اگر خروجی‌های هوش مصنوعی برای شما تکراری و یکنواخت شده است، باید بدانید که این یک محدودیت ذاتی معماری نیست، بلکه نتیجه‌ی یک «همگرایی اجباری» است. اکنون راهی برای شکستن این چرخه پیدا شده است.
در حالی که مدل‌های زبانی بزرگ (LLM) برای ایمنی و مفید بودن همراستاسازی (Alignment) می‌شوند، ناخودآگاه به سمت پاسخ‌های «متوسط» و پیش‌بینی‌پذیر سوق می‌یابند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ریسک‌های همگرایی داده‌ها اشاره کردیم، این روند منجر به ایجاد یک «ذهن جمعی» (Hivemind) می‌شود که خلاقیت انسانی را تحت‌الشعاع قرار می‌دهد.
تکنیک دفع معنایی (Semantic Repulsion Technique یا SRT) که در مقاله‌ای به تاریخ ۹ ژوئن ۲۰۲۶ منتشر شد، دقیقاً همین مشکل را هدف قرار داده است. بر اساس مستندات پژوهشی، این متد با فشار آوردن به مدل برای دوری از الگوهای اجماعی، نتایج زیر را به دست آورده است:
- افزایش تنوع معنایی بین ۸۵ تا ۱۶۷ درصد.
- کاهش عبارت‌های تکراری و اجماعی بین ۴۳ تا ۹۵ درصد.
- در مطالعه‌ای روی ۱۶ کاربر، پیکربندی «SRT-Strong» از نظر کاربردی ($p = .019$) و انسجام ($p = .006$) برتر شناخته شد.
- یافتن همبستگی مثبت ($
ho = +.40$ تا $+.67$) بین اصالت متن و خوانایی آن.
به نقل از نویسندگان مقاله، برای جامعه فنی، این یافته‌ها معنای «اجماع» در LLMها را تغییر می‌دهد؛ اجماع دیگر نشانه کیفیت نیست، بلکه یک آسیب‌شناسی (Pathology) قابل اندازه‌گیری است. این موضوع ثابت می‌کند که تولید متن‌های کلیشه‌ای، یک محدودیت بنیادی نیست، بلکه یک پارامتر است که می‌توان آن را کنترل کرد. نتیجه‌ی این رویکرد، مسیری به سوی «لغزنده‌های خلاقیت» است که به کاربر اجازه می‌دهد سطح دقیق انحراف از متن‌های متداول را تنظیم کند.
گام بعدی شما
- بررسی چارچوب SRT در arxiv.org برای درک نحوه پیاده‌سازی منطق دفع در لایه‌ی خروجی.
- آزمایش استراتژی‌های رمزگشایی (Decoding Strategies) جدید برای جلوگیری از فروپاشی خروجی در محیط‌های عملیاتی.
- ارزیابی میزان نیاز به کنترل پارامتریک تنوع در محصولات تولید محتوای خود.
اما این کنترل بر معنا، تنها بخشی از پازل است؛ تأثیر این متد بر کاهش توهم (Hallucination) مدل‌ها را در گزارش بعدی بررسی خواهیم کرد.
گفتگو