تصور کنید فقط با جابه‌جا کردن چند بز روی یک پل در یک بازی استراتژیک قرون‌وسطایی، بتوانید یک شبکه عصبی بسازید. در ۱۸ ژوئن ۲۰۲۶، پژوهشگری جزئیات پروژه‌ای را منتشر کرد که ثابت می‌کند بازی Age of Empires II از نظر عملکردی و محاسباتی تورینگ-کامل (Turing-complete) است؛ یعنی هر محاسباتی که در یک کامپیوتر مدرن ممکن است، در تئوری در محیط ویرایشگر سناریوی این بازی هم قابل بازسازی و اجراست. این کار از طریق ساخت یک پرسپترون فعال و مداری برای آموزش آن در داخل بازی محقق شده است.
همان‌طور که در پوشش‌های قبلی خود درباره پژوهشگر مایکروسافت که از بزها برای بازسازی شبکه‌های عصبی استفاده می‌کرد اشاره کردیم، این تلاش جدید از معماری‌های ساده فراتر رفته و به سراغ آموزش فعال (Active Training) رفته است. این پروژه در واقع یک کاوش فلسفی است: اگر یک ویژگی پیچیده از هوش مصنوعی را بتوان با بزها و چمن نمایش داد، آیا این موضوع درک ما از «هوش» در مدل‌های زبانی بزرگ (LLM) را تغییر می‌دهد؟ این پرسش ما را با این واقعیت مواجه می‌کند که آیا هوش صرفاً نتیجه‌ی سازماندهی خاصی از توابع است یا به بستر سخت‌افزاری وابسته است. در این راستا، چالش‌های مربوط به آموزش مدل‌ها و تضمین رفتار آن‌ها همواره بحث‌برانگیز بوده است؛ چنان‌که برخی تحلیل‌ها نشان می‌دهد بازخورد کامل در آموزش لزوماً صداقت عامل‌های هوش مصنوعی را تضمین نمی‌کند.
زمینه و مفهوم کامل بودن عملکردی
این پروژه با اثبات این موضوع آغاز می‌شود که Age of Empires II از نظر عملکردی و تورینگ-کامل است. پژوهشگر با بهره‌گیری از مکانیک‌های داخلی بازی نشان می‌دهد که هر عملیات محاسباتی که روی یک پردازنده مدرن انجام می‌شود، می‌تواند در محیط بازی شبیه‌سازی شود.
این دستاورد ابتدا از طریق ساخت یک گیت NAND عملیاتی به دست آمد. از آنجایی که گیت‌های NAND می‌توانند برای ساخت هر گیت منطقی بولی (Boolean) دیگری به کار روند، آن‌ها به عنوان بلوک‌های سازنده بنیادین برای سیستم‌های پیچیده‌تر بعدی، از جمله پرسپترون و مدار آموزش، عمل می‌کنند. به نقل از گزارش adewynter.github.io، این سیستم بر پایه مجموعه‌ای از گیت‌های منطقی سفارشی ساخته شده است. هسته‌ی مرکزی این ماشین، گیت NAND است که مبنای تمامی عملیات‌های بعدی را تشکیل می‌دهد.
مکانیسم‌های گیت NAND
برای جلوگیری از «شرایط رقابتی» (Race Conditions) در جریان سیگنال‌ها، پژوهشگر از لایه‌های یخ برای ایجاد «ریل‌های آماده‌باش» (Gate Ready Rails) استفاده کرد. طبق این طراحی، یک «بز-سیگنال» باید ابتدا به نزدیک‌ترین ریل یخ مربوط به آن گیت برسد تا محاسبه آغاز شود. این اتفاق نشان می‌دهد که گیت خاص آماده است، هرچند لزوماً به معنای این نیست که گیت‌های بالادستی (Upstream) کار خود را تمام کرده‌اند.
زمانی که گیت شلیک (Fire) می‌کند، «بزهای-بیت» اصلی حذف می‌شوند (در اصطلاح پروژه «ded» یا مرده می‌شوند) و یک بز خروجی جدید روی ریل مربوطه قرار می‌گیرد. برای ارسال سیگنال آماده‌باش به سایر گیت‌ها، بزهایی به سمت همتایان بالادستی یا پایین‌دستی خود فرستاده می‌شوند.
در یک عملیات AND خاص، برای فعال شدن گیت، باید بزهای بیتِ چپ‌ترین و پایین‌ترین نقطه در نزدیکی محوطه‌های داخلی نقشه باشند. برای مثال، در محاسبه AND(0, 1)، سیستم ابتدا یک بز را در ریل چمنی وسط (معادل ۰) قرار می‌دهد و سپس یک گیت NOT، بز دیگری را روی پل (معادل ۱) قرار می‌دهد تا عملیات تکمیل شود.
مشخصات فنی پرسپترون
ساختار فنی این پرسپترون به شرح زیر طراحی شده است:
- نمایش داده‌ها: بیت‌ها توسط دو ریل نمایش داده می‌شوند؛ چمن نماینده عدد ۰ و پل نماینده عدد ۱ است. در هر لحظه تنها یک ریل فعال است و یک بز به عنوان حامل سیگنال عمل می‌کند.
- گیت‌های منطقی: این پرسپترون یک پیاده‌سازی ۱-بیتی دوقطبی (Bipolar) است. برای محاسبات ضرب داخلی (Inner Product) از دو گیت XNOR و به عنوان آستانه (Threshold) از یک گیت AND استفاده می‌کند.
- جریان سیگنال: برای یک بردار ورودی $[x_1, x_2]^T$ و وزن‌های $[w_1, w_2]^T$، گیت XNOR بالایی مقادیر $x_1$ و $w_1$ را (از طریق یک وصله آبی-سبز و یک وصله سنگی) دریافت می‌کند، در حالی که XNOR پایینی همین کار را برای $x_2$ و $w_2$ انجام می‌دهد.
- مدیریت همزمانی: برای تضمین پایداری سیستم، در مدار سمت راست برای هر یک بیت در مدار سمت چپ، از دو بز-بیت استفاده شده است. این کار برای مدیریت همزمانی (Concurrency) و جلوگیری از رفتارهای غیرمنتظره گیت‌ها ضروری است.
- بایاس (Bias): در نسخه فعلی، عبارت بایاس به صورت سخت‌افزاری (Hardcode) در تابع پله قرار گرفته است، اگرچه پژوهشگر اشاره کرده است که ساخت یک افزودنی (Adder) برای بایاس نیز امکان‌پذیر است.
مدار آموزش مبتنی بر آنساتز (Ansatz)
فراتر از پرسپترون، این پروژه یک مدار آموزش مبتنی بر آنساتز را پیاده‌سازی کرده است. این یک سیستم پیچیده است که از یک مدار پرسپترون معمولی در کنار مجموعه‌ای از گیت‌های XNOR، AND و OR تشکیل شده که طراحی شده‌اند تا وزن‌های جدید را بر اساس مقدار خطا (Error) تعیین کنند.
سیگنال‌های ورودی در یک «وصله آبی» (Watery Patch) از بالا به پایین سازماندهی شده‌اند که شامل برچسب واقعی ($t$)، بردار ورودی ($x$) و بردار وزن‌های فعلی ($w$) است. پرسپترون دو سطح اول در سمت چپ را اشغال می‌کند، در حالی که باقی مدار، مقدار خطا را محاسبه کرده و وزن‌های به‌روزرسانی‌شده را بازمی‌گرداند.
برای مدیریت شاخه‌بندی ورودی‌ها، زمانی که وزن‌ها، ورودی‌ها یا برچسب‌ها «فعال» می‌شوند، بزها به گیت‌های مربوطه تلپورت می‌شوند. آن‌ها توسط «بزهای یخ» در حالت انتظار نگه داشته می‌شوند تا زمانی که محاسبات داخلی به طور کامل به پایان برسد.
کدگذاری محیطی
پژوهشگر برای اینکه چیدمان مدار بصری و شهودی باقی بماند، از محیط بازی به عنوان یک سیستم کدگذاری برای انواع گیت‌های منطقی استفاده کرد:
- بامبو: نشان‌دهنده گیت‌های XNOR
- جنگل‌های معمولی: نشان‌دهنده گیت‌های AND
- درختان بائوباب: نشان‌دهنده گیت‌های OR
- آب‌های عمیق: نشان‌دهنده گیت‌های NOT
- چمن/پل/یخ: ریل‌های استاندارد و حامل‌های سیگنال
این آزمایش فرض‌های حاکم بر حوزه هوش مصنوعی در مورد انسان‌انگاری (Anthropomorphism) را به چالش می‌کشد. با تغییر بستر (Substrate) — یعنی انتقال از سیلیکون و تنسورها به بزها و چمن — پژوهشگر استدلال می‌کند که ادراک ما از «ویژگی‌های» یک AI تغییر می‌کند. این موضوع نشان می‌دهد که پژوهش در مورد اینکه آیا LLMها دارای ویژگی‌های انسان‌گونه هستند یا خیر، نمی‌تواند صرفاً با فرض وجود یا عدم وجود این ویژگی‌ها در ابتدا شروع شود. چنین پیش‌فرض‌هایی حتی زمانی که صراحتاً بیان نشوند، می‌توانند رخ دهند. این به بحث‌های وسیع‌تر درباره نحوه مدیریت دانش در مدل‌های زبانی می‌پیوندد، مانند رویکرد LLM Wiki برای جداسازی حافظه از دانش جهت ردیابی دقیق منابع پژوهشی.
اساساً، این پروژه ثابت می‌کند که پژوهش‌های علمی و دقیق درباره توانمندی‌های AI می‌تواند بدون تکیه بر این پیش‌فرض‌های انسان‌انگارانه انجام شود. پژوهشگر برای اطمینان از اینکه مدار دقیقاً طبق برنامه عمل می‌کند، ابتدا منطق آن را در زبان Verilog تایید کرد و سپس رفتار بازی را اسکریپت نمود.
اگر می‌خواهید کدها و آثار واقعی این پروژه را بررسی کنید، تمامی آن‌ها در مخزن عمومی پروژه در دسترس هستند. اکنون می‌توانید تماشا کنید که چگونه این بزهای قرون‌وسطایی، همان منطقی را شبیه‌سازی می‌کنند که پیشرفته‌ترین مدل‌های هوش مصنوعی امروز را به حرکت در می‌آورد.
گفتگو