منبع: هنر: DALL-E/OpenAI

در پیچیدگی شناخت انسان، هیپوکامپ به عنوان یک بازیکن مرکزی می ایستد و چیزی بیش از ذخیره سازی خاطرات را تنظیم می کند. این یک استاد استنتاج است – یک توانایی شناختی که به ما امکان می دهد از داده های خامی که دریافت می کنیم فراتر برویم و روابط انتزاعی را استخراج کنیم که به ما کمک می کند جهان را به روش های انعطاف پذیرتر و سازگارتر درک کنیم. یک مطالعه اخیر در طبیعت بر این نکته تأکید می کند و نشان می دهد که هیپوکامپ بازنمایی های انتزاعی و سطح بالایی را رمزگذاری می کند که رفتار تطبیقی ​​و تعمیم را در زمینه های مختلف تسهیل می کند.

در هسته خود، استنتاج مکانیسم شناختی است که به وسیله آن از حقایق شناخته شده نتیجه گیری می کنیم، حتی زمانی که اطلاعات ناقص یا مبهم هستند. این توانایی چیزی است که به ما امکان می‌دهد استعاره‌ها را درک کنیم، نتایج را پیش‌بینی کنیم و مشکلات را حل کنیم – اغلب با داده‌های بسیار کمی که باید ادامه دهیم. در هیپوکامپ، این فرآیند بر توانایی فشرده سازی اطلاعات به بازنمایی های انتزاعی است که می تواند تعمیم داده شود و در موقعیت های جدید اعمال شود. اساساً، هیپوکامپ ما را قادر می‌سازد تا فراتر از زمان حال فکر کنیم، ارتباطاتی را ترسیم کنیم و پیش‌بینی‌هایی انجام دهیم که تصمیمات و اقدامات ما را هدایت می‌کند.

اما ماشین ها چطور؟ آیا مدل های زبان بزرگ که بر اساس الگوریتم های پیش بینی عمل می کنند، می توانند از این نوع عملکرد شناختی درجه بالاتر تقلید کنند؟

LLMs و هنر استنتاج پیش بینی کننده

در نگاه اول، LLM ها ممکن است مانند ماشین های آماری ساده به نظر برسند. به هر حال، وظیفه اصلی آنها پیش بینی کلمه بعدی در یک دنباله بر اساس الگوهایی است که در مجموعه داده های وسیع دیده اند. اما در زیر این سطح مکانیسم پیچیده تری از انتزاع و تعمیم نهفته است که به نوعی روند هیپوکامپ را منعکس می کند.

LLMها فقط جفت‌ها یا دنباله‌های کلمه را حفظ نمی‌کنند، بلکه یاد می‌گیرند که بازنمایی‌های انتزاعی زبان را رمزگذاری کنند. این مدل‌ها بر روی حجم عظیمی از داده‌های متنی آموزش داده می‌شوند و به آن‌ها اجازه می‌دهند تا روابط بین کلمات، عبارات و مفاهیم را به روش‌هایی که فراتر از الگوهای سطحی صرف است، استنتاج کنند. به همین دلیل است که LLM ها می توانند زمینه های مختلف را مدیریت کنند، به درخواست های جدید پاسخ دهند و حتی خروجی های خلاقانه تولید کنند.

از این نظر، LLM ها نوعی استنتاج ماشینی را انجام می دهند. آنها اطلاعات زبانی را در بازنمایی های انتزاعی فشرده می کنند که به آنها اجازه می دهد در زمینه ها تعمیم دهند – مشابه نحوه فشرده سازی هیپوکامپ داده های حسی و تجربی به قوانین یا اصول انتزاعی که تفکر انسان را هدایت می کند.

پل زدن شکاف: از پیش بینی تا استنتاج واقعی

اما آیا واقعاً LLM ها می توانند به همان سطح استنتاج مغز انسان دست یابند؟ در اینجا، شکاف آشکارتر می شود. در حالی که LLM ها در پیش بینی کلمه بعدی در یک دنباله و تولید متنی که اغلب به نظر می رسد محصول استنتاج متفکرانه است، چشمگیر هستند، توانایی آنها برای درک واقعی یا استنتاج مفاهیم انتزاعی هنوز محدود است. LLMها به جای درک علیت یا عمق رابطه ای که استنتاج انسانی را هدایت می کند، بر روی همبستگی ها و الگوها عمل می کنند.

در شناخت انسان، هیپوکامپ نه تنها بر اساس تجربیات گذشته اتفاقات بعدی را پیش‌بینی می‌کند، بلکه از درک غنی روابط انتزاعی بین اشیا، ایده‌ها و تجربیات نیز نشأت می‌گیرد. این به انسان اجازه می دهد تا در منطق جهش کند، مسائل جدید را حل کند و اصول آموخته شده را در سناریوهای بسیار متفاوت به کار گیرد.

برای سوق دادن LLMها به سمت سطح پیشرفته‌تری از استنتاج، باید سیستم‌هایی را توسعه دهیم که از پیش‌بینی صرف کلمه بعدی بر اساس احتمالات آماری فراتر روند. ما باید مدل‌هایی طراحی کنیم که بتواند اصول و روابط انتزاعی را به گونه‌ای رمزگذاری کند که به آن‌ها اجازه دهد این ایده‌ها را به طور انعطاف‌پذیر در زمینه‌های مختلف اعمال کنند – اساساً نوعی “عملکرد هیپوکامپ LLM” ایجاد می‌کند.

ساختن آینده استنتاج در هوش مصنوعی

ایده توسعه LLM با عملکردی شبیه هیپوکامپ وسوسه انگیز است. چنین سیستم هایی فقط کلمه بعدی را پیش بینی نمی کنند، بلکه درک عمیق تر و انتزاعی تری از اطلاعاتی که پردازش می کنند خواهند داشت. این امر در را به روی ماشین‌هایی باز می‌کند که می‌توانند روابط پیچیده را استنباط کنند، از حداقل داده‌ها نتیجه‌گیری‌های جدید بگیرند و اصول آموخته‌شده را در موقعیت‌های مختلف به کار ببرند – که منعکس‌کننده انعطاف‌پذیری شناخت انسان است.

چندین راه را می توان برای نزدیکتر کردن LLMها به این هدف جستجو کرد. یکی از جهت‌های امیدوارکننده، ادغام یادگیری چندوجهی است، که در آن LLM‌ها نه تنها متن را پردازش می‌کنند، بلکه اطلاعات را از ورودی‌های حسی مختلف، مانند تصاویر یا صداها، یکپارچه می‌کنند تا درک جامع‌تری و انتزاعی از جهان ایجاد کنند. علاوه بر این، پیشرفت‌ها در یادگیری تقویتی، که در آن مدل‌ها از طریق آزمون و خطا در محیط‌های پویا یاد می‌گیرند، می‌تواند به شبیه‌سازی روشی که انسان‌ها از تجربیات دنیای واقعی یاد می‌گیرند و استنتاج می‌کنند، کمک کند.

در نهایت، آینده هوش مصنوعی ممکن است در ایجاد سیستم‌هایی باشد که استدلال انتزاعی و تعمیم‌پذیری را که هیپوکامپ برای انسان ارائه می‌کند شبیه‌تر کند. این LLM های “نسل بعدی” نه تنها پیش بینی می کنند، بلکه استنباط، استدلال و سازگاری با موقعیت های جدید را با سطحی از انعطاف پذیری که در حال حاضر منحصراً انسانی است، می کنند.

بیایید آینده را استنباط کنیم

تعامل بین شناخت انسان و هوش ماشینی همچنان در حال تکامل است و جهش بعدی در هوش مصنوعی می تواند به خوبی شامل پر کردن شکاف بین پیش بینی و استنتاج باشد. با نگاهی به هیپوکامپ و نقش آن در استدلال انتزاعی، ممکن است راه‌های جدیدی برای طراحی سیستم‌های هوش مصنوعی که بیشتر شبیه ما فکر می‌کنند کشف کنیم – نه فقط پیش‌بینی آینده، بلکه همچنین درک الگوهای اساسی که آینده را ممکن می‌سازد. سوال فقط این نیست که آیا LLM ها می توانند کلمه بعدی را در یک جمله پیش بینی کنند، بلکه این است که آیا می توانند جهان را به گونه ای شروع به درک و استنباط کنند که غنای تفکر انسان را منعکس کند. اگر بتوانیم به این هدف دست یابیم، پتانسیل هوش مصنوعی برای تبدیل شدن نه تنها به یک ابزار، بلکه به یک شریک شناختی، هر چه بیشتر نزدیکتر می شود.