آیا عاملهای هوش مصنوعی واقعاً دنیا را میفهمند یا فقط در حد یک ماشین پیشبینی توکن هستند؟ اگر فکر میکنید مدلهای زبانی بزرگ به زودی استدلال پیچیده را یاد میگیرند، باید با واقعیت تلخ «شکافهای ترکیبی» آشنا شوید.
در ۳۰ آوریل ۲۰۲۶، پژوهشگران در مقالهای در arxiv.org معماری AGEL-Comp را معرفی کردند؛ یک سیستم عصبی-نمادین (Neuro-Symbolic) که برای حل شکستهای سیستماتیک در تعمیم ترکیبی (Compositional Generalization) طراحی شده است. به نقل از این گزارش، این چارچوب با ایجاد یک چرخهی یادگیری «قیاس-استقرا»، سه نوآوری کلیدی را عملیاتی میکند:
- گراف برنامهی علی (Causal Program Graph - CPG): یک مدل جهانی که دانش رویهای و علی را به شکل یک هایپرگراف جهتدار نمایش میدهد.
- برنامهنویسی منطق استقرایی (Inductive Logic Programming - ILP): موتور synthesized که بندهای هورن (Horn clauses) جدیدی را از بازخوردهای تجربی برای مبنیسازی (Grounding) دانش نمادین استخراج میکند.
- هستهی استدلال ترکیبی: سیستمی که در آن یک مدل زبانی بزرگ (Large Language Model) اهداف فرعی را پیشنهاد میدهد و سپس یک اثباتگر قضایای عصبی (Neural Theorem Prover - NTP) سازگاری منطقی آنها را تأیید میکند.
همانطور که در تحلیلهای پیشین ما دربارهی مدلهای استدلالی (Reasoning Models) اشاره کردیم، شکاف میان تشخیص الگو و درک ساختاری، بزرگترین مانع در مسیر رسیدن به هوش مصنوعی عمومی است. طبق گزارش منتشر شده، این سیستم در محیط شبیهسازی Retro Quest مورد آزمایش قرار گرفت و توانست عملکردی بهمراتب بهتر از مدلهای زبانی خالص داشته باشد، هرچند پژوهشگران درصد دقیق این بهبود را در چکیدهی مقاله ذکر نکردند.
این پیشرفت در حالی رخ میدهد که جامعهی علمی همچنان بر سر ماهیت استدلال در بحث است. مطالعهای مجزا در arxiv.org این فرض رایج را که استدلال ترکیبی محصول طبیعی مبنیسازی نمادهاست، به چالش کشیده و پیشنهاد میکند که این دو لزوماً مکمل یکدیگر نیستند.
اما این معماری تنها بخشی از یک پازل بزرگتر است؛ تأثیر این رویکرد بر آیندهی رباتیکهای انسانی را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- مقاله کامل AGEL-Comp را در arxiv.org برای درک جزئیات گرافهای علی مطالعه کنید.
- تفاوت میان رویکردهای خالصاً عصبی و رویکردهای عصبی-نمادین را در طراحی عاملهای خود بررسی کنید.
- محیطهای شبیهسازی مشابه Retro Quest را برای تست تواناییهای تعمیم مدلهای خود به کار بگیرید.
گفتگو