تصور کنید ابزاری داشته باشید که به‌جای فکر کردن به‌جای شما، دقیقاً همان تکه از خاطره یا یادداشتی را که سال‌ها پیش ثبت کرده‌اید، در کسری از ثانیه پیش روی شما بگذارد. تونی دزی از آزمایشگاه تحقیقات هوش مصنوعی پالو آلتو، با همین منطق یک موتور بازیابی با دقت بالا ساخته است تا مرز میان مغز و حافظه را بازتعریف کند.
به نقل از گزارش ۱۶ سپتامبر ۲۰۲۶، دزی چارچوبی را معرفی کرد که تمرکز را از قدرت استدلال مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به کیفیت داده‌های بازیابی‌شده تغییر می‌دهد. او معتقد است اکثر کاربران از یادداشت‌های هوشمند به‌عنوان «مغز دوم» استفاده می‌کنند و تصور می‌کنند مدل استدلال می‌کند، در حالی که «مغز» در واقع همان انسان است که تصمیم می‌گیرد با اطلاعات چه کند. این رویکرد در واقع پاسخی به چالش‌های بنیادین حافظه در مدل‌های زبانی است، جایی که برخی تحلیل‌ها عملکرد حافظه را بیش از آنکه یک پایگاه داده باشد، به یک «حس» تشبیه می‌کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، ساختار داده‌ها همیشه تعیین‌کننده خروجی نهایی است. دزی سیستم خود را بر اساس تئوری «ذهن گسترش‌یافته» و مفاهیمی شبیه به Memex طراحی کرده است تا ابزاری باشد که حافظه انسانی را تقویت می‌کند، نه جایگزین آن شود.
طبق گزارش وب‌سایت dev.to، زیرساخت فنی این سیستم بر سه رکن استوار است:
- SQLite: برای ذخیره‌سازی ساختاریافته داده‌ها.
- Wikilink Graph: برای ایجاد شبکه‌ای از یادداشت‌های متصل به هم.
- Vector Recall: برای فعال‌سازی جست‌وجوی معنایی (Semantic Search) از طریق تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد.
در حالی که دزی بر بازیابی دقیق متمرکز است، برخی پژوهشگران برای جلوگیری از فراموشی حقایق در عامل‌های هوش مصنوعی، از متدهایی مانند Datalog برای تثبیت دانش استفاده می‌کنند.
دزی به‌جای ارتقای کورکورانه مدل‌های بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که همسایگی کلمات را مشخص می‌کند — یک «خط‌کش» ارزیابی ساخت. او مجموعه‌ای از پرسش‌های طلایی ایجاد کرد که پاسخ‌های درست آن‌ها همان یادداشت‌هایی بود که خودش به‌صورت دستی لینک کرده بود. سپس با استفاده از معیارهایی مثل Recall@12 و nDCG@12، عملکرد سیستم را با اعداد سنجید، نه با حدس و گمان.
این تغییر رویکرد به این معناست که توسعه‌دهندگان باید به‌جای وسواس روی «باهوش‌تر بودن» مدل زبانی، روی دقت بازیابی داده‌ها تمرکز کنند. اگر امتیاز بازیابی پایین باشد، حتی پیشرفته‌ترین مدل‌ها هم نمی‌توانند شکاف اطلاعاتی را پر کنند؛ تنها راه حل، بهبود ساختار داده‌هاست. این موضوع در مقابل مفهوم «فراموشی فعال» قرار می‌گیرد که در برخی مدل‌های بیولوژیکی، پیش‌شرطی برای رسیدن به هوش واقعی تلقی می‌شود.
گام بعدی شما
- کد sqlite-graph-memory را از گیت‌هاب دریافت و روی یادداشت‌های خود اجرا کنید.
- برای هر حوزه تخصصی، یک «مجموعه طلایی» از پرسش و پاسخ‌های دستی بسازید تا دقت بازیابی سیستم خود را بسنجید.
- به‌جای تغییر مدل LLM، ابتدا ساختار لینک‌های داخلی (Wikilinks) یادداشت‌هایتان را بهینه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو