در اینجا چیزی است که باید در مورد آن فکر کنید: مدل های بزرگ زبان (LLM) مانند Chatgpt ، Claude و Deepseek فقط به سؤالات ما پاسخ نمی دهند. آنها هوش را انجام می دهند.

پاسخ های آنها غالباً صیقلی ، قانع کننده و مفصل بیان می شود. و برای بسیاری ، این تسلط کافی است. اما تسلط همانند فکر نیست. و در زمینه سردرگمی شناختی امروز در مورد فکر و خروجی ، ممکن است زمان آن رسیده باشد که این موضوع را کمی باز کنیم.

با یک نگاه ، این سیستم ها به نظر می رسد “فکر می کنند”. اما این ظاهر تفاوت مهمی را پنهان می کند ، چیزی که از دست دادن آسان و حتی فراموش کردن ساده تر است ، به خصوص وقتی زبان احساس می کند … انسان.

همانطور که هوش مصنوعی در نحوه نوشتن ، یادگیری و عقل تعبیه می شود ، درک اینکه چگونه LLM ها با ذهن انسان متفاوت هستند ، یک کنجکاوی دانشگاهی نیست ، بلکه یک ضرورت شناختی است.

معماری اندیشه انسان

تفکر انسان در تجربه است. این شکل با حافظه شکل گرفته است ، که به احساسات دامن زده می شود ، توسط قصد هدایت می شود و با تداوم نفس به هم می دویده می شود. اکنون ، متوقف شوید و دوباره آن جمله را بخوانید. ما فقط فکر نمی کنیم که پاسخ دهیم ، بلکه درک کنیم – معنا پیدا کنیم ، ابهام حرکت کنیم و باورهای خودمان را تجدید نظر کنیم.

برخی از ویژگی های تعریف کننده اندیشه بشر فقط قابل تشخیص نیستند ، بلکه عمیقاً احساس می شوند.

• موقتی شناخت انسان به موقع وجود دارد. دیروز را به یاد می آوریم و فردا را پیش بینی می کنیم.
• آژانس ما فکر می کنیم ما سوالات را دنبال می کنیم و به دنبال درک هستیم.
• احساسات و انگیزه. تفکر ما هرگز خنثی نیست. این با ارزش ها ، اهداف ، ترس ها و خواسته ها شکل گرفته است.
• یادگیری و ادغام. ما رشد می کنیم ، فراموش می کنیم و تغییر شکل می دهیم. فکر پویا ، تکراری و تحول پذیر است.
• خودخواهی یک “من” وجود دارد که تفکر را انجام می دهد ، یک روایت خود با گذشته ، حال و آینده.

فکر کردن به عنوان یک انسان باید تعبیه شود – در بدن ، در یک زمینه یا یک داستان. و در اینجا مهمترین راه حل است – ما به سادگی اطلاعات را پردازش نمی کنیم ، ما آن را زندگی می کنیم.

منطق دستگاه

در مقابل ، LLM ها کاری متفاوت انجام می دهند – با این حال فوق العاده قدرتمند. آنها از طریق استنباط آماری عمل می کنند ، نه تجربه ذهنی. آنها هیچ خود ، هیچ خاطره ای ندارند (مگر اینکه داربست بیرونی) و هیچ دلیلی برای “بخواهد” چیزی ندارند. آنچه آنها ارائه می دهند نوعی درخشش احتمالی است یا به عبارت ساده تر ، توانایی تولید زبانی که بر اساس الگوهای موجود در مجموعه داده های عظیم به نظر می رسد.

LLM ها به معنای انسانی فکر نمی کنند. خروجی آنها نشان دهنده سکون آماری یا شاید حتی یک واقعیت سرد است.

• بوها بی موقع حباب دیروز نمی داند یا فردا را پیش بینی می کند. هر سریع اغلب تنظیم مجدد است.
• عملیات بدون تابعیت مکالمات قبلی را به خاطر نمی آورد مگر اینکه دستور داده شود.
• بدون قصد و اعتقاد. اهمیتی نمی دهد که چه می گوید. هیچ اولویت ، هدف یا هدف وجود ندارد.
• تقلید ساختاری. این آینه ای از نوشتن هوشمند و بدون تجربه اساسی که آن را ایجاد می کند ، آینه می دهد.
• اکو ، نه بینش. درون یابی می کند ، نه اختراع. این مجدداً تنظیم مجدد می شود ، نه مجدداً.

گفتن LLM “فکر می کند” در واقع ممکن است این باشد که کلمه را از نقطه شکستن آن کشیده شود. حداقل در حال حاضر

مسیر محاسبه

البته ، تمایزات امروز ممکن است برای همیشه حفظ نشود. مسیر محاسبات شتاب می یابد – سریع. ما شاهد تلفیق حافظه ، تجسم ، روشهای حسی و حتی آژانس ابتدایی در مدل های نسل بعدی هستیم. با هر تکرار ، مرز بین شبیه سازی و شناخت نازک تر می شود. در حالی که LLM های فعلی بدون آگاهی یا تداوم کار می کنند ، سیستم های آینده ممکن است این محدودیت ها را به چالش بکشد – و با آنها ، تعاریف بسیار ما از فکر. و سپس نیروی بازگشتی هوش مصنوعی به قدرت هوش مصنوعی وجود دارد ، جایی که “تفکر” به طور کامل در خارج از متفکر اتفاق می افتد.

محاسبه و سردرگمی

خطر این نیست که LLM ها را با مردم اشتباه بگیریم. خطر این است که ما انتظار داشته باشیم که خودمان مانند آنها فکر کنیم – سریع ، روان و بدون اصطکاک. اما تفکر انسان ما هیچ یک از این چیزها نیست. این تلاش ، نامشخص و گاهی اوقات ناراحت کننده است.

و این نکته است.

ما نباید LLMS را دور بیندازیم یا بی اعتنا کنیم. اما ما باید یاد بگیریم که آنها را در فاصله شناختی مناسب نگه داریم. در اصل آنها ، این سیستم ها شرکای فکر نمی کنند ، حتی اگر این واژگان امروز است که بسیاری از آنها اتخاذ کرده اند. آنها آینه هستند – آنهایی که شکوفا هستند – این نشان دهنده شکل زبان بشر بدون جوهر یا روح اندیشه انسان است.

وقتی این تمایز را درک می کنیم ، می توانیم از LLM ها عاقلانه استفاده کنیم. وقتی این کار را نمی کنیم ، ما پاسخ های برون سپاری و عمل به فکر خود را به خطر می اندازیم.