آخرین بروزرسانی در ۷ شهریور ۱۴۰۵ توسط Dr.Arman
دنیای فناوری امروز با اخبار هیجانانگیز درباره پیشرفتهای سریع هوش مصنوعی احاطه شده است. بررسی دقیق محدودیتهای استدلال هوش مصنوعی نشان میدهد که این ابزارها هنوز با چالشهای جدی روبرو هستند.
تستهای هوش مصنوعی و حل معماهای منطقی پیچیده
بازیها و معماها از ابتدا در کانون توسعه سیستمهای رایانهای بودهاند. دانشمندان از این ابزارها برای سنجش میزان پیشرفت الگوریتمها استفاده میکنند. اصطلاح یادگیری ماشین در سال ۱۹۵۹ توسط آرتور ساموئل معرفی شد. او مقالهای درباره الگوریتم بازی چکرز برای شرکت آیبیام نوشت. بازیهای شطرنج و گو نیز بسترهای معروفی برای این آزمایشها هستند. هوش مصنوعی در حل معماها به سرعت در حال رشد است. در اواخر سال ۲۰۲۴ مدلها فقط ۱۸ درصد معماهای نیویورک تایمز را حل میکردند. اما در اوایل سال ۲۰۲۵ این دقت به نزدیکی ۱۰۰ درصد رسید. با این حال معماها پنجرهای رو به نقاط ضعف سیستمها هستند. تغییرات جزئی در معماهای کلاسیک باعث گیج شدن مدلها میشود. معماهای بصری همچنان نقطه ضعف اصلی این فناوریهای پیشرفته محسوب میشوند. تستهای هوش مصنوعی نشان میدهند که درک فیزیکی هنوز ناقص است. مدلها در دستکاری ذهنی اشیاء سهبعدی عملکرد بسیار ضعیفی دارند. معماران و مهندسان مکانیک در این زمینه از ماشینها برتر هستند. توانمندیهای مدلهای زبانی در تحلیل فضای فیزیکی هنوز محدود است.
بررسی توانمندیهای مدلهای زبانی در درک فضایی و بصری
مدلهای زبانی بزرگ دارای حافظهای بسیار حجیم و شگفتانگیز هستند. آنها در طول آموزش با حجم عظیمی از دادهها روبرو شدهاند. این ویژگی باعث برتری آنها در مسابقات اطلاعات عمومی میشود. اما همین حافظه قوی گاهی به یک نقطه ضعف تبدیل میشود. وقتی معما شبیه دادههای آموزشی باشد مدل دچار خطا میشود. در این حالت ماشین به جای استدلال به حافظه خود رجوع میکند. محققان گوگل و دانشگاه ایلینوی تحقیقی در این زمینه انجام دادند. آنها مدلها را با معمای شوالیهها و کلاهبرداران آزمایش کردند. در این معما برخی همیشه راست میگویند و برخی دروغگو هستند. مدلها در مواجهه با تغییرات کوچک در این مسئله شکست خوردند. انسانها معمولاً به سرعت تلههای منطقی را شناسایی میکنند. اما حتی برترین مدلهای زبانی بزرگ نیز در این تستها میلغزند. توانمندیهای مدلهای زبانی در تشخیص مفاهیم انتزاعی بصری نیز چالشبرانگیز است. هوش مصنوعی در پازلهای دوبعدی نیز دچار مشکل میشود. بنچمارک معروف ARC-AGI بر همین اساس طراحی شده است. این مسائل نیاز به استخراج قوانین کلی از مثالها دارند. ماشینها زمانی بهتر عمل میکنند که دادهها به صورت عددی باشند. اما انسانها از مفاهیم بصری ساده برای حل مسائل استفاده میکنند. قوانین ماشینها اغلب پیچیده و غیرقابل تعمیم به شرایط جدید است.
در جدول زیر مقایسهای بین عملکرد انسان و ماشین ارائه شده است:
| نوع مهارت | عملکرد انسان | عملکرد هوش مصنوعی |
|---|---|---|
| استدلال فضایی | بسیار عالی | ضعیف |
| حافظه حقایق | متوسط | فوقالعاده |
| درک شهودی | سریع اما خطاپذیر | تحلیلی و دقیق |
| تعمیم بصری | بسیار قوی | وابسته به داده |
آینده مدلهای زبانی بزرگ و عبور از خطاهای شناختی
گاهی اوقات توانایی مدلها به مقیاس و اندازه آنها بستگی دارد. محققان اپل بررسی کردند که مدلها مسائل ساده را حل میکنند. مسئله برج هانوی مثالی از این نوع آزمایشهای منطقی است. در این بازی باید دیسکها را بدون خطا جابجا کرد. مدلها تا زمانی که تعداد دیسکها کم است موفق هستند. اما با رسیدن به شش دیسک یا بیشتر سیستمها میلغزند. این موضوع نشاندهنده محدودیت در پردازش گامهای پیچیده است. تستهای هوش مصنوعی ثابت کردهاند که پیچیدگی زیاد مانع استدلال است. برخی معتقدند این خطاها در انسانها نیز طبیعی است. با افزایش حجم کار ضریب خطای هر سیستمی بالا میرود. اما تفاوت اصلی در نوع نگاه به مسئله نهفته است. انسانها دارای شهود هستند که گاهی باعث خطا میشود. مدلهای زبانی بزرگ فاقد این سوگیریهای شهودی انسانی هستند. آنها به جای پاسخهای سریع به صورت تحلیلی فکر میکنند. این ویژگی در حل مسائل ریاضی یک مزیت بزرگ است. اما در درک ظرافتهای زبانی یک نقص محسوب میشود. دانشمندان علوم اعصاب به دنبال پل زدن بین این دو هستند. درک تفاوتهای شناختی به بهبود مدلهای آینده کمک میکند. دنیای تجارت نیز باید به این محدودیتهای استدلال هوش مصنوعی آگاه باشد. استفاده ابزاری بدون درک این نواقص میتواند خطرناک باشد. مدلهای زبانی بزرگ هنوز تا رسیدن به هوش انسانی فاصله دارند. آنها ابزارهای قدرتمندی هستند که نیاز به نظارت انسانی دارند. شناخت نقاط ضعف باعث استفاده هوشمندانهتر از تکنولوژی میشود.
- تفاوت در مدلسازی جهان فیزیکی
- تکیه بیش از حد بر الگوهای حافظه
- ضعف در حل مسائل با پیچیدگی تصاعدی
- نیاز به دادههای ساختاریافته برای استدلال
در نهایت باید گفت که هوش مصنوعی رقیب ما نیست. این فناوری در واقع آینهای برای شناخت بهتر ذهن ماست. با بررسی تستهای هوش مصنوعی به نبوغ انسان پی میبریم. توانمندیهای مدلهای زبانی هر روز در حال تکامل است. اما خلاقیت و شهود انسانی همچنان غیرقابل جایگزین باقی مانده است. برای موفقیت در عصر جدید باید این دو قدرت را ترکیب کرد. شناخت دقیق محدودیتهای استدلال هوش مصنوعی کلید پیشرفتهای بعدی است. محققان همچنان به طراحی معماهای دشوارتر ادامه میدهند. هر معمای جدید مرزهای دانش ما را جابجا میکند. آینده این حوزه بسیار روشن و در عین حال چالشبرانگیز است.
منبع:
https://www.technologyreview.com/2026/08/26/1141952/puzzles-ai-models-flub-these-tests/
مطالب مرتبط