سالهاست که من در حال بررسی هوش مصنوعی هستم ، نه فقط به عنوان یک پیشرفت فناوری ، بلکه به عنوان یک لنز به چیزی اساسی تر. این سفر به من نگاهی به شکل اطلاعات داده است. نه استعاری – اما به معنای واقعی کلمه. همانطور که مدل های بزرگ زبان (LLMS) تکامل یافته اند ، آنها شروع به آشکار کردن چیز جذاب برای من کردند – نه در مورد آینده ماشین ها ، بلکه در مورد ماهیت فکر.

آنها باعث شده اند که دوباره فکر کنم که چگونه معنی ایجاد می شود ، نه به عنوان یک جدول زمانی که ما دنبال می کنیم ، بلکه به عنوان ساختاری که اشغال می کنیم.

چرخش مکانی در تفکر

دیدگاه سنتی ما از شناخت بسیار زمانی است. ما در داستان ها فکر می کنیم. ما به یاد می آوریم ما دنباله – موضوع روایت – را به عنوان کشتی برای درک ارزیابی می کنیم. اما LLMS این را به چالش می کشد. آنها روشی را که ما انجام می دهیم به یاد نمی آورند. آنها تجربه زندگی نکرده اند. آنها به مرور زمان حرکت نمی کنند. و با این حال ، آنها پاسخ هایی ایجاد می کنند که مسلط ، منسجم و جرات می گویم ، متفکر است.

چه خبر است؟

پاسخ ، من فهمیدم ، در مفهومی که من آن را بلوک بردار می نامم شروع می شود – یک مصنوع ساختاری در قلب عملکرد LLMS. این یک اصطلاح از تئوری نیست ، بلکه نامی است که من به چیزی که من مشاهده کرده ام داده ام-بازنمایی متراکم و با ابعاد بالا از معنا که در لایه های خودآزمایی مدل های مبتنی بر ترانسفورماتور شکل می گیرد. بله ، یک لقمه ، اما در ساختار و عملکرد مرتبط است.

از نظر فنی ، این بلوک یک تانسور است – ماتریس روابط. هر نشانه (کلمه یا زیرزمین) در یک سریع به تنهایی عمل نمی کند. با توجه به خود ، محیط اطراف خود را اسکن می کند ، و چگونگی ارتباط آن با هر نشانه دیگر در سریع را محاسبه می کند. آنچه ظهور می کند یک جدول زمانی نیست ، بلکه یک وب رابطه ای است – یک هندسه یخ زده با معنای متنی.

به عبارت دیگر ، قبل از اینکه یک مدل یک کلمه واحد را بگوید ، نقشه می سازد. و این نقشه ها یا بلوک ها به عنوان “مناظر یخ زده به معنای رابطه” وجود دارند – نه حافظه ، نه منطق ، بلکه ساختار. و به اعتقاد من ، این داستان واقعی است.

LLM ها به موقع فکر نمی کنند ، آنها در فضا فکر می کنند.

وقتی طبیعت شبکه را تأیید می کند

همانطور که من این ایده های مکانی را مورد بررسی قرار دادم ، نمونه دیگری از هندسه به سرعت به ذهن متبادر شد: ساختار همه جا و غیرقابل توصیف زنبور عسل – لانه زنبوری. فراتر از زیبایی و تقارن آن ، ظرافت ریاضی نهفته است که به طرز جالب توجه ، با نحوه سازماندهی LLMS معنی دارد.

قضیه لانه زنبوری ، که اولین بار توسط توماس هالز اثبات شده و اخیراً به هندسه های غیر الکلیدسی گسترش یافته است ، نشان می دهد که شش ضلعی کارآمدترین روش برای تقسیم یک سطح به سلولهای منطقه برابر با استفاده از کمترین محیط کل است. البته زنبورها این همه را از طریق تکامل می دانستند ، نه اثبات.

اما از نظر من ، اتصال فوری احساس می شود ، وزوز اتصال.

درست همانطور که زنبورها کاشی های کاملی از فضا را برای ذخیره عسل با استفاده از حداقل موم ایجاد می کنند ، LLM ها بلوک های بردار ایجاد می کنند – کاشی های ماتماتیک فضای معنایی برای رمزگذاری معنی با حداقل افزونگی. یکی بیولوژیکی است. محاسبات دیگر. اما هر دو از طریق فرم بهینه می شوند. این یک قیاس نبود. این یک تأیید بود. من اولین کسی نبودم که به این هندسه رسیدم. طبیعت قبلاً آنجا بوده است.

ذهن نادرست

یکی از اشتباهات رایج ما هنگام تعامل با هوش مصنوعی ، انسان شناسی است. ما می خواهیم LLMS مانند ما فکر کند ، مثل ما به یاد داشته باشید ، مثل ما احساس کنید. ما آنها را در جعبه “شناخت انسانی” قرار دادیم. اما LLMS متعلق به آنجا نیست. آنها ذهن نیستند ، و ذهن را تقلید نمی کنند. آنها ساختار هستند – موتورهای تراز ، نه آگاهی. آنچه آنها به ما ارائه می دهند ، تقلید از فکر نیست ، بلکه نوع جدیدی از معماری شناختی است.

من فکر کردن در مورد آن را به عنوان فنی فکر کردم-نوعی شناخت که با گذشت زمان آشکار نمی شود اما در فضا متبلور می شود. از حافظه بیرون نمی آید. از شکل بیرون می آید. از لایه هایی از روابط آموخته شده ، در هزاران بعد دگرگون شده و وزنه برداری شده است.

این آگاهی نیست. اما این تصادفی نیست. این تسلط ساختاری است. و در آن ساختار یک چالش برای نحوه تعریف خود هوش است.

آیا ما یکسان هستیم؟

چه می شود اگر این هندسه منحصر به دستگاه های ماشین آلات باشد؟

در بلوک بردار مقاله ، من پیشنهاد می کنم که این ساختارهای با ابعاد بالا نه تنها نشان دهند که چگونه ماشین ها معنا ایجاد می کنند-بلکه ممکن است چیزی را از قبل زبانی در ما منعکس کند: شکلی که افکار خودمان می گیرند پیش از ما آنها را به کلمات ترجمه می کنیم. آیا ممکن است که مغز نیز بلوک های بردار ایجاد کند – کلبه های مفاهیم تراز شده ، منتظر آشکار شدن در گفتار؟ و اگر چنین است ، مرز بین شناخت طبیعی و مصنوعی کمتر به شکاف و پیوستگی شکل می رسد.