شوق هوش مصنوعی محققانی را که در تلاش برای درک چگونگی پردازش زبان توسط مغز ما هستند، تحت تاثیر قرار داده است. جدیدترین تکنیک این است که خروجی مدل‌های زبان بزرگ (یا LLMهایی مانند ChatGPT) را به نواحی مغزی که هنگام انجام انواع مختلف وظایف زبانی مشاهده می‌شوند، مرتبط کنیم. در طول نشست سالانه انجمن نوروبیولوژی زبان، یک سمپوزیوم موضوع هوش مصنوعی و زبان را به موضوعی قابل توجه تبدیل کرد.

مدل های زبان

LLM ها بسیار قدرتمند هستند. به جای 80 یا 100 سال، تجربه آنها معادل نزدیک به 400 سال است که به راحتی کل تجربه یک انسان معمولی را سه یا چهار برابر می کند. سمپوزیوم خاص در مورد استفاده از این مدل های قدرتمند برای پیش بینی فعالیت مغز در انسان منجر به سوالات جدی از سوی مخاطبان شد. به ویژه، من شگفت زده شدم که چگونه استفاده از این مدل ها اطلاعات بیولوژیکی و تکاملی را نادیده می گیرد که می تواند به ما در درک زبان انسان کمک کند. گونه ما بیش از 40000 سال در تجسم فعلی خود بوده است. ما می توانیم به این اضافه کنیم که اجداد ما چندین هزار تلاش برای برقراری ارتباط با یکدیگر صرف کردند. ما همچنین می‌توانیم این واقعیت را به این موضوع اضافه کنیم که به عنوان انسان باید زبان را در کودکی یاد بگیریم. از این نظر، مغز انسان و فرهنگ ما به توانایی‌های شناختی باورنکردنی منجر شده است که در میان آنها توانایی استفاده از زبان مهم است. وقتی سمپوزیوم به پایان رسید و آنها به سؤالات پرداختند، من با تعجب از این که چه چیزی ممکن است LLM به ما کمک کند در مورد زبان انسان نتیجه گیری کنیم، ایستادم. اشاره کردم که الیزابت بیتس، مشاور دکتری و دانشمند مشهور شناختی من، گفته بود که شبکه‌ها باید «جسم بگیرند و جان بگیرند». فقط برای من روشن نیست که این مدل ها در مورد زبان انسان به ما چه می گویند. با پایان یافتن سمپوزیوم، بحث در طول استراحت قهوه به یک بحث تمام عیار تبدیل شد. در آن مقطع بود که من به طور خودجوش نمونه ای را از انتخابات فعلی برای ریاست جمهوری ایالات متحده بیرون کشیدم. در اینجا یک تشبیه وجود دارد، که من از آن برای روشن کردن تردیدهای بسیاری از ما در مورد استفاده از هوش مصنوعی برای درک چگونگی پردازش زبان توسط مغز انسان استفاده خواهم کرد. ابتدا، بیایید نظرسنجی ها و کلیدها را در نظر بگیریم.

نظرسنجی در مقابل کلید

در حدود 40 سال گذشته، آلن لیختمن، استاد، نویسنده و مورخ، انتخابات ریاست جمهوری ایالات متحده را پیش بینی کرده است. 13 کلید او برای کاخ سفید زمانی که با ولادیمیر کیلیس-بوروک یک فیزیکدان آشنا شد در حالی که لیختمن در سال 1980 در حال بازدید از Cal Tech بود. کیلیس-بوروک در مطالعه زلزله تخصص داشت و در یک لحظه آن دو متوجه شدند که انتخابات ریاست جمهوری مثل زلزله بودند اساساً رای به حزب در قدرت بود. اگر حزبی که در قدرت بود رای می‌داد، زلزله بود. اگر ماندند، پس ثبات بود. لیختمن و کیلیس بوروک با استفاده از دانش خود در مورد تاریخ، متوجه شدند که کدام عوامل در انتخابات قبلی مسئول بوده اند. این منجر به 13 کلید شد که حول محور اینکه آیا نامزد برای انتخاب مجدد نامزد شده بود یا خیر، عملکرد حزب در میان دوره ای چقدر خوب بود و معیارهای اقتصادی در میان عوامل دیگر بود.

در ادامه، لیختمن شروع به اعمال مدل خود کرد. او انتخاب مجدد رونالد ریگان را در سال 1984 به درستی پیش بینی کرد، در حالی که بسیاری در انتخاب مجدد رئیس جمهور در دهه 70 خود تردید داشتند. او انتخاب دونالد ترامپ را در سال 2016 پیش بینی کرد، زمانی که بسیاری فکر می کردند هیلاری کلینتون پیروز خواهد شد. چهار سال بعد او پیش‌بینی کرد که ترامپ از بایدن شکست خواهد خورد و پیش‌بینی خود را برای انتخابات بعدی در اوایل سپتامبر 2024 انجام داد. تنها کار او این است که برنده انتخابات بعدی را بر اساس کلیدهای خود پیش بینی کند. افراد دیگری مانند نیت سیلور هستند که از رویکرد متفاوتی استفاده کرده اند. مدل سیلور بر اساس نظرسنجی های مختلف در ایالت های مختلف است. او عوامل دیگری را نیز در نظر می گیرد. او برای قدرت این مدل ها در کتابش استدلال کرد. سیگنال و نویز. او از ریاضیات و آمار بسیار پیچیده استفاده می کند تا حدس بزند چه کسی برنده خواهد شد. لیختمن از 13 سوال بله/خیر استفاده می کند. در سال 2016 سیلور به کلینتون 80 درصد شانس برای پیروزی در انتخابات داد. لیختمن که پیش بینی کرده بود شکست خواهد خورد.

این ما را به جایی که من شروع کردم برمی گرداند. در شناخت انسان از چه رویکردی استفاده کنیم؟ آیا مدل‌های پیچیده‌ای مانند مدل‌های Silver یا AI مانند مدل‌هایی که در LLM برای زبان استفاده می‌شوند بهتر هستند؟ تشبیه جالبی است. زبان انسان برای مدت بسیار طولانی وجود داشته است. ما مشکل ارتباطات انسانی را حل کرده ایم و آن را به خوبی انجام داده ایم. انتخابات ریاست جمهوری ایالات متحده تقریباً به این اندازه نبوده است، با این حال بازگشت به گذشته نتایج بزرگی به همراه داشته است.

بنابراین سوال من این است: چرا ما فکر می کنیم که یک اسباب بازی جدید به نحوی ما را بیشتر از یک ترفند قدیمی به دست می آورد؟

در تلاش برای درک اینکه چگونه مغز انسان زبان را مدیریت می کند، ممکن است فقط یک صفحه از رویکرد لیختمن را برداریم. بیایید به تاریخ نگاه کنیم. در مورد زبان، نوع ما و تاریخچه یادگیری زبان فردی ما می تواند به ما در درک چیزها کمک کند. اکنون، ممکن است تعجب کنید که آیا من استدلال می‌کنم که استفاده از LLM برای زبان یا مدل‌های پیشرفته بر اساس نظرسنجی‌های انتخاباتی را متوقف می‌کنیم. البته نه. آنها مدل هستند و چیزی در مورد واقعیت به ما می گویند. شکست ما در استفاده از این تکنیک های پیشرفته نیست. در این فکر است که این تکنیک های پیشرفته به نوعی برتر از ترفندهای “مکتب قدیمی” هستند که ما برای کشف نحوه عملکرد جهان از آنها استفاده می کردیم. در حالی که امروزه اسباب‌بازی‌های جدید و براق زیادی وجود دارد که می‌توانیم از آنها استفاده کنیم، ترفندهای خسته‌کننده قدیمی گذشته چندان بد نیستند. اگر فکر می کنید من اشتباه می کنم، فقط از آلن لیختمن بپرسید.