اگر یک چهرهٔ شناختهشده یا متخصص یک حوزهٔ خاص هستید، احتمالاً همین حالا به یک مقدار عددی در دل یک شبکهٔ عصبی تبدیل شدهاید. وبسایت In the Weights که در ۱۹ ژوئن ۲۰۲۶ راهاندازی شد، به شما اجازه میدهد بررسی کنید آیا نام شما بهطور دائمی در وزنها (Weights) — یعنی همان تنظیمات داخلی که تعیین میکنند مدل چه چیزی را به یاد آورد — مدلهای زبانی بزرگ ذخیره شده است یا خیر.
بسیاری از سامانههای هوش مصنوعی برای یافتن حقایق بهروز از جستوجوی وب استفاده میکنند، اما دانش «ذخیرهشده» در میلیاردها پارامتری قرار دارد که مدل طی مرحلهٔ آموزش آموخته است. مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — هر آنچه را که در این وزنها ثبت شده باشد، بدون نیاز به اینترنت میداند. این ابزار که توسط جویی فلین (Joey Flynn) و توماس دیمسون (Thomas Dimson)، کارکنان سابق OpenAI ساخته شده، این حضور را با پرسوجو از مدلهای مختلف و اختصاص یک امتیاز قوت quantify میکند. این رویکرد برای درک دقیقتر کیفیت پاسخدهی مدلها کاربرد دارد، درست مانند آنچه در گزارش BenchLM برای مقایسه عملکرد Claude Opus 4.8 و GPT-5.5 مشاهده کردیم.
همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، دسترسی به لایههای درونی مدلها همیشه چالشبرانگیز بوده است. طبق اعلام سازندگان این پروژه، سیستم امتیازدهی یک سلسلهمراتب واضح از شهرت دیجیتال را فاش میکند:
- نمادهای جهانی مثل موتزارت، شکسپیر و تیلور سویفت بالاترین امتیاز یعنی ۹۹۶ را دارند.
- افراد کمتر شناختهشده امتیازات بسیار پایینتری میگیرند؛ برای مثال، گزارشگران این سایت امتیازاتی بین ۱۷۵ و ۲۶۲ کسب کردند.
- حضور در مدلهای کوچکتر، مانند نسخههای میلیاردی Llama شرکت متا، نشاندهنده سطح بالاتری از ارتباط است؛ چون این مدلها فضای ذخیرهسازی محدودی دارند و فقط موارد حیاتی را نگه میدارند. این بهینهسازی در مدلهای کوچکتر، مسیری را میگشاید که اجرای عاملهای هوش مصنوعی محلی را بدون نیاز به سختافزارهای صنعتی ممکن میسازد.
به گزارش این وبسایت، برای یک متخصص، «ردپای هوش مصنوعی» دیگر فقط یک پروفایل لینکدین نیست، بلکه این است که آیا دادههای او به اندازه کافی بر مجموعه آموزش مدل اثر گذاشته تا مدل او را بهخاطر بسپارد. این موضوع بحث را از حریم خصوصی دادهها به «حضور در وزنها» تغییر میدهد؛ واقعیتی که در آن برخی افراد بهطور مؤثر در جهانبینی AI کدگذاری شدهاند.
با این حال، سازندگان ابزار هشدار میدهند که این امتیازات کامل نیستند. توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد، شبیه دوستی که خاطرهای را اشتباه تعریف میکند — میتواند جزئیات بیوگرافی جعلی بسازد. همچنین نامهای تکراری مدل را گیج میکنند و غلطهای املایی در پرسوجو، امتیاز فرد را بهشدت کاهش میدهند.
گام بعدی شما
- نام خود یا همکارانتان را در پلتفرم تست کنید تا جایگاهتان را در جدول ردهبندی ارتباط جهانی ببینید.
- بررسی کنید که آیا تخصص شما در مدلهای کوچکتر (SLM) ثبت شده یا فقط در مدلهای غولپیکر حضور دارید.
- تغییرات امتیاز خود را در نسخههای جدیدتر مدلها رصد کنید تا بفهمید دادههای جدیدتر چه اثری بر «خاطره» مدل دارند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک اینکه این وزنها چگونه روی تراشهها قرار میگیرند، به تحلیل ما دربارهی حافظههای HBM مراجعه کنید.
گفتگو