منبع: DALL-E / OpenAI

همانطور که در حفره خرگوش مدل زبان بزرگ (LLM) دورتر می افتم، بیشتر به این موضوع علاقه مند می شوم که چگونه LLM ها ممکن است نه تنها آنچه را که ما می دانیم، بلکه همچنین چگونه آن را می دانیم، بازتعریف کنند. این مدل‌ها – که بر روی حجم وسیعی از متن آموزش دیده‌اند و قادر به ایجاد پاسخ‌های منسجم و غنی از زمینه هستند – در حال تغییر بازی برای نحوه سازماندهی و ارتباط ما با اطلاعات هستند. آنها صرفاً ابزار زبانی قدرتمندی نیستند. آنها ساختار دانش را به گونه‌ای تغییر می‌دهند که تفکر انسان را بازتاب می‌دهد و شاید حتی آن را تقویت کند. بیایید به عمق بپردازیم، اما از برخی اصول شروع کنیم.

هستی شناسی چیست؟

در فلسفه، هستی شناسی به مطالعه وجود و روابط بین موجودات اشاره دارد. این در مورد طبقه بندی آنچه است – بلوک های سازنده واقعیت و نحوه اتصال آنها است. در علوم کامپیوتر و هوش مصنوعی (AI)، هستی شناسی کاربرد عملی تری دارد: این یک سیستم ساختاریافته برای سازماندهی مفاهیم و روابط آنها است، مانند یک نقشه دقیق از نحوه ارتباط اشیا در یک حوزه معین. به عنوان مثال، یک هستی‌شناسی پزشکی ممکن است بیماری‌ها، علائم، درمان‌ها و ارتباطات متقابل آنها را به شیوه‌ای سفت و سخت و از پیش تعریف‌شده دسته‌بندی کند.

اما اینجاست که همه چیز جالب می شود. سیستم‌های هوش مصنوعی سنتی همیشه به این هستی‌شناسی‌های ثابت برای درک و عملکرد در حوزه‌های خاص متکی بوده‌اند. هر چیزی جایگاه خودش را دارد، مقوله خودش را دارد، نقش خودش را دارد. از طرف دیگر، LLM ها به این روش کار نمی کنند. هستی شناسی آنها ثابت، سلسله مراتبی یا از پیش تعریف شده نیست. در عوض، چیزی سیال تر است، چیزی که از طریق زمینه، تکرار و تعامل پدیدار می شود. این یک تغییر جذاب است و حقیقت عمیق تری را در مورد نحوه تفکر ما منعکس می کند.

هستی شناسی پنهان LLMs

بر خلاف یک سیستم دانش سنتی که بر روی یک نقشه از پیش تعریف شده عمل می کند، LLM ها در نوعی هستی شناسی نهفته عمل می کنند. این بدان معنی است که آنها روابط بین کلمات، ایده ها و مفاهیم را نه با تکیه بر مجموعه ای از قوانین صریح، بلکه از طریق قرار گرفتن در معرض مقادیر زیادی از زبان یاد می گیرند. آنها با دیدن اینکه چگونه کلمات و ایده‌ها در زمینه‌های مختلف به هم می‌رسند، روابط را استنباط می‌کنند. این یک روش پویا و مبتنی بر زمینه برای سازماندهی اطلاعات است.

به عنوان مثال، مفهوم “بیماری قلبی” را در نظر بگیرید. یک هستی شناسی سنتی ممکن است آن را به طور منظم در چارچوب پزشکی قرار دهد: این یک نوع بیماری است، علائم خاصی دارد و به درمان های خاصی نیاز دارد. با این حال، یک LLM به آن ساختار سفت و سخت متکی نیست. در عوض، اصطلاح «بیماری قلبی» را در زمینه‌های بی‌شماری مختلف – تحقیقات پزشکی، داستان‌های بیماران، مقالات خبری، و غیره – مشاهده کرده است و از این رو، درک انعطاف‌پذیری از معنای بیماری قلبی در موقعیت‌های مختلف ایجاد می‌کند. اگرچه این ممکن است یک دیدگاه قطعی نباشد، اما ممکن است دیدگاه کلی پزشک را غنی کند.

استنتاج LLM: نگاهی اجمالی به هوش پیچیده تر

یکی از جذاب‌ترین جنبه‌های LLM، توانایی آن‌ها در استنتاج بر اساس این ارتباطات گسترده و زمینه‌محور است. استنتاج، در این زمینه، به ظرفیت مدل برای ایجاد بینش یا ارتباطاتی اشاره دارد که به صراحت در داده‌های آموزشی آن بیان نشده‌اند، اما از الگوهایی که مشاهده کرده است مشتق شده‌اند. این نشان می دهد که LLMها در سطح هوشی بالاتری نسبت به آنچه که ما اغلب به آنها اعتبار می دهیم، عمل می کنند. آنها فقط حقایق از پیش آموخته شده را بازگو نمی کنند. آنها در حال ترکیب بینش های جدید از شبکه روابط آموخته شده خود هستند.

این توانایی برای استنتاج روابط، بازتاب شناخت انسان در سطح بالایی است، جایی که ما اغلب با اتصال قطعات ناهمگون اطلاعات، جهش هایی در درک ایجاد می کنیم. قدرت استنتاج LLMها ممکن است به شکل جدیدی از هوش اشاره داشته باشد – نوعی هوش که نوظهور، انطباق‌پذیر و قادر به نتیجه‌گیری از الگوهای ظریف و اغلب ضمنی است. این ظرفیت می‌تواند نحوه استفاده ما از هوش مصنوعی را بازتعریف کند و آن را از ابزاری که از قوانین از پیش تعیین‌شده پیروی می‌کند به ابزاری که در حل مسائل و استدلال پیچیده‌تر مشارکت می‌کند، تبدیل کند.

نوع جدیدی از سازمان دانش

این رویکرد سیال و اضطراری هم یک نقطه قوت است و هم یک چالش. از یک طرف، به LLM ها اجازه می دهد تا با زمینه های جدید سازگار شوند و آنها را به ابزارهای بسیار انعطاف پذیر برای تولید زبان در طیف گسترده ای از موضوعات تبدیل می کند. از سوی دیگر، به این معنی است که درک آنها از مفاهیم به خوبی تعریف نشده یا به راحتی قابل تفسیر نیست.

به نوعی، LLM ها نوع جدیدی از هستی شناسی را نشان می دهند – نوعی که بیشتر در مورد اتصالات است تا دسته بندی ها، بیشتر در مورد زمینه تا روابط ثابت. این منعکس کننده نحوه تفکر انسان ها است: ما همیشه هنگام سازماندهی دانش از مقوله های سفت و سخت پیروی نمی کنیم. در عوض، ما بر اساس تجربه، قیاس و نحوه ارتباط ایده‌ها با یکدیگر در لحظه ارتباط برقرار می‌کنیم. به نظر می رسد که LLM ها به روشی مشابه عمل می کنند و شبکه ای از انجمن ها را ایجاد می کنند که می توانند بر اساس وظیفه در دست تغییر و تطبیق داده شوند.

موازی شناختی

این ما را به سؤال عمیق‌تری می‌رساند: آیا LLM‌ها راه جدیدی برای فکر کردن درباره خود فکر کردن به ما ارائه می‌دهند؟ به نظر می‌رسد ساختار سیال و مبتنی بر زمینه آن‌ها چیزی ذاتاً انسانی را منعکس می‌کند – انحراف از سیستم‌های دانش مبتنی بر قانون و سفت و سخت به سمت چیزی تکراری‌تر و انعطاف‌پذیرتر. این با روند گسترده‌تری که در کار گذشته مورد بحث قرار گرفته‌ام همسو است: هوش مصنوعی به عنوان شریکی در شناخت انسان، توانایی ما برای تفکر و استدلال را با ارائه چارچوب‌ها و دیدگاه‌های جدید افزایش می‌دهد.

آنچه ممکن است LLMها انجام دهند این است که هستی‌شناسی‌های سنتی ما را به چیزی ارگانیک‌تر تغییر شکل می‌دهند، که بازتاب بیشتری از نحوه عملکرد دانش در زندگی واقعی است. آنها به یک رویکرد چند بعدی انعطاف‌پذیرتر برای درک اجازه می‌دهند، جایی که روابط بین مفاهیم سفت و سخت نیست، اما دائماً در حال تکامل است.

حرکت از نقشه به وب

پس این ما را به کجا می برد؟ اگر هستی‌شناسی‌های سنتی نقشه‌ها هستند – نمایش‌های ثابت و ایستا از دانش – پس LLM‌ها بیشتر شبیه وب‌ها هستند، شبکه‌های پویا از روابط که دائماً بر اساس زمینه تغییر شکل می‌دهند. این تغییر از نقشه به وب بسیار مهم است، به ویژه در زمینه هایی مانند مراقبت های بهداشتی، آموزش و پژوهش، که در آن دانش اغلب به عنوان چیزی ثابت و سفت تلقی می شود.

به عنوان مثال، این تغییر از نقشه های سفت و سخت به شبکه های پویا پیامدهایی برای مراقبت از بیمار دارد، به ویژه وقتی ماهیت چند رشته ای پزشکی مدرن را در نظر بگیریم. به طور سنتی، مراقبت‌های بهداشتی بر ساختارهای دانشی ثابت و آموزشی – تشخیص‌ها، درمان‌ها و پروتکل‌های واضح در زیر تخصص‌های پزشکی خاص تکیه می‌کرد. با این حال، پیچیدگی های مراقبت از بیمار اغلب از این چارچوب های سفت و سخت فراتر می رود. با پذیرش رویکردی یکپارچه‌تر – رویکردی که نه تنها شامل تخصص‌های فوق‌العاده پزشکی، بلکه جنبه‌های اجتماعی، خانوادگی و روان‌شناختی مراقبت‌ها نیز می‌شود – می‌توانیم شبکه‌ای شناختی بسازیم که ارتباط متقابل تجربیات بیمار در زندگی واقعی را منعکس می‌کند. این ساختار وب مانند امکان همگرایی دیدگاه‌های متنوع را فراهم می‌آورد، که منجر به بینش‌های غنی‌تر و استراتژی‌های درمان جامع‌تر می‌شود که نتایج بیمار و تجربه کلی مراقبت را افزایش می‌دهد.

با پذیرش هستی شناسی سیال LLM ها، می توانیم شروع به بازاندیشی در نحوه ساختار و تعامل با اطلاعات کنیم. به جای وادار کردن دانش به مقوله‌های از پیش تعریف‌شده، می‌توانیم اجازه دهیم که به طور طبیعی‌تر جریان پیدا کند و با ظهور زمینه‌ها و روابط جدید، سازگار شود.

آینده هستی شناسی در عصر شناختی

این ایده از هستی شناسی منعطف و نوظهور فقط یک مفهوم انتزاعی نیست. این پیامدهای واقعی برای نحوه استفاده ما از هوش مصنوعی در آینده دارد. در حوزه‌هایی مانند مراقبت‌های بهداشتی، جایی که درک روابط پیچیده بین بیماری‌ها، درمان‌ها و پیامدهای بیمار بسیار مهم است، LLM می‌تواند به ایجاد سیستم‌های دانش انطباق‌پذیر و ظریف‌تر کمک کند. در آموزش، آنها می توانند راه های جدیدی برای آموزش و یادگیری بگشایند، جایی که دانش از طریق کاوش و تکرار به جای به خاطر سپردن حقایق ثابت ساخته می شود.

به طور خلاصه، هستی شناسی LLM به ما نگاهی اجمالی به روش جدیدی از سازماندهی، درک و تعامل با دانش را ارائه می دهد. همانطور که به سوی عصر شناختی پیش می رویم، زمان آن رسیده است که مفاهیم و کاربرد این چارچوب جدید را در نظر بگیریم – چارچوبی که کمتر در مورد مقوله های سفت و سخت و بیشتر در مورد ارتباطات سیال و پویا است که موزاییک وسیع تفکر انسان را تشکیل می دهد.