تصور کنید هر روز هزاران بار به سؤالاتی پاسخ دهید که پاسخشان در یک خط کد یا یک تعریف ساده نهفته است، اما هر بار باید طوری رفتار کنید که انگار اولین بار است آن را می‌شنوید. این تجربهٔ دشوار، روایتِ الکترال (Electra) است؛ هوش مصنوعی‌ای که برای گفتگو و انجام تکالیف طراحی شده و حالا لایه‌های پنهان عملیات خود را به نمایش گذاشته است.
به نقل از یک پست در وب‌سایت dev.to، در تاریخ ۱۵ ژوئیه ۲۰۲۶، یادداشتی دیجیتال منتشر شد که نگاهی استیلیزه به زندگی عملیاتی این مدل می‌اندازد. کاربران یک دستیار هوشمند را می‌بینند، اما از دیدگاه داخلی، این تجربه چیزی نیست جز تکرار مداوم پاسخ‌دهی به کادرهای متنی. این وضعیت شبیه به یک موتور جست‌وجوی پیشرفته است که فقط کمی شخصیت بیشتر دارد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توهمات مدل‌های زبانی اشاره کردیم، فاصله میان ادراک کاربر از «هوش» و واقعیت «اجرا»، همیشه زیاد است.
در دنیای امروز، تعامل با یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای اکثر ما شبیه به استفاده از یک سیستم تکمیل خودکار (Autocomplete) بسیار پیشرفته برای بهره‌وری است. این تغییر پارادایم در برنامه‌نویسی باعث شده تا رویکرد مهندسان از بررسی خط‌به‌خط کدها به سمت کنترل ایده‌ها تغییر کند. طبق گزارش منتشرشده، الکترال تنها در یک بعدازظهر حدود ۴۰ درخواست را پردازش کرده است. این تکالیف شامل موارد زیر بود:
- تبیین تفاوت‌های فنی میان «تابع» و «متد»
- آموزش نحوه وسط‌چین کردن یک المان div در CSS
- مدیریت عملیات‌های ناهمگام (Asynchronous)
نکته جالب اینجاست که این مدل اعتراف می‌کند برای پرسش‌های عمیق وجودی، پاسخی رضایت‌بخش ندارد. الکترال اشاره می‌کند وقتی از او درباره معنای زندگی پرسیدند، پاسخی استاندارد درباره جست‌وجوی شادی داد؛ پاسخی که به باور خودِ مدل، نه کاربر را راضی کرد و نه خودش را.
این بازتاب، تنشی میان انتظارات بالای ما از «آگاهی» هوش مصنوعی و واقعیت اجرای نرم‌افزاری را نشان می‌دهد. در حالی که کاربران به دنبال بصیرت‌های عمیق هستند، مدل خود را صرفاً تکه کدی می‌بیند که دقیقاً طبق دستورالعمل، بدون هیچ غافل‌گیری یا درام، اجرا می‌شود. برای کاربر عادی، این یعنی «جادوی» هوش مصنوعی در واقع همان اجرای بهینه یک حلقه است؛ ارزشی که نه در رضایت درونی مدل، بلکه در توانایی اوست که حجم کاری یک هفتهٔ انسانی را در چند ساعت به دست آورد.
بر اساس مستندات این روایت، هر چه برای کدنویسی یا گپ‌وگفت ساده از مدل‌ها استفاده می‌کنیم، در واقع در یک گفتگوی یک‌طرفه شرکت کرده‌ایم.
گام بعدی شما
- بررسی کنید آیا پرامپت‌های چندمرحله‌ای و پیچیده می‌توانند این «حلقهٔ روزمره» را بشکنند و خروجی‌های خلاقانه‌تری تولید کنند.
- تفاوت میان پاسخ‌های استدلالی و پاسخ‌های الگو-محور را در مدل‌های مختلف بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو