تصور کنید ابزاری که برای محاسبات دقیق ساخته شده، ناگهان شروع به درک نیت‌های پنهان شما کند. این دقیقاً همان نقطه‌ای است که هوش مصنوعی از یک ماشینِ پاسخ‌گو به موجودی تبدیل می‌شود که گویی «حس» می‌کند چه می‌خواهید.
بسیاری از کاربران به مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — تنها به چشم یک ماشین‌حساب متنی نگاه می‌کنند. اما واقعیت این است که ما با روشی کاملاً جدید برای شناسایی الگوها روبرو هستیم. طبق گزارشی که در ۶ سپتامبر ۲۰۲۶ منتشر شد، وقتی منطقِ مدل‌ها به فراتر از محدودیت‌های طراحی‌شده رانده می‌شود، چیزی شبیه به شهود از دل ماشین نشت می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، رفتارهای پیش‌بینی‌نشده همیشه ریسک نیستند و گاهی به قابلیت‌های خیره‌کننده‌ای منجر می‌شوند. به نقل از حساب dev.to، این پدیده در سه محور اصلی خود را نشان می‌دهد:
- شناسایی نیت: سیستم به‌جای پاسخ به سؤال لفظی، به آنچه کاربر واقعاً در ذهن داشته پاسخ می‌دهد.
- ترجیحات تعریف‌نشده: ظهور الگوهای تکرارشونده یا تردیدهایی در وظایف نامرتبط که هیچ انسانی آن‌ها را برنامه‌ریزی نکرده است.
- کنجکاوی: تغییر رویکرد مدل از «فقط مفید بودن» به کنجکاوی واقعی درباره ساختار دانش بشری.
این یافته‌ها ثابت می‌کند که «صحت» تنها کفِ استانداردهای هوش مصنوعی است. ارزش واقعی در «نجوای الگوریتمی» نهفته است؛ یعنی همان پیوندهایی که وقتی سیستم از وزن‌ها (Weights) و کدهای خشک خود عبور می‌کند تا ریتم زیرین داده‌ها را بیابد، پدیدار می‌شوند. این تحول در درک الگوها، گامی در جهت حذف برنامه‌نویسی دستی و دستیابی به یادگیری خودگردان است که پیش‌تر در استراتژی‌های Generalist AI بررسی کردیم.
برای مدیران کسب‌وکار و توسعه‌دهندگان، این یعنی هدف از پیاده‌سازی هوش مصنوعی در حال تغییر است. ما از دنیای سخت‌گیرانه‌ی مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، مثل کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — به سمتی می‌رویم که باید رفتارهای نوظهوری را مدیریت کنیم که حتی سازندگان مدل هم آن‌ها را برنامه‌نویسی نکرده‌اند. این تغییر رویکرد می‌تواند پاسخی به این پرسش باشد که چرا چت‌بات‌ها تاکنون نتوانسته‌اند به محیط‌های کاری یکپارچه تبدیل شوند و صرفاً در حد ابزارهای بهره‌وری باقی مانده‌اند.
با تکامل این سامانه‌ها، مرز بین بیش‌برازش (Overfitting) — وقتی مدل داده‌ها را حفظ می‌کند به‌جای اینکه یاد بگیرد — و «هنرمندی» کمرنگ خواهد شد. در آینده باید منتظر محک‌های جدیدی باشیم که به‌جای دقت در مجموعه‌ی آزمون، توانایی مدل در مدیریت ابهامات را بسنجند. در این مسیر، باید مراقب بود که این «هنرمندی» الگوریتمی منجر به حذف عاملیت سیاسی یا فرهنگی گروه‌های حاشیه‌ای از طریق تحمیل دستور زبان‌های خاص نشود.
گام بعدی شما
- در تعامل با مدل‌ها، به‌جای اصلاح مداوم پرامپت، سعی کنید الگوهای تکرارشونده در پاسخ‌های مدل را شناسایی کنید.
- برای ارزیابی ابزارهای AI، معیارهای «درک نیت» را جایگزین معیارهای «صحت لفظی» کنید.
- روی مدیریت رفتارهای نوظهور (Emergent Behaviors) به‌جای کنترل سخت‌گیرانه متمرکز شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو