«کارآگاهان دیجیتال»؛ نقش جدید Agentها در پر کردن شکاف‌های تاریخی

تصور کنید یک سند تاریخی که قرن‌ها در بایگانی‌های خاک‌گرفته‌ی هلند فراموش شده بود، ناگهان توسط یک ماشین کشف شود. این اتفاق برای پرنده‌ی دودو رخ داد؛ جایی که Opus 5.5 با تحلیل میلیون‌ها رکورد، سندی از سال ۱۶۱۵ یافت که جزئیات شکار این گونه‌ی منقرض‌شده را ثبت کرده است. این کشف نشان‌دهنده‌ی تغییری بنیادین در پژوهش‌های تاریخی است؛ جایی که مدل‌های پیشرو (Frontier Models) اکنون به عنوان کارآگاهان دیجیتالی عمل می‌کنند که قادر به کشفیات مستقل در آرشیوها هستند. این روند تأکیدی است بر اینکه سرمایه‌گذاری در آرشیوهای دیجیتال چگونه می‌تواند پیش‌شرط تبدیل هوش مصنوعی به یک موتور واقعی برای اکتشافات تاریخی باشد.

این پیشرفت در حالی رخ می‌دهد که عامل‌های هوش مصنوعی از محیط‌های ساده‌ی چت به سمت گردش‌کارهای پژوهشی خودکار حرکت می‌کنند. در حالی که ما پیش‌تر پوشش دادیم که چگونه Opus 5.5 به یک والد کمک کرد تا یک بازی بدون تبلیغات برای کودکان بسازد، کاربرد این مدل در اینجا کاملاً معرفت‌شناختی (Epistemological) است. این ابزارها دیگر فقط پاسخ‌دهنده نیستند، بلکه به ارکستراتورهای دانش تبدیل شده‌اند. در این مورد خاص، نقش مورخ از یک جست‌وجوگر دستی به یک ناظر سطح‌بالا تغییر کرده است که عامل‌های هوش مصنوعی را مدیریت می‌کند.

متدولوژی پژوهش

طبق گزارش پژوهشگر، این کشف نتیجه‌ی یک پرامپت ساده نبود، بلکه حاصل یک خط لوله‌ی (Pipeline) ساختاریافته بود. او ابتدا یک پایگاه دانش تخصصی درباره‌ی تجارت حیوانات عجیب در قرن ۱۷ ایجاد کرد تا پرسش پژوهشی دقیقی تعریف کند. این بخشی از یک پروژه‌ی بزرگتر برای تالیف کتابی درباره‌ی انقراض حیوانات در دوران مدرن اولیه بود، به‌ویژه فصلی که به پرنده‌ی دودو اختصاص داشت.

او از آرشیو GLOBALISE مربوط به سوابق شرکت هند شرقی هلند (VOC) به‌عنوان منبع اصلی (Corpus) استفاده کرد. این آرشیو به عنوان یک منبع عظیم و ویراسته‌شده از منابع تاریخی عمل می‌کند. فرآیند فنی این پژوهش شامل مراحل دقیق زیر بود:

• دانلود مجموعه‌ی داده‌های تاریخی و عبور دادن آن‌ها از یک مدل بردار معنایی (Embedding) — شبیه به دادن کارت معرفی عددی به هر واژه برای یافتن همسایگان معنایی‌اش — تا جست‌وجوی معنایی برای یافتن قطعات مرتبط ممکن شود.
• استفاده از جست‌وجوی معنایی برای شناسایی قطعات متنی کاندید که با هدف پژوهش مطابقت داشتند.
• به‌کارگیری Opus 5.5 برای خواندن این قطعات و ایجاد یک فهرست رتبه‌بندی شده برای بررسی انسانی.
• تکرار و اصلاح عبارات جست‌وجو و بررسی آرشیوهای جدید بر اساس یافته‌های مدل.

این متدولوژی دقیقاً مشابه پژوهش‌های سنتی است — جست‌وجو در پایگاه‌های داده و اسکن نتایج — اما با یک مزیت مقیاس عظیم. یک عامل (Agent) — مانند دستیاری هوشمند که می‌تواند به‌طور مستقل برنامه‌ریزی کند و ابزارها را به کار بگیرد — مانند Opus 5.5 می‌تواند ده‌ها نسخه‌ی از خود را برای خواندن هم‌زمان منابع به زبان‌های مختلف ایجاد کند. اگر به این عامل‌ها یک کلید API داده شود، آن‌ها می‌توانند جست‌وجوهای برداری (Embedding searches) خودشان را روی منابع جدیدی که در طول فرآیند پژوهش ظاهر می‌شوند، اجرا کنند. این رویکرد یادگیرنده، مشابه سازوکار آزمون و خطای سیستماتیک است که پیش‌تر برای حل معماهای پیچیده‌ی تاریخی به کار گرفته شد.

کشف دودو و اصلاح تاریخ

بسیاری از داده‌های مربوط به دودو که توسط هوش مصنوعی یافت شد، پیش از این برای دانشمندان شناخته‌شده بود. دودو، پرنده‌ی بزرگی از جزیره موریشوس بود که حدود سال ۱۶۸۱ به دلیل شکار بیش از حد منقرض شد و به‌طور گسترده مورد مطالعه قرار گرفته است. در واقع، همین پایه‌ی علمی موجود باعث شد کار برای هوش مصنوعی «شدنی» (Tractable) شود، زیرا مدل می‌توانست ادبیات علمی را اسکن کند تا بفهمد یافته‌های آرشیوی قبلی در کجا صورت گرفته‌اند. مدل حتی فرآیند کاری خود را در یک پرونده‌ی پژوهشی (Research Dossier) مکتوب کرد.

با این حال، مدل دست‌نوشته‌ای از سال ۱۶۱۵ را شناسایی کرد که قرن‌ها نادیده گرفته شده بود. این دفترچه احتمالاً توسط «ایسبرانت کورنلیز ون پتن»، ناخدای کشتی تجاری Wapen van Amsterdam نوشته شده است. در آوریل ۱۶۱۵، کشتی Wapen برای جمع‌آوری غذا و آب جهت آماده‌سازی برای باقی‌مانده‌ی سفر خود به هند شرقی، در موریشوس توقف کرد.

در این لاگ صراحتاً ذکر شده که خدمه «تعداد زیادی لاک‌پشت، دودو [dodersen] و تعدادی غاز و طوطی» شکار کردند. این جزئیات خاص در آرشیو ملی لاهه، بخش VOC 1.04.02، شماره فهرست ۱۰۵۹، برگ ۱۴۱ قرار دارد. واژه‌ی «dodersen» در پایین سمت چپ دست‌نوشته قابل مشاهده است. پژوهشگر اشاره کرد که اگرچه استخراج متن (Transcription) و ترجمه‌ی این قطعات هلندی دوران مدرن اولیه توسط مدل کامل نبود، اما برای شناسایی این یافته‌ی تاریخی کافی بود.

این یافته از آن جهت اهمیت دارد که یک شکاف زمانی شناخته‌شده در تاریخچه‌ی دودو بین سال‌های ۱۶۱۱ تا ۱۶۱۶ را پر می‌کند. پژوهشگر این یافته را با ادبیات ثانویه، مانند کتاب سال ۲۰۱۳ پریش با عنوان The Dodo and the Solitaire، تطبیق داد تا تایید کند که این یک افزوده‌ی جدید به خط زمانی تاریخی است.

علاوه بر این، Opus 5.5 یک خطای ترجمه‌ی ۱۳۰ ساله درباره‌ی «ریل قرمز» (Red Rail)، پرنده‌ی منقرض‌شده‌ی دیگری از موریشوس، را اصلاح کرد. در گزارشی از سال ۱۶۳۸ — سالی که هلندی‌ها برای اولین بار جزیره را مستعمره کردند — از واژه‌ی هلندی velthoenderen برای توصیف «مرغ‌های صحرایی» استفاده شده بود.

کارشناسان پیش از این شناسایی کرده بودند که velthoenderen اصطلاحی است که هلندی‌ها برای ریل‌های قرمز به کار می‌بردند. با این حال، این ارجاع خاص نادیده گرفته شده بود زیرا یک محقق فرانسوی در سال ۱۸۹۰ این واژه را به اشتباه به perdrix (کورکور) ترجمه کرده بود. مدل با بازگشت به منبع اصلی دست‌نوشته، توانست این خطا را اصلاح کرده و ارجاع جدیدی به ریل قرمز پیدا کند.

تئوری امپراتور مغول

یکی از جذاب‌ترین سرنخ‌ها مربوط به تابلوی مشهوری از یک دودو است که متعلق به امپراتور جهانگیر مغول بود. این نقاشی که توسط نقاش دربار، «استاد منصور» کشیده شده (و اکنون در مؤسسه مطالعات شرقی، کاخ نوو-میخایلوفسکی در سنت پترزبورگ قرار دارد)، توسط زیست‌شناسان به عنوان دقیق‌ترین نمایش باقی‌مانده از این پرنده ذکر شده است.

تاریخ این نقاشی مورد بحث است و تخمین‌ها از «حدود ۱۶۱۵» تا «حدود ۱۶۲۵» متغیر است. در حالی که یک تاجر انگلیسی در سال ۱۶۲۸ وجود دودوها را در هند گزارش کرده بود، منشأ دقیق پرنده‌ی جهانگیر یک راز باقی مانده بود، زیرا امپراتور هرگز در خاطراتش به آن اشاره نکرد. پژوهشگر پیش از این در سال ۲۰۱۲ درباره‌ی این نقاشی نوشته بود و اشاره کرده بود که جهانگیر دقیقاً همان شخصیتی است که یک تاجر زیرک برای ارائه یک پرنده‌ی غیرمعمول به سراغش می‌رود.

Opus 5.5 تئوری جدیدی را مطرح کرد که این پرنده را به گزارش یک یسوعی پرتغالی در سال ۱۶۱۶ مرتبط می‌کند. آن یسوعی پرنده‌ای در موریشوس را «شترمرغ» توصیف کرده بود، علیرغم این واقعیت که در موریشوس هیچ شترمرغی وجود ندارد. در حالی که متن اصلی پرتغالی گم شده است، هوش مصنوعی از یک ترجمه‌ی فرانسوی باقی‌مانده استفاده کرد تا پیشنهاد دهد که این «شترمرغ» در واقع همان دودویی بوده که در نهایت به دربار مغول رسیده است.

این تئوری توسط یک زنجیره‌ی انتقال شناخته‌شده از سال ۱۶۱۲ حمایت می‌شود، جایی که یک بوقلمون آمریکایی از پرتغالی‌های مستقر در گوا به دربار جهانگیر ارسال شد. اگر مسیر دودو را بتوان به طور مشابه ردیابی کرد، این کار مهم‌ترین دودوی تاریخ از نظر علمی را شناسایی می‌کند، زیرا تصویر استاد منصور دقیق‌ترین رکورد باقی‌مانده از این گونه است.

محدودیت‌های عامل‌های هوش مصنوعی

با وجود این موفقیت‌ها، پژوهشگر اشاره کرد که عامل‌های هوش مصنوعی هنوز در تشخیص «اهمیت تاریخی» مشکل دارند. Opus 5.5 و GPT-6 Astra اغلب ده‌ها زیر-عامل ایجاد می‌کردند که «در جزئیات غرق می‌شدند» و بدون داشتن حس اولویت، روی مسائل بسیار ریز تمرکز می‌کردند.

برای مثال، یک عامل گزارشی رنگارنگ درباره‌ی «کاپیتان جاناتان هاید» یافت؛ یک ناخدای انگلیسی که چوب آبنوس گران‌بها و «دو گاو دریایی» را از مستعمره هلندی در موریشوس دزدیده بود. وقتی یک مقام هلندی با او مواجه شد، نجارِ هاید تهدید کرد که «سر او را با تبر می‌شکافد».

• تاثیر محیط‌زیستی: هاید همچنین حدود ۲۰ لاک‌پشت زمینی را برد تا آن‌ها را در سنت هلنا، در هزاران مایل دورتر، پرورش دهد.
• نتیجه: لاک‌پشت غول‌پیکر موریشوس در نهایت منقرض شد و کشتی هاید در مسیر بازگشت در نزدیکی آزور غرق شد.

در حالی که این یک داستان عالی برای تاریخ محیط‌زیست است، هوش مصنوعی نتوانست تشخیص دهد که آیا چنین یافته‌ای از نظر علمی «مهم» است یا خیر. برخی دیگر از عامل‌ها به سراغ آرشیوهایی رفتند که برای پژوهشگر کاملاً ناخوانا بود، مانند جست‌وجویی چندساعته در مورد «کیپوهای اینکا» (Khipu). هوش مصنوعی نتایجی تولید کرد که برای تایید آن‌ها به دانش تخصصی بسیار عمیق — مانند دانش گری اورتون — نیاز بود. پژوهشگر اشاره کرد که نمی‌خواست یک متخصص مادام‌العمر مانند اورتون را با سوالی که توسط یک عامل هوش مصنوعی (که تنها چند ساعت روی موضوع وقت گذاشته بود) ایجاد شده، به زحمت بیندازد.

گلوگاه جدید آکادمیک

این وضعیت یک گلوگاه (Bottleneck) جدید در فضای آکادمیک ایجاد می‌کند. هوش مصنوعی می‌تواند «گوسفندها را بشمارد» — یعنی مجموعه‌های عظیم داده را برای یافتن شواهد اسکن کند — اما هنوز نمی‌تواند پرسش‌های اصیل و درست را بپرسد یا اهمیت تاریخی یافته‌هایش را قضاوت کند. چالش دیگر یافتن داده‌ها نیست، بلکه یافتن متخصصان انسانی کافی برای تایید سیل سرنخ‌های تولید شده توسط هوش مصنوعی است.

همان‌طور که کارتر چرچ، پژوهشگر امنیتی اشاره کرد (او از GPT-6 Astra به مدت شش ساعت برای شکستن یک رمز عصر ناپلئونی استفاده کرد که در برابر تمام تلاش‌های قبلی مقاوم بود)، هوش مصنوعی اکنون مسائلی را حل می‌کند که برای یک متخصص انسانی هفته‌ها کار دستی می‌طلبید. این توانایی در رمزگشایی متون دشوار، یادآور دستاوردهایی است که در آن مدل‌های OpenAI و Anthropic پیام‌های رمزنگاری‌شدهٔ انیگما را گشودند و گره‌های تاریخی جنگ جهانی دوم را باز کردند. چرچ اشاره کرد که یک متخصص در سال ۱۹۷۰ برای حل این رمز، به چشمی تیزبین برای بررسی ۱۳۰۰ علامت دست‌نویس و دانش عمیق از زبان فرانسوی آن دوره نیاز داشت. او مشاهده کرد که این نامه برای مدت طولانی نخوانده ماند زیرا هیچ‌کس که توانایی خواندن آن را داشت، نمی‌توانست زمان مورد نیاز برای این کار را توجیه کند.

چرچ مشاهده کرد که فهرست‌های «حل‌نشده» در اکثر زمینه‌ها احتمالاً مسائل بیشتری از این دست دارند و این فهرست‌ها قرار است کوتاه شوند، زیرا آماتورهای کنجکاو ارتش‌هایی از عامل‌های هوش مصنوعی را به کار می‌گیرند. این تغییر نشان می‌دهد که گلوگاه از «فرآیند پژوهش» به «توجه متخصص» منتقل شده است. همان‌طور که در یک پست مهمان در وبلاگ ریاضی‌دان ترنس تائو نتیجه‌گیری شد: «ما به ریاضی‌دانان بسیار بیشتری نیاز خواهیم داشت.» در زمینه پژوهش‌های تاریخی، ما به مورخان و انسان‌شناسان بسیار بیشتری نیاز داریم تا بتوانیم با سرعت ماشین‌ها همگام شویم.

گام بعدی شما

• اگر پژوهشگر هستید، از ترکیب جست‌وجوی معنایی (Semantic Search) و عامل‌های استخراج داده برای بررسی مجموعه‌های متنی بزرگ استفاده کنید.
• برای کاهش توهمات مدل در متون قدیمی، از متدولوژی «رتبه‌بندی و بررسی انسانی» (Human-in-the-loop) بهره ببرید.
• به دنبال ابزارهایی باشید که امکان اجرای موازی چندین عامل برای تحلیل منابع چندزبانه را فراهم می‌کنند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.