فضای رقابتی میان کسب و کارها خواهد داشت.

جون کار چت جی پی تی از جنس حرف زدن است، طبیعی است که باید بحث را با «زبان» آغاز کنم. به این شکل، هم بهتر درک می‌کنیم که چی جی پی تی چگونه کار می‌کند و هم در ادامهٔ بحث متوجه می‌شویم که چه سوالاتی از چت جی پی تی بپرسیم تا پاسخ‌های بهتر و مفیدتری بگیریم.

زبان به عنوان زنجیره‌ای از کلمات

بیایید یک بازی بسیار ساده انجام دهیم. فرض کنید با قبیلهٔ جدیدی آشنا شده‌اید و زبان‌شان را نمی‌شناسید. آن‌ها از الفبای فارسی استفاده می‌کنند و نوشتن هم بلدند. آن‌چه در ادامه می‌بینید، بخشی از گفتگوهای آن‌هاست که در یک کتیبه ثبت شده.

[su_note note_color=”#fafaf9″ text_color=”#222222″ radius=”4″]

لچفعغ مملا؟
فقی. مالابغ سیق بلیل.
لفعغ منل محح؟
فقی. قغیغ حخت منل.
قفب مالابغا قیصی قغیغ.
لفعغ غالع داغق عهب مملا؟
فقی. ضصسق عهچغ سیص عهب منل محح؟ صق.

[/su_note]

قاعدتاً چیزی از این گفتگو متوجه نمی‌شوید. حالا به یک مسئله فکر کنید:

یک نفر از این قبیله چنین سوالی از شما می‌پرسد: «قغیغ حخت داغق مملا؟» به نظر شما پاسخ‌تان باید چه باشد؟ هیچ‌وقت نمی‌شود با اطمینان کامل گفت. اما بر اساس داده‌های موجود اگر جهان‌ دانش‌تان به همین تک‌مکالمهٔ روی کتیبه محدود باشد، پاسخ خواهید داد: «فقی».

چرا؟ چون در دو نمونه‌ای که سوالی با «مملا» به پایان رسیده، با «فقی» پاسخ داده شده است. حالا فرض کنید سوال دیگری از شما می‌پرسند: «مالابغا قیصی قغیغ غالق محح؟»

در این‌‌جا بین دو گزینه گیر می‌کنید (باز هم بر اساس داده‌های موجود). جواب احتمالاً باید یا «صق» باشد یا «فقی»

چون در متن دو سوال با محح به پایان رسیده و یک بار صق جواب گرفته و یک بار فقی.

البته ممکن است کمی پیچیده‌تر هم فکر کنید که فعلاً به سراغش نمی‌رویم. ممکن است بگویید جواب «پرسش ۵ کلمه‌ای که با «محح» تمام شده، صق بوده. بنابراین با توجه به این که پرسش جدید هم پنج کلمه‌ای است، من بین «فقی» و «صق» ترجیح می‌دهم از صق استفاده کنم.

این بازی یک نکتهٔ‌ مهم در خود دارد. شما در تلاش هستید بدون این که بفهمید دربارهٔ چه حرف می‌زنید، با طرف مقابل حرف بزنید. این روش عادی ما در گفتگو نیست. اما به هر حال، شکلی از تلاش برای گفتگو است.

شما با این سبک تلاش برای حرف زدن، یک نمونهٔ بسیار ابتدایی از هوش مصنوعی مکالمه‌‌محور (Conversational AI) را شبیه‌سازی کرده‌اید.

این شکل از نگاه به زبان را می‌توان «مدل کردن زبان به عنوان زنجیره‌ای از نمادها» یا «Modelling language as a sequence of symbols» نامید. به این معنا که شما می‌گویید از نظر من زبان یعنی کلماتی که پشت هم به زنجیر کشیده شده‌اند و من معتقدم هر انتخاب حلقهٔ زنجیر به نوعی به این ربط دارد که حلقه یا حلقه‌های قبل چه بوده‌اند. هر چقدر بتوانم ویژگی‌های این زنجیر را بهتر بفهمم و به شکلی تشخیص دهم که ارتباط کلمات متوالی چیست، راحت‌تر می‌توانم به این زبان صحبت کنم.

از نظر ریاضی، مسئلهٔ بالا تفاوت جدی با این مسئله ندارد که به شما بگویند آخرین رقم از رشته اعداد زیر حذف شده و از شما خواسته شود بگویید در رشتهٔ زیر به جای X چه رقمی قرار می‌گیرد:

3435434532432534534253423

98705687962794673964590239

69724623046792376492634

6784363453X

و شما هم بخواهید جدول زیر را پر کنید:

احتمال این که 0 باشد …٪ است

احتمال این که 1 باشد …٪ است

احتمال این که 2 باشد …٪ است

و …

مدلسازی زبان به عنوان زنجیره کلمات چه کاربردهایی دارد؟

فعلاً فرض کنید الگوریتمی طراحی کرده‌ایم که فقط می‌تواند یک کلمهٔ بعد را در زنجیره‌ای از کلمات حدس بزند. خروجی‌اش هم شبیه همین چیزی است که کمی بالاتر دیدیم. یعنی چند کلمه پیشنهاد می‌دهد و می‌گوید که هر کلمه با چه احتمالی در ادامه خواهد آمد.

آیا چنین الگوریتمی به کار می‌آید؟

پاسخ مثبت است. با وجودی که این الگوریتم فعلاً در این مرحله بسیار ساده است، هم‌چنان کاربردهای فراوانی دارد. به این چند نمونه توجه کنید:

پیش‌بینی کلمات هنگام تایپ

حتماً تا کنون کیبوردهای پیش‌بینی‌کننده یا Predictive Keyboards را دیده‌اید. تقریباً تمام گوشی‌های هوشمند موجود در بازار، می‌توانند این قابلیت را در اختیار کاربران خود قرار دهند که با تایپ حروف اول یک کلمه (مثلاً‌ هنگام تایپ مسیج) کلمهٔ بعدی را حدس بزنند.

تصویر زیر نمونه‌ای از پیش‌بینی کیبورد سامسونگ است:

کیبورد مایکروسافت – نصب شده روی سیستم عامل اندروید – هم پیش‌بینی‌های خودش را ارائه می‌دهد:

حدس زدن پرسش کاربران بر اساس نخستین کلمات آن‌ها

اگر در گوگل، بینگ یا هر موتور جستجوی دیگری بخواهید سوال خود را در قالب یک عبارت یا جمله بپرسید، می‌بینید که آن‌ها پرسش‌های شما را حدس می‌زنند و بر اساس احتمال و میزان اطمینانی که به هر کدام دارند فهرست می‌کنند (Sorted by Confidence).

شبیه همین کار را در بخش FAQ و بخش ثبت تیکت برخی از سایت‌ها هم می‌بینید. اگرچه این کارها بسیار شبیه همان Predictive Text Typing است، اما به خاطر برخی تفاوت‌های ظریف – که خارج از بحث ماست – معمولاً آن‌ها را زیر چتر Text Autocompletion قرار می‌دهند.

افزایش دقت OCR

تکنولوژی OCR یا Optical Character Recognition یکی از تکنولوژی‌هایی است که زندگی همهٔ ما را – حتی اگر ندانیم و متوجه نباشیم – تغییر داده است. هر وقت از یک متن عکس می‌گیرید و موبایل‌تان کلمات داخل متن را استخراج می‌کند، یا وقتی یک PDF قدیمی حجیم با صفحات اسکن‌شده دارید و می‌بینید که می‌توانید کلمات مد نظرتان را داخل آن جستجو کنید، مشغول استفاده از دستاوردهای OCR هستید.

OCR تکنولوژی جدیدی نیست. دغدغه‌اش حدود یک قرن وجود داشته و نمونه‌های کاربردی‌اش نزدیک به نیم قرن است که وجود دارند. خود OCR در ساده‌ترین شکل خود هم از هوش مصنوعی بهره می‌برد و زیرمجموعهٔ الگوریتم‌های تشخیص الگو (Pattern Recognition) محسوب می‌شود. همان الگوریتم‌هایی که اثر انگشت یا چهرهٔ ما را تشخیص می‌دهند. اما این تکنولوژی در ذات خود از جنس ترتیبی یا Sequential نیست. یعنی وقتی عکسی از یک متن را در اختیار OCR قرار می‌دهید، هر کلمه می‌‌تواند یک «مسئلهٔ جداگانه» باشد. به عنوان مثال در تصویر زیر، من با موبایلم از دست‌نوشته‌ام عکس گرفته‌ام و اپلیکیشن کلمات را تشخیص داده و جدا کرده است:

با این حال، مدل‌های زنجیره‌ای از کلمات می‌توانند به کیفیت کار OCR کمک کرده و خطای آن را کاهش دهند. مثلاً فرض کنید OCR توانسته عبارت feature of my Android‌ را تشخیص دهد. حتی اگر کلمهٔ phone را بدخط و ناخوانا نوشته باشم، حدس زدن این کلمه دشوار نیست.

برای این که بهتر بتوانید کاربرد تحلیل زنجیره‌ای در OCR را درک کنید، در کیبورد پیش‌بینی‌کنندهٔ سامسونگ چند کلمه تایپ کردم:

همان‌طور که می‌بینید، یک تحلیل سادهٔ زنجیره نشان می‌دهد که کلمهٔ بعدی من به احتمال زیاد یکی از سه کلمهٔ phone و app و device است. پس همین که OCR بتواند تشخیص دهد که دستخط من به کدامیک از سه کلمه نزدیک است، برای تشخیص کلمه کافی است. یا اگر بخواهم دقیق‌تر بگویم: بعد از این که OCR حدس زد کلمهٔ من phone است، می‌تواند با تحلیل مدل زنجیره‌ای، اطمینان خود را از نتیجه‌ی محاسباتش افزایش دهد.

این کار را می‌توان Sequence Modeling Assisted OCR نامید. این نوع استفاده از الگوریتم‌ها به عنوان دستیار یکدیگر در دنیای هوش مصنوعی بسیار رایج است.

کمک به نرم‌افزارهای تبدیل صدا به متن

نرم‌افزارهای تشخیص صدا (Speech Recognition) و تبدیل صدا به متن هم از جمله نرم‌افزارهای پرکاربرد در سال‌های اخیر هستند. بسیاری از ما از سرویس‌هایی مثل Google Voice Typing استفاده کرده‌ایم. قدیمی‌ترها هم بیش از دو دهه است که با نرم‌افزارهایی مانند Dragon Naturally Speaking که هم‌اکنون شرکت نوانس آن را عرضه می‌کند کار کرده‌اند (Nuance اکنون در مالکیت مایکروسافت است). Dragon آن‌قدر تخصصی شده که اگر وکیل یا مذاکره‌کننده و تنظیم‌کنندهٔ قراردادهای بین‌المللی باشید، به جای نسخهٔ معمولی نرم‌افزار تشخیص صدای خود، نرم‌افزار Dragon Legal Anywhere را به شما عرضه می‌کند تا در تشخیص صدای شما و تبدیل آن به کلمات و متن قرارداد، کمترین خطا به وجود بیاید.

همهٔ نرم‌افزارهای تشخیص صدا از مدل‌سازی زنجیرهٔ کلمات استفاده نمی‌کنند. بسیاری از آن‌ها صرفاً یک شبکهٔ عصبی متعارف هستند که با صدا و متن آموزش دیده‌اند. مثلاً فرض کنید شما هزاران کتاب صوتی دارید که خوانندگان حرفه‌ای آن‌ها را خوانده‌اند. از سوی دیگر متن همان کتاب‌ها را هم در اختیار دارید. اگر شبکهٔ عصبی با این داده‌ها آموزش ببیند (Train شود) می‌تواند با دقت قابل‌قبولی صدا را تشخیص دهد. منظورم از Train شدن، به ساده‌ترین زبان، این است که کلمه به کلمه و جمله به جمله، صدا را به شبکهٔ عصبی بدهند و به شبکه بگویند که هر صدا با چه کلمه‌ای متناظر است. بعد از مدتی که شبکه تلفظ‌های متعددی از یک کلمه را دریافت کرد و آموزش دید، می‌تواند تلفظ‌هایی را هم که اندکی تفاوت دارند تشخیص دهد.

اما همین نرم‌افزارهای نشخیص صدا، اگر به مدل‌سازی زنجیرهٔ کلمات مجهز شوند، خطای آن‌ها بسیار کمتر خواهد شد. مثلاً اگر عبارت The Universal Laws of Life and Death را برای یک برنامهٔ تشخیص صدا بخوانید و Death را نامفهوم تلفظ کنید، یک برنامهٔ شبکه‌ٔ عصبی که تحلیل زنجیره‌ای انجام نمی‌دهد، ممکن است آن را there تشخیص دهد. اما مدلسازی زنجیرهٔ کلمات هم به کمکش بیاید، می‌داند که بعد از of Life and  بعید است کلمهٔ there وجود داشته باشد و احتمالاً کلمهٔ death تلفظ شده است.

در واقع اگر در سال‌های اخیر می‌بینیم اغلب ما می‌توانیم به سادگی با نرم‌افزارهای Voice Typing حرف بزنیم و جملات‌مان هم با دقت خوبی تشخیص داده می‌شود، بیشتر از این که نشان‌دهندهٔ بهبود تلفظ ما باشد، ناشی از تقویت موتورهای تشخیص صدا با پشتیبانی مدل‌های زنجیرهٔ کلمات است.

دو رویکرد متفاوت به مدلسازی زبان

هر چه تا این‌جا گفتیم، فقط دربارهٔ یک فرض بود: «فرض زبان به عنوان یک زنجیره از نمادها.» حالا سوال این است که این زنجیره از نمادها را با چه رویکردهایی می‌توان تحلیل کرد.

برای مدلسازی هر زنجیره‌ای از نمادها دو رویکرد وجود دارند که بسیار شناخته‌شده هستند و به کار ما می‌آیند. برای کسی که قرار است صرفاً کاربر چت جی پی تی باشد، همین که کلیت این دو رویکرد را بشناسد کافی است. حتی با یک شناخت اندک هم می‌توان نقاط قوت و ضعف چت جی پی تی (و سایر مدل‌های هوش مصنوعی پردازش زبان طبیعی) را تا حد خوبی درک کرد.

یک رویکرد مدلسازی زبان، مدلسازی بر مبنای احتمال است. چنین مدل‌هایی را Probabilistic Language Models می‌نامند. مثالی که من اوایل همین مطلب آوردم، با رویکرد احتمالی بود. چون تقریباً همهٔ حرف‌هایم از این جنس بود که «معمولاً وقتی کلمهٔ … در جمله می‌آید، احتمال این که کلمهٔ … بعد از آن بیاید زیاد است.»

رویکرد دومی که در مدلسازی به کار می‌رود، استفاده از شبکه های عصبی و یادگیری عمیق است. در ادامه هر یک از این دو رویکرد را در چند جمله توضیح می‌دهم (با قربانی کردن کامل دقت علمی، البته بدون این که به هدف بحث خدشه‌ای وارد شود).

مدلسازی مبتنی بر احتمال

در این روش، شما هر چقدر می‌توانید متن جمع می‌کنید. متن اخبار، روزنامه‌ها، کتاب‌ها، گفتگوها و …

سپس تصمیم می‌گیرید که زنجیرهٔ چند کلمه‌ای برای شما مهم است. مثلاً ممکن است بگویید من فقط می‌خواهم دو کلمه را معیار قرار دهم. یعنی اگر دیدم «سیب قرمز» و «سیب سرخ» و «سیب رسیده» و «سیب کال» و «سیب درشت» در متن‌ها زیاد به کار رفته، دیگر هر جا سیب دیدم، فرض می‌کنم بعد از سیب باید یکی از کلمه‌ها باشد. خودم هم جایی سیب را به کار بردم، اگر خواستم کلمه‌ای به آن اضافه کنم، از همین‌ها استفاده می‌کنم.

حالا یک نفر می‌پرسد: کلمهٔ قبل از سیب برایت مهم نیست: «مثل سیب …» و «این سیب …» و «برایم سیب …» را یک‌جور فرض می‌کنی؟

شما می‌بینید بهتر است سه کلمه را در نظر بگیرید. چون «مثل سیب …» با کلماتی مثل سرخ و رسیده کامل می‌شود. اما «برایم سیب …» علاوه بر سرخ و درشت و … می‌تواند با «بیاور» و «پوست» و … هم کامل شود (برایم سیب بیاور. برایم سیب پوست بکن و …).

به این نوع مدلسازی احتمالی n-gram می‌گویند. n تعداد کلماتی است که در آمارگیری و محاسبهٔ احتمال لحاظ می‌کنید. روش دو کلمه‌ای را Bi-gram می‌گویند. روش سه کلمه را Tri-gram می‌گویند و …

اگر گفتند n-gram منظور این است که همهٔ ترکیب‌های n کلمه‌ای را استخراج کرده‌اند و هر وقت n-1 کلمه را به آن‌ها بدهید، از روی گزارش‌های آماری خود حدس می‌زنند که برای آخرین حلقهٔ این زنجیر (کلمهٔ n ام) چه گزینه‌هایی و با چه احتمالی وجود دارد.

این روش ظاهراً جذاب به نظر می‌رسد. اما ضعف بزرگی دارد و آن این است که این نوع تحلیل زنجیره، بی‌حافظه است (Memorylessness).

بگذارید این مفهوم را با یک مثال ساده نشان دهم. فرض کنید تحلیل five-gram انجام می‌دهیم (پنج کلمه را با هم در نظر می‌گیریم). من چهار کلمهٔ اول یک ترکیب پنج‌کلمه‌ای را به شما می‌دهم و از شما می‌خواهم با توجه به داده‌های آماری خود بگویید کلمهٔ پنجم چیست:

«نظام جمهوری اسلامی در …»

چه ایده‌هایی در مورد کلمهٔ پنجم دارید؟ چهل، این، عالم، جهان، ناتوانی، ناکارآمدی، جریان‌سازی، قلب، ایران، همه‌پرسی، روزهای،‌ همهٔ، عرصهٔ، طول، بخش، مواجهه، مقابل، شکل، مدار، مسیر، برابر، مراحل، اندیشه، صدر و …

طبیعتاً بر اساس داده‌های خود می‌توانید برای هر یک از این کلمات (و ده‌ها کلمهٔ دیگر که می‌توانند به عنوان کلمهٔ پنجم بیایند) یک احتمال حدس بزنید. اما همه می‌دانیم که این کلمات از زمین تا آسمان با هم فرق دارند. این جمله‌ در زبان یکی از مسئولان نظام، یک روزنامه‌نگار، تریبون نماز جمعه، یکی از براندازها، یک اصلاح‌طلب، یک کاندیدای نمایندگی مجلس و … می‌تواند به شکل‌های متفاوتی تکمیل شود. اگر تحلیل خود را از five-gram به six-gram ارتقاء دهیم، کمی وضع بهتر می‌شود. همین‌طور اگر سیستم هوشمند خود را به seven-gram و eight-gram و … برسانیم،‌نتایج رضایت‌بخش‌تری خواهیم داشت.

وقتی می‌گوییم Memorylessness یا بی‌حافظگی، منظورمان این است که در n-gram برای سیستم ما اصلاً فرق نمی‌کند که قبل از این n کلمه چه چیزی گفته شده است. و همین بی‌توجهی به گذشته، باعث می‌شود خطای الگوریتم افزایش پیدا کند.

متخصصان ریاضی معمولاً این نوع نگاه به متن را رویکرد مارکوفی می‌نامند. چون مدل مارکوف در احتمال به سراغ مدل‌سازی پدیده‌هایی می‌رود که «فرض می‌کند» گذشتهٔ آن‌ها برای دانستن آینده‌شان مورد نیاز نیست.

ساده‌ترین مثال زنجیره مارکوف، پرتاب سکه یا همان شیر یا خط کردن است. به شما می‌گویند که سکهٔ سالمی روی زمین افتاده است. سکه را برمی‌داریم و پرت می‌کنیم تا دوباره روی زمین بیفتد، چقدر احتمال دارد که وضعیت سکه تغییر کند؟ (اگر شیر بوده روی خط بیفتد و اگر خط بوده روی شیر بیفتد). شما به سادگی می‌گویید ۵۰٪. آیا برایتان مهم است که قبلاً که با این سکه بازی کرده‌اند شیر آمده یا خط یا با چه ترتیبی شیر و خط آمده؟ قطعاً نه.

حتی اگر سکهٔ شما سالم نباشد و اصطلاحاً Unfair باشد، یعنی مثلاً‌ احتمال شیر آمدن ۴۰٪ و خط آمدنش ۶۰٪ باشد، باز هم پرتاب سکه را می‌توان با زنجیره مارکوف مدل کرد. چون همین که احتمال ۴۰٪ و ۶۰٪ را می‌دانید (که یک ویژگی ثابت سکه است) و وضعیت الان سکه را می‌دانید، می‌توانید احتمال تغییر وضعیت را حساب کنید. اتفاق‌های گذشته و این که قبلاً به چه ترتیبی شیر یا خط آمده، هیچ تأثیری رو پیش‌بینی شما ندارد. سکهٔ ۴۰ / ۶۰ را در نظر بگیرید:

شیر – خط – شیر – شیر – خط – شیر – خط – بعدی ؟

شیر – شیر – شیر – خط – خط – خط – خط – بعدی؟

در هر دو حالت، شما باید با احتمال ۴۰ – ۶۰ دربارهٔ وضعیت بعدی حرف بزنید. این که چند بار آخر چه اتفاقی افتاده، مهم نیست.

زنجیره مارکوف Memoryless یا بی‌حافظه است (دقیق‌تر بگویم: برای مدلسازی رویدادهای بی‌حافظه و ناوابسته به گذشته به کار می‌آید). زنجیره مارکوف در پیچیده‌ترین حالت خود می‌گوید: «آینده فقط تابع حال است و نه گذشته.» در n-gram هم دقیقاً همین کار را می‌کنیم. مثلاً در five-gram می‌گوییم: من برای تشخیص کلمهٔ پنجم، فقط به چهار کلمهٔ قبل نگاه می‌کنم. اصلاً مهم نیست که کلمات قبل از آن چه بوده‌اند.

با این حال، نباید قدرت زنجیره مارکوف را دست‌کم بگیریم. همین شیوهٔ n-gram بسیاری از کارهای تحلیل زبان طبیعی را به خوبی انجام می‌دهد. تقریباً تمام مثال‌هایی که در بالا گفتم، یعنی تشخیص صوت و تشخیص دستنوشته و مانند این‌ها می‌تواند با دقت قابل‌قبولی با همین الگوریتم های آماری انجام شود.

توضیحی که خیلی مهم نیست | آیا اگر ما ظرفیت محاسباتی نامحدود داشتیم و مثلاً می‌توانستیم به جای five-gram سراغ five-hunred-gram برویم و همهٔ الگوهای قبلی را هم با هم ترکیب کنیم، این سیستم بی‌نقص می‌شد؟ یعنی مثلاً‌ شما داده‌های دو-گرام و سه-‌گرام و چهار-گرام و پنج‌گرام تا پانصد-گرام را گردآوری کنید و با ترکیب آن‌ها (به شکلی که فعلاً برایمان مهم نیست) یک الگوریتم پردازش زبان طبیعیِ احتمال‌محور بسازید.

پاسخ این است که: نه! مشکل دیگر این روش، Overfitting است. داده‌های بیشتر می‌توانند کار را خراب کنند. اگر Overfitting را نمی‌شناسید، این چند خط را نادیده بگیرید | پایان توضیحی که خیلی مهم نبود.

مدل زبانی با تکیه بر شبکه های عصبی

دومین روشی که برای مدلسازی زبان (یا هر زنجیره‌ای از نمادها) به کار می‌رود، استفاده از شبکه های عصبی (Neural Networks) است. ایده‌ٔ شبکه های عصبی ایده‌ای نسبتاً قدیمی است. البته معمولاً هر چندسال‌یک‌بار با یک نام‌گذاری جدید دوباره شنیده و شناخته می‌شود. مثلاً شاید برایتان جالب باشد که کسانی که امروز از یادگیری عمیق و Deep Learning حرف می‌زنند، تقریباً مبتنی بر روشی کار می‌کنند که حوالی ۱۹۵۰ ابداع شد و و البته حدود ۱۹۸۰ تحولی بنیادین را تجربه کرد. بعد از آن، اگر چه پیشرفت‌های مهمی در یادگیری با شبکه های عصبی انجام شده، اما آن‌قدر که بعضی تازه‌متخصصان هوش مصنوعی درباره‌اش به ما می‌گویند، بنیادین نبوده است (این توضیح از آن جهت مهم است که از اسم‌ها و اصطلاحات عجیبی که این روزها می‌شنوید نترسید).

بگذارید با یک مقایسهٔ استعاری توضیح دهم.

اگر کارهای دههٔ پنجاه دونالد هِب (Donald Hebb) را – در مدل‌سازی عملکرد نورون و یادگیری در آن – شبیه کارهای کوپرنیک و کپلر در نظر بگیریم، نسل جدیدی از شبکه های عصبی را که در دههٔ هشتاد شکل گرفت، می‌توان گامی بزرگ به اندازهٔ کار نیوتن تلقی کرد. حالا به یک طراح سیستم‌های دینامیکی خودرو  فکر کنید که سه قرن بعد از نیوتن، خودروهای امروز ما را طراحی می‌کند. به یک معنا، می‌توان گفت او خیلی جلوتر از تفکر نیوتنی است. به معنایی دیگر، او هنوز هم شکل توسعه‌یافتهٔ همان مدل را به‌کار می‌گیرد.

ماجرای شبکه های عصبی هم همین است. گام بزرگ اول را دونالد هب برداشت. دوران هب دوران جدیدی بود که ما نورون را یک المان نسبتاً‌ ساده دیدیم که سینگال‌های الکتریکی را پردازش می‌کند (قبل از آن از جن و موجودات غیرارگانیک تا روح، بسته به باورهای شما، در سوراخ‌های بین همین نورون‌ها لانه کرده بودند). در دههٔ‌ هشتاد، این ایده مطرح شد که اگر ما تعدادی نورون را شبیه‌سازی می‌کنیم، چرا از خروجی خود نورون‌ها به عنوان ورودی‌شان استفاده نکنیم؟ (فرض کنید یک نفر امروز بگوید: چرا چت جی پی تی فقط باید متن‌های انسانی را بخواند؟ می‌توانیم خروجی‌های خود چت جی پی تی را هم به خودش بدهیم تا آن‌ها را هم بررسی کند و الگوی یادگیری خودش قرار دهد). ایدهٔ ورودی گرفتن از خروجی، ظاهراً ساده است، اما ویژگی‌های دینامیکی سیستم را به‌کلی عوض می‌کند و ظرفیت‌های جدیدی برای آن می‌سازد. این شبکه‌ها که آن‌ها را با نام RNN (مخفف Recurrent Neural Networks)سالها وجود داشتند و از آن‌ها استفاده می‌شد، تا ایده‌های جدیدی برای بهبود ظرفیت پردازش آن‌ها شکل گرفت (هم برای عمق پردازش و هم برای پردازش موازی). اصطلاحاتی مثل Attention Mechanisms (مکانیزم‌های توجه) و Self-attention (توجه به خود) که بعداً با نام شیک‌تر و جذاب‌تر Transformer‌ها همراه شدند، به این نوع تغییرات اشاره دارند.

اما با همهٔ این تغییرات و تحولاتی که طی نزدیک به نیم قرن اخیر در شبکه های عصبی به وجود آمده، دو ویژگی که نقطهٔ قوت و ماهیت شبکه عصبی را تشکیل می‌داده تغییر نکرده است: ذخیره سازی توزیع شده،  خاطره داشتن از گذشته (ویژگی‌ها بیشتر است. دو مورد به کار ما می‌آید).

این دو ویژگی بسیار مهم هستند و هر چقدر آن‌ها را بهتر درک کنیم، ظرفیت‌ها و محدودیت‌های شبکه های عصبی و مدل های زبانی مبتنی بر شبکه های عصبی (مانند Chat GPT) را بهتر درک خواهیم کرد.

یک مثال بسیار ساده‌شده از یادگیری توزیعی (شبیه شبکه عصبی)

دوستانی که با شبکه های عصبی و یادگیری ماشینی آشنایی دارند، اگر مثال زیر را با الگوهایی که از شبکه های عصبی در ذهن دارند مقایسه کنند، احتمالاً از ساده‌سازی بیش‌از‌حد من خوشحال نمی‌شوند. اما اگر بپذیرند که صرفاً می‌خواهیم با مفهوم توزیع‌شدگی (مستقل از پیچیدگی‌های شبکه های عصبی و سیستمهای یادگیری عمیق) آشنا شویم، به گمانم این مثال را خواهند پسندید. این مثال صرفاً از این جهت به ذهنم رسید که الان یک فروشگاه عطر روبه‌رویم قرار دارد و فروشنده مدتی است که با جدیت من را نگاه می‌کند. اگر جای دیگری نشسته بودم و چیز دیگری جلوی من بود، مثال دیگری می‌زدم.

فرض کنیم به یک کارگاه سادهٔ تولید عطر رفته‌ایم. این کارگاه، پنج مادهٔ مختلف دارد که آن‌ها را به نسبت‌های متفاوت با هم ترکیب می‌کند و انواع عطرها را می‌سازد.

چهار نفر هم داریم که سلیقهٔ عطر نسبتاً متفاوتی دارند. هر عطری که از این کارگاه بیرون می‌آید،‌ به هر چهار نفر عرضه می‌شود و هر کدام صرفاً با یک کلمه پاسخ می‌دهند: پسندیدم. نپسندیدم.

فرض کنید من یک دستگاه به شکل زیر درست کرده‌ام:

روی این دستگاه ۳۵ ولوم (شبیه ولوم رادیو – پتانسیومترهایی که برای تنظیم صدا و … استفاده می‌کنیم) قرار دارد و بالای آن چهار عدد لامپ نصب شده است. این پتانسیومترها با مدار پیچیده‌ای که ما اطلاعی از آن نداریم به هم وصل هستند. و احتمالاً خروجی بعضی از آن‌ها ورودی چند پتانسیومتر دیگر را تأمین می‌کند. به هر حال، هیچ نوع دسترسی به داخل جعبه نداریم و برایمان مهم هم نیست.

اما می‌دانیم که وقتی پتانسیومترها را می‌چرخانیم، در بعضی محدوده‌ها که قرار می‌گیرند،‌ بعضی از این لامپ‌ها خاموش یا روشن می‌شوند.

حالا می‌توانیم یک بازی جالب انجام دهیم:

من به شما ترکیب مواد یک عطر را می‌گویم: ۲۳٪ از مادهٔ یک و ۲۷٪ از مادهٔ دو و ۳۰٪ از مادهٔ سه و  ۲۰٪ از مادهٔ چهار و ۰٪ از مادهٔ پنج.

هم‌چنین به شما می‌گویم که این عطر را نفر اول و دوم و چهارم پسندیدند و نفر سوم آن را نپسندید.

شما باید پنج پتانسیومتر سمت چپ را بر اساس ترکیب مواد عطر تنظیم کنید. سپس با سی پتانسیومتر دیگر آن‌قدر بازی کنید تا چراغ‌های بالا دقیقاً مشابه نظر آن چهار آدم روشن شوند. یعنی چراغ اول و دوم و چهارم روشن شوند و سومی خاموش بماند.

تا این‌جای کار بازی سخت نیست. اما حالا می‌توانیم یک گام جلوتر برویم.

مشخصات عطر بعدی را به شما می‌‌دهم: ۵٪ – ۱۰٪ – ۱۰٪- ۲۰٪ – ۵۵٪ و باز هم نظر آن چهار نفر: اولی و چهارمی پسندیدند.

حالا شما باید باز با پتانسیومترها بازی کنید. و دنبال تنظیمی بگردید که چراغ اول و چهارم را روشن کند. اما باید سعی کنید این تنظیم را طوری انجام دهید که اگر دوباره پتانسیومترهای چپ را روی همان تنظیم قدیمی (۲۳-۲۷-۳۰-۲۰-۰) بردیم، چراغ‌ها مشابه حالت اول روشن شوند (اول. دوم و چهارم).

این بازی را می‌توانیم ده‌ها بار با عطرهای مختلف انجام دهیم. کم‌کم دستگاه شما به نقطه‌ای می‌رسد که اگر ترکیب عطری را به شما بگویم که قبلاً نگفته بودم، دستگاه می‌تواند حدس بزند که کدامیک از این چهار نفر آن را می‌پسندند و کدام نمی‌پسندند.

خوش‌بختانه اوضاع در دنیای هوش مصنوعی بسیار بهتر است. چون رابطهٔ بین این پتانسیومترها را می‌دانیم. هم‌چنین محققان هوش مصنوعی سال‌ها جستجو کرده‌اند و توانسته‌اند پتانسیومترهایی با ویژگی‌های مناسب بسازند که ورودی‌ها را به شکل کارآمدی ترکیب کند و خروجی بدهد. ضمناً الگوریتم‌ها و روش‌های متنوعی هم ایجاد شده که کمک می‌کند شما پتانسیومترها را به شکل بهینه‌ای تنظیم کنید. یعنی به شکلی که تا حد امکان،‌ نتایج قبلی از بین نرود و ظرفیت تحلیل نمونه‌های جدید هم به سیستم اضافه شود.

اما فعلاً بحث ما این نیست. ما با همان جعبهٔ خودمان کار داریم. چون فقط می‌خواهیم مفهوم Distributedness یا توزیع‌شدگی را بفهمیم.

بعد از این که چند روز با دستگاه بازی کردید و پتانسیومترها را تنظیم کردید، نهایتاً تمام تلاش شما در یک ماتریس ۵ در ۶ خلاصه می‌شود. مثلاً چیزی شبیه این:

هر عددی که در این جدول می‌بینید، متناظر با یکی از پتانسیومترها در اسباب‌بازی بالاست. عملاً تمام تلاش شما و یادگیری شما و آن‌چه از سلیقهٔ آن چهار نفر می‌دانید، در این جدول خلاصه شده است.

چند اتفاق جالب که در این جدول افتاده را با هم مرور کنیم:

یکی این‌که داده‌های این ماتریس، کاملاً توزیع‌شده هستند. شما نمی‌دانید و نمی‌توانید بگویید کدام عدد به سلیقهٔ چه کسی مربوط است. فقط می‌توانید بگویید تمام چیزی که از سلیقهٔ این آدم‌ها دارم در این جدول ذخیره شده است.

دیگر این‌که این ماتریس، حافظه دارد. یعنی تمام نمونه‌هایی که به آن نشان داده‌اید و تجربیاتی که داشته، به نوعی جایی در آن ذخیره شده است. شما طبیعتاً هر بار سعی می‌کنید با کمترین تغییر در تنظیمات پتانسیومترها، کاری کنید که اسباب‌بازی‌تان با نمونهٔ حدید هم جور در بیاید و بتواند آن را هم تحلیل کند.

سوم این که در n-gram سیستم شما عملاً می‌تواند در مورد زنجیره‌هایی که قبلاً دیده و در پیکره یا دیتابیس آن وجود داشته اظهارنظر (قابل‌اتکا) کند. اما در این‌جا سیستم این ظرفیت را دارد که در مورد ترکیب عطری که پیش از این هرگز ندیده هم (طبیعتاً با یک محدودهٔ خطا) نظر بدهد. یعنی یک ترکیب عطر را که اصلاً تا حالا وجود نداشته به آن بدهید و حدس بزند که چه کسانی آن را می‌پسندند.

این مطلب – با اولویت پایین – تکمیل می‌شود.