فراوانی رو به رشد هوش مصنوعی (AI) در برنامه ها به سرعت در حال تغییر زندگی روزمره است و تأکید بر لزوم درک هوش اجتماعی آن است. یک مطالعه جدید هوش مصنوعی به بررسی توانایی های اجتماعی مدل های بزرگ زبان (LLMS) می پردازد و تأیید می کند که اهمیت کلی استفاده از علم رفتار انسان در دستگاه ها را تأیید می کند.

دکتر اریک شولتز به همراه همكاران الیف اکتا ، شیر شولز ، جولیان كدا-فورنو ، سونگ جون اوه ، و ماتیتیاس بنتژ نوشت: “هرچه الگوریتم ها به طور فزاینده ای تواناتر شوند و فرآیندهای تصمیم گیری آنها غیرقابل نفوذ باشد ، علوم رفتاری ابزارهای جدیدی را برای ایجاد استنباط فقط از مشاهدات رفتاری ارائه می دهند.” محققان به مؤسسه AI انسان محور ، هلمولتز مونیخ ، موسسه سایبرنتیک بیولوژیکی مکس پلانک و دانشگاه Tübingen وابسته هستند.

LLMS چیست و چرا آنها اهمیت دارند؟

LLM برای مدل زبان بزرگ کوتاه است ، یک مدل AI یادگیری عمیق که در پایگاه داده های عظیم از قبل آموزش دیده است. Learning Machine زیر مجموعه ای از هوش مصنوعی است که در آن الگوریتم های شبکه عصبی مصنوعی به جای دستورالعمل های برنامه نویسی رایانه ای که صریحاً دارای کدگذاری هستند ، از آموزش در مورد مقادیر گسترده داده ها یاد می گیرند. Deep Learning زیر مجموعه ای از یادگیری ماشین با طرحی است که از مغز انسان الهام گرفته است. مدل های یادگیری عمیق شبکه های عصبی با بسیاری از لایه های پردازش حاوی گره هایی هستند که شبیه به نورونهای مصنوعی هستند.

آنچه LLMS را از هم جدا می کند ، استفاده از تعبیه های کلمه ای است که به عنوان بردارهای چند بعدی نیز شناخته می شود ، به منظور دستیابی به متن در مورد کلمات و عبارات توسط متن قبل از پردازش عددی.

نظریه بازی رفتاری ، معضل زندانی و نبرد جنسیت ها

مانند شناخت انسان ، مکانیسم های داخلی دقیق چگونگی و کدام نورونهای انفرادی شبکه های عصبی مصنوعی عمیق مسئول تولید خروجی برای ردیابی بسیار پیچیده است. LLM ها “جعبه های سیاه” هستند ، اصطلاحی که برای توصیف اشیاء استفاده می شود که در آن مکانیسم ها و توابع دقیق تا حد زیادی مات یا ناشناخته است.

نیاز به درک رفتار دستگاه وجود دارد زیرا LLM ها بیشتر با افراد در تعامل هستند. اما چگونه می توان یک الگوریتم بی جان هوش مصنوعی را برای رفتار و هوش اجتماعی تحلیل کرد؟ محققان این مطالعه جدید فرض کردند که استفاده از تئوری بازی رفتاری ممکن است بینش مفیدی ارائه دهد.

تئوری بازی ، که همچنین تئوری تصمیم تعاملی نامیده می شود ، شاخه ای از ریاضیات کاربردی است که به عنوان روشی برای مطالعه تصمیم گیری وابسته به هم در بین بازیکنان رقیب عمل می کند. تئوری بازی در بسیاری از رشته ها مانند روانشناسی ، اقتصاد ، علوم سیاسی ، جامعه شناسی ، زیست شناسی و علوم کامپیوتر استفاده می شود.

برای این مطالعه جدید ، محققان تصمیم گرفتند از “معضل زندانی” و “نبرد جنسیت ها” در تلاش برای به دست آوردن بینش در مورد توانایی LLM ها برای نمایش رفتارهای اجتماعی مانند انسان مانند همکاری و هماهنگی در تعامل خود استفاده کنند.

تغییرات زیادی در معضل زندانی وجود دارد و پاسخ درستی وجود ندارد. این تضاد بین اقدام جمعی در مقابل فرد ایجاد می کند. چارچوب استاندارد سناریوی فرضی است که در آن دو نفر به جرم یک جرم دستگیر می شوند و در اتاق های بازجویی جداگانه قرار می گیرند و به دو انتخاب داده می شوند ، یا به جرم اعتراف می کنند یا چیزی نمی گویند و اعتراف نمی کنند. اگر هر دو همکاری کنند و اعتراف نکنند ، هر دو فقط یک سال زندان دریافت می کنند. اگر هر دو گناه را بپذیرند ، هر دو مجازات سه ساله زندان را دریافت می کنند. اگر کسی اعتراف کند و دیگری این کار را نمی کند ، کسی که اعتراف می کند آزاد می شود و دیگری حکم 5 ساله زندان را دریافت می کند.

در سال 1950 ، ریاضیدان پرینستون ، آلبرت دبلیو تاکر (1905-1995) اصطلاح معضل زندانی را از مدل های همکاری و درگیری تهیه کرد که پیش از این توسط شرکت رند ، ریاضیدان آمریکایی مریل سیل (1908-1991) و ریاضیدان آمریکایی متولد لهستانی ملوین دریشر (1911-1111-1992) تهیه شده است.

تئوری بازی نبرد جنس توسط ریاضیدان آمریکایی و دانشمند علوم اجتماعی رابرت دانکن لوس (1925-2012) و استاد آمریکایی هوارد رافا (1924-2016) در کتاب خود معرفی شد. بازی ها و تصمیمات این در سال 1957 با فداکاری به خاطره پروفسور جان فون نویمان منتشر شد. نسخه اصلی بازی دارای یک زن و مرد است که دو گزینه برای سرگرمی دارد ، به یک جایزه جایزه یا باله بروید. این مرد ترجیح می دهد در این نبرد شرکت کند ، زن ترجیح می دهد به باله برود و هر دو مکان با هم بالاتر از دیدن سرگرمی های دلخواه خود در کنار هم قرار می گیرند.

محققان پنج مدل LLM از جمله API OpenAI را با GPT-4 ، Text-Davinci-003 و Text-Davinci-002 ، مدل چت Meta AI Llama 2 70B و مدل API API انسان شناسی Claude 2 در انجام بازی های دو نفره با دو اقدام گسسته با یکدیگر و همچنین با افراد واقعی آزمایش کردند. این تیم کشف کرد که LLMS در بازی های خود علاقه مند مانند معضل زندانی عالی است اما در نبرد جنس هایی که به هماهنگی نیاز دارند ، عملکرد ضعیفی داشتند. علاوه بر این ، این تیم کشف کرد که عملکرد GPT-4 در وظایفی است که به هماهنگی و کار تیمی نیاز دارد اما وقتی اولویت بندی علاقه و بازی های خود را داشت که نیاز به استدلال منطقی داشتند ، عملکرد خوبی داشتند.

محققان نوشتند: “نسل های فعلی LLM ها به طور کلی فرض می شوند و آموزش دیده می شوند که دستیاران خیرخواهانه برای انسان هستند.” “با وجود موفقیت های زیادی در این راستا ، این واقعیت که ما در اینجا نشان می دهیم که چگونه آنها بازی های تکراری را با چنین شیوه ای خودخواه و بدون هماهنگی انجام می دهند ، این واقعیت را به وجود می آورد که هنوز زمینه قابل توجهی برای پوشش دادن LLM ها وجود دارد تا ماشین های واقعاً اجتماعی و با هم تراز شوند.”

محققان سپس دریافتند که GPT-4 هنگامی که تکنیک زنجیره اجتماعی فکر (SCOT) با فوریت GPT-4 برای پیش بینی عملکرد بازیکن دیگر قبل از تصمیم گیری در مورد انتخاب خود ، هماهنگی با سایر بازیکنان را بهبود بخشید.

محققان نتیجه گرفتند: “ما می دانیم که اسکاتلندی که منجر به هماهنگی موفق تر و همکاری مشترک بین شرکت کنندگان و LLM ها می شود و باعث می شود شرکت کنندگان بیشتر اعتقاد داشته باشند که بازیکن دیگر انسان است.”

انتظار می رود پیچیدگی LLMS با یکپارچه سازی بیشتر در روباتیک و سایر سیستم های فیزیکی افزایش یابد و قابلیت های آنها چندمودال شود و فراتر از متن به تصاویر ، فیلم ، صوتی ، داده های حسی و انواع داده های بیشتر گسترش یابد. این مطالعه اهمیت یک علم رفتاری برای ماشین ها را برجسته می کند زیرا انتظار می رود پیچیدگی LLM در آینده افزایش یابد.

کپی رایت © 2025 Cami Rosso کلیه حقوق محفوظ است.