آخرین بروزرسانی در ۴ شهریور ۱۴۰۵ توسط Dr.Arman
یادگیری زبان توسط انسان یکی از شگفتانگیزترین فرآیندهای بیولوژیکی در جهان شناخته میشود. امروزه تکنولوژی هوش مصنوعی ساخت متن تلاش میکند این توانایی انسانی را در ماشینها شبیهسازی کند.
بررسی تفاوت یادگیری کودک و هوش مصنوعی در پردازش اطلاعات
بشر برای هزاران سال تنها موجودی بود که میتوانست زبان را به کمال بیاموزد. اکنون مدلهای زبانی بزرگ مانند جیپیتی و کلود نیز به این عرصه وارد شدهاند. این ماشینها به قدری در مکالمه ماهر هستند که به راحتی جای انسان را میگیرند. اما در پشت این پرده محاسباتی، یک تفاوت بسیار بزرگ و اساسی نهفته است. آموزش این ماشینها به حجم غیرقابل باوری از دادههای متنی و اطلاعاتی نیاز دارد. یک مدل هوش مصنوعی صدها هزار برابر بیشتر از یک کودک کلمه مصرف میکند. کودکان تا اولین سالگرد تولد خود تنها بخش کوچکی از این کلمات را میشنوند. دانشمندان علوم شناختی این تفاوت عظیم را شکاف کارایی داده مینامند. این شکاف نشان میدهد که مغز انسان بسیار بهینهتر از الگوریتمها عمل میکند. تفاوت یادگیری کودک و هوش مصنوعی در نحوه استخراج الگوها از دادههای محدود است. محققان دانشگاه استنفورد معتقدند ما تمام دانش بشری را برای بازسازی یک معجزه میسوزانیم. این معجزه هر روز در اتاقهای نشیمن خانهها توسط کودکان رخ میدهد.
درک این موضوع برای معماران مدلهای هوش مصنوعی یک چالش بسیار بزرگ و حیاتی است. چرا کودکان همچنان از پیچیدهترین ماشینهای ساخته شده توسط بشر بهتر عمل میکنند؟ پاسخ به این سوال میتواند مسیر آینده تحقیقات هوش مصنوعی را به کلی تغییر دهد. در دهه گذشته، مدلهای زبانی عمدتاً با بزرگتر شدن و مصرف داده بیشتر پیشرفت کردهاند. به عنوان مثال، مدل لاما ۳.۱ شرکت متا با ۱۵ تریلیون توکن آموزش دیده است. این عدد در مقایسه با تجربه زبانی یک کودک بسیار سرسامآور به نظر میرسد. دانشمندان دانشگاه جورجتاون هشدار میدهند که منابع دادههای اینترنتی به زودی به پایان میرسند. احتمالاً تا دهه ۲۰۳۰ میلادی، منبع دادههای باکیفیت برای آموزش مدلها کاملاً خشک خواهد شد. بنابراین، یادگیری از کودکان برای ساخت مدلهای کمهزینهتر و بهینهتر یک ضرورت است.
جدول زیر مقایسهای بین حجم دادههای مصرفی انسان و هوش مصنوعی ارائه میدهد:
| یادگیرنده | حجم تقریبی کلمات/توکنها | مقیاس بصری (ارتفاع کاغذ) |
|---|---|---|
| کودک (تا سن ۱۰ سالگی) | ۱۰۰ میلیون کلمه | ۲۰ متر |
| مدلهای زبانی بزرگ (LLM) | ۱۵ تریلیون توکن | فراتر از ایستگاه فضایی |
چالشهای بنیادین در آموزش مدلهای زبانی بزرگ
بسیاری از ما سختی یادگیری زبان را تنها در بزرگسالی تجربه میکنیم. گرامرهای پیچیده و افعال بیپایان برای آموزندگان بزرگسال بسیار عذابآور و دشوار هستند. اما کودکان زبان مادری خود را بدون هیچ تلاش آگاهانهای فرا میگیرند. یک کودک نوپا با شنیدن تنها ۱۰ میلیون کلمه جملات صحیح میسازد. این در حالی است که آموزش مدلهای زبانی با این حجم داده نتایج مضحکی دارد. اگر مدل جیپیتی-۲ را با ۱۰ میلیون کلمه آموزش دهید، تنها مهملات تولید میکند. این تضاد نشاندهنده یک معمای بزرگ در علوم اعصاب و کامپیوتر است. سینتکس یا ساختار جملات در زبان انسان بسیار پیچیده و تودرتو طراحی شده است. کودکان چگونه از این اقیانوس بیکران، تنها با چند قطره داده، به عمق میرسند؟
نوآم چامسکی در دهه ۱۹۵۰ نظریه دانش فطری گرامر را مطرح کرد. او معتقد بود نوزادان با دانش سختافزاری از قوانین زبان به دنیا میآیند. این دیدگاه در مقابل نظریه اسکینر قرار داشت که یادگیری را محیطی میدانست. چامسکی استدلال میکرد که دادههای محیطی برای یادگیری کامل زبان بسیار ناچیز هستند. او این وضعیت را فقر محرک نامید و بر وجود قوانین منطقی تاکید کرد. برای دههها، تفاوت یادگیری کودک و هوش مصنوعی بر اساس این تئوریها بررسی میشد. محققان تلاش میکردند قوانین زبان را به صورت دستی به برنامههای کامپیوتری دیکته کنند. این رویکرد که هوش مصنوعی نمادین نام داشت، در نهایت با شکست مواجه شد. ماشینها نتوانستند پیچیدگیهای طبیعی زبان انسان را در مقیاس بزرگ به درستی درک کنند. در عوض، شبکههای عصبی با رویکرد آماری در سالهای اخیر به موفقیت رسیدند. ظهور معماری ترنسفورمر در سال ۲۰۱۸ نقطه عطفی در این مسیر پرفراز و نشیب بود. مدلهایی مانند جیپیتی نشان دادند که یادگیری آماری از حجم انبوه دادهها کار میکند.
آموزش مدلهای زبانی امروزه بر پایه پیشبینی توکن بعدی در یک توالی بزرگ است. این ماشینها هیچکدام از ویژگیهای تکاملی یا بیولوژیکی مغز انسان را در اختیار ندارند. با این حال، آنها در نوشتن اشعار زیبا و قبولی در آزمونهای گرامر موفق هستند. بسیاری از روانشناسان از قدرت یادگیری سینتکس توسط این مدلهای آماری شگفتزده شدند. آنها تصور نمیکردند که تنها با آمار بتوان به ساختار پیچیده زبان دست یافت. اما سوال اصلی همچنان پابجا است: آیا میتوان با دادههای کم نیز یاد گرفت؟
راهکارهای نوین برای کاهش شکاف کارایی داده در هوش مصنوعی
محققان دانشگاه کالیفرنیا به دنبال ساخت مدلهایی در ابعاد ذهنی یک کودک هستند. آنها مسابقهای سالانه به نام BabyLM را برای آموزش مدلها با داده محدود راهاندازی کردند. هدف این چالش، آموزش مدلها تنها با ۱۰۰ میلیون کلمه است. این کلمات از کتابهای داستان، زیرنویس فیلمها و رونوشتهای صحبت با کودکان جمعآوری شدهاند. نتایج اولیه این مسابقات بسیاری از پیشفرضهای قدیمی ما را به چالش کشیده است. برای مثال، یادگیری برنامه درسی که از ساده به دشوار است، همیشه موفق نبود. جالب است که بهترین مدلهای کوچک، لزوماً از روشهای یادگیری نوزادان الهام نگرفتهاند. برخی مدلهای کوچک توانستند مدلهای بسیار بزرگتر از خود را در آزمونهای گرامر شکست دهند. با این حال، این مدلها هنوز با تواناییهای واقعی یک کودک فاصله زیادی دارند. کودکان برخلاف ماشینها، موجوداتی هستند که جهان را از طریق حواس خود درک میکنند.
دانشمندان دانشگاه استنفورد از دوربینهای روی سر نوزادان برای جمعآوری داده استفاده کردند. این پروژه که SAYCam نام دارد، زندگی نوزادان را از دید خودشان ثبت میکند. تصاویر نشان داد که تجربه بصری کودکان بسیار متفاوت از تصورات قبلی ما است. کودکان در دنیایی از اشیاء نزدیک و زانوهای بزرگسالان زندگی میکنند. مدلهای آموزش دیده با این ویدئوها توانستند نام اشیاء را به خوبی یاد بگیرند. این موضوع نشان میدهد که آموزش مدلهای زبانی در آینده باید چندوجهی باشد. یعنی ماشینها باید علاوه بر متن، از طریق چشم و گوش نیز بیاموزند. شکاف کارایی داده در هوش مصنوعی احتمالاً به دلیل فقدان تعامل با محیط فیزیکی است. کودکان تنها تماشاگر جهان نیستند، بلکه آنها به طور فعال در آن کاوش میکنند.
- کاوش فعال: کودکان با دستکاری اشیاء، روابط علت و معلولی را به سرعت میآموزند.
- تعامل اجتماعی: نوزادان از طریق واکنشهای والدین و نیتهای آنها اطلاعات را فیلتر میکنند.
- انگیزه درونی: ذهن انسان تمایل ذاتی به پر کردن شکافهای دانش خود دارد.
برخی محققان معتقدند نسل بعدی هوش مصنوعی باید از روانشناسی رشد الهام بگیرد. آزمایشگاههای بزرگی مانند متا و گوگل به شدت به دنبال یادگیری از ویدئوها هستند. آنها میخواهند مدلهایی بسازند که مانند نوزادان، با مشاهده جهان فیزیکی آموزش ببینند. این کار نه تنها به ساخت ابزارهای بهتر، بلکه به درک خودمان نیز کمک میکند. ما میتوانیم از مدلهای زبانی به عنوان موشهای آزمایشگاهی برای مطالعه زبان استفاده کنیم. با تغییر دادههای ورودی به مدل، میتوانیم فرضیات علمی درباره ذهن انسان را بسازیم. شکاف کارایی داده در هوش مصنوعی پلی است که علوم کامپیوتر را به علوم شناختی متصل میکند. در نهایت، بستن این شکاف به معنای ساخت هوشی است که شباهت بیشتری به ما دارد. این تلاشها ممکن است روزی پرده از راز بزرگ یادگیری زبان در انسان بردارد.
منبع:
https://www.technologyreview.com/2026/08/24/1141740/kids-machines-language-learning/
مطالب مرتبط