تصور کنید ماشینی که به جای پیشبینی سادهی نتها، «روح» و منطق درونی موسیقی جاز را درک کند. اگر فکر میکنید مدلهای زبانی بزرگ تنها راه رسیدن به خلاقیت هستند، باید نگاهی به رویکرد جدید استدلالی بیندازید.
در ۷ مه ۲۰۲۶، پژوهشگری به نام زنگ رن (Zeng Ren) روشی را پیشنهاد داد که هدف آن درونی کردن الگوهای پیچیده و شهودی بداههنوازی جاز است. به نقل از مقالهای در arxiv.org، این مدل از ترکیب یادگیری کتابخانهای (Library Learning) و گرافهای ای (E-graphs) برای کشف توضیحات زاینده و موجز برای الگوهای هارمونیک استفاده میکند.
طبق اعلام زنگ رن، این سیستم به جای تکیه بر احتمالات آماری، یک «کتابخانه» از الگوهای هارمونیک میسازد که میتوان آنها را بازسازی و مجدداً برای توضیح ساختارهای موسیقایی به کار برد. اجزای فنی کلیدی این مدل عبارتند از:
- گرافهای ای (E-graphs): برای پیمایش بهینه در فضای وسیع برنامههای احتمالی و کتابخانهها.
- تجزیه استنتاجی (Deductive Parsing): برای شناسایی روابط هارمونیک اولیه در موسیقی.
- برنامههای بازسازیشده (Refactored Programs): یادگیری مشترک کتابخانهای از الگوها و برنامههایی که از آنها برای ایجاد یک بازنمایی موجز استفاده میکنند.
همانطور که در تحلیلهای پیشین ما دربارهی گذار از مدلهای آماری به مدلهای استدلالی اشاره کردیم، این رویکرد گامی بزرگ به سوی خروج از بنبست «جعبه سیاه» است. در این مدل، موفقیت بر اساس میزان شهودی بودن کتابخانههای تولیدشده و شباهت آنها به تحلیلهای هارمونیک انسانی سنجیده میشود، نه صرفاً دقت عددی.
این متدولوژی، تمرکز را از هوش مصنوعی زاینده (Generative AI) صرفاً آماری به سمت درکی ساختاریافته و برنامهمحور از موسیقی میبرد. در واقع، یادگیری موسیقی به عنوان جستوجو برای یافتن «کوتاهترین توضیح ممکن» تعریف شده است تا تجربهی انسانی در شنیدن یک الگو و سپس درونی کردن آن شبیهسازی شود.
اما این تنها شروعی برای بازگشت به نمادگرایی است؛ اثر این رویکرد بر سایر هنرهای پیچیده مانند شعر یا طراحی رقص را در گزارشهای آینده بررسی خواهیم کرد.
گام بعدی شما
- بررسی مفاهیم استدلال نمادین (Symbolic Reasoning) برای درک تفاوت آن با شبکههای عصبی.
- مطالعهی مقالات مرتبط با سنتز برنامه (Program Synthesis) در حوزه هنر.
- آزمایش ابزارهای تحلیل هارمونیک دیجیتال برای مقایسه با خروجیهای مدلهای استدلالی.
گفتگو