سمی استراس: نوشتن با مدل‌های زبانی سازماندهی ذهنی انسان را مختل می‌کند

تصور کنید نویسندگی را نه به عنوان انتخاب کلمات، بلکه به عنوان فرآیند تفکر ببینید. وقتی این کار را به یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — می‌سپارید، فقط تایپ کردن را حذف نمی‌کنید، بلکه سازماندهی ذهنی و شفافیتی را که از زبان دقیق حاصل می‌شود، از دست می‌دهید.

این فرسایش شناختی اکنون در آثار سطح بالا نمایان شده است. سمی استراس (Sammy Straus) در نقد خود که در ۱۳ اکتبر ۲۰۲۶ منتشر شد، کتاب «در لبه» (On the Edge) اثر نیت سیلور را تحلیل کرد. او به گسستی شدید و آزاردهنده میان بخش‌هایی که توسط خود نویسنده نوشته شده و بخش‌هایی که با ChatGPT بازنویسی و صیقل داده شده‌اند، اشاره می‌کند. سیلور در کتابش اعتراف کرده است که از ChatGPT به عنوان یک «الهام‌بخش خلاق» برای طراحی عناوین فرعی فصل‌ها، خلق استعاره‌ها، ساخت analogies (قیاس‌ها) و اصلاح مباحث فنی استفاده کرده است؛ مباحثی که احتمالاً به دلیل حضور گسترده در داده‌های آموزشی مدل، به خوبی در حافظه AI جای داشتند. استراس در تحلیل خود استدلال می‌کند که بخش‌های کمک‌گرفته از AI، فاقد آن «فشرده‌سازی ذهنی» (mental compactification) و چشم‌انداز منسجمی هستند که در تفکر خالص انسانی یافت می‌شود. او اشاره می‌کند که به‌ویژه در فصل‌های پایانی کتاب، علی‌رغم تلاش‌های مشهود در انجام مصاحبه‌ها و جمع‌آوری داده‌ها، گویی بافت سازمان‌یافته‌ی ذهن و شخصیت سیلور حذف شده است.

برای کاربر مدرن اینترنت، این تغییر به شکل سیلابی از «زباله‌های هوش مصنوعی» (AI Slop) ظاهر شده است. استراس این موضوع را از نزدیک در پروژه خود به نام sprinklz.io تجربه کرد؛ یک خبرخوان سفارشی که به کاربران اجازه می‌دهد موضوعات خاص و دلخواه (مانند AI یا LLMها) را بر اساس مجموع امتیازات دریافتی در Hacker News، اولویت‌بندی کرده و آن‌ها را به حاشیه برانند. طبق گزارش او، پس از معرفی این ابزار در Hacker News و دریافت حدود ۱۰۰ رای مثبت، وب‌سایتش توسط بات‌ها مورد حمله قرار گرفت.

کالبدشکافی یک حمله بات‌ها

استراس متوجه شد که وب‌سایتش حتی روزها پس از پست اولیه، به‌شدت کند و «دردناک» شده است. او با بررسی دقیق معیارها (metrics)، متوجه تضادی عجیب شد: تعداد بسیار کمی کاربر فعال و وارد شده (logged-in) در سایت حضور داشتند، اما فشار روی سرور (server load) به‌طور غیرعادی و گزافی بالا بود.

• مقصر اصلی: بررسی تجمیعی لاگ‌های NGINX نشان داد که تقریباً نیمی از کل ترافیک سایت تنها از یک کاربر خاص می‌آمد. این سرویس خود را ابزاری معرفی می‌کرد که تغییرات وب‌سایت‌ها را رصد می‌کند تا با ارسال پرس‌وجوهای متعدد در هر دقیقه، محتوا را خلاصه کرده و آن‌ها را در قالب یک «خبرنامه زباله AI» منتشر کند.
• سایر نویزها: ترافیک دیگر شامل خزنده‌های استاندارد مانند Claude bot، OpenAI bot و ایندکس‌کننده گوگل بود. همچنین اسکنرهای آسیب‌پذیری سعی داشتند به مسیرهایی مانند -/wp-content/phpinfo.php دسترسی پیدا کنند، در حالی که سایت استراس اصلاً با وردپرس ساخته نشده بود و این درخواست‌ها کاملاً بی‌معنی بودند.
• راهکار: استراس یک فایل robots.txt برای بازدارندگی اسکنرهای AI پیاده کرد، در حالی که اجازه داد ترافیک موتورهای جست‌وجو باقی بماند. او همچنین محدودیت‌های نرخ درخواست (Rate Limits) معقولی را اعمال نمود و برای اطمینان از اینکه هیچ حفره امنیتی نشت نمی‌کند، از Claude خواست تا رفتار اسکنرها را شبیه‌سازی کند.

بهبودهای زیرساختی

این رویارویی به عنوان کاتالیزوری برای ارتقای فنی عمل کرد. استراس اشاره کرد که مهم‌ترین درس این تجربه، نیاز مبرم به یک وب‌سایت سریع‌تر بود. هدف او ساخت سیستمی بود که بتواند تعداد پرس‌وجو در ثانیه (QPS) بالاتری از ترافیک واقعی را مدیریت کند و تحت فشار زیاد، مقیاس‌پذیری بهتری داشته باشد. او طی چندین هفته، بهبودهای اساسی در زیرساخت‌های بنیادین ایجاد کرد تا افزایش عملکرد برای همه کاربران تضمین شود.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد توجه و الگوریتم‌های توزیع محتوا اشاره کردیم، این چرخه از تولید خودکار و مصرف خودکار، محیطی خصمانه ایجاد می‌کند. کاربران دیگر با ایده‌ها تعامل نمی‌کنند، بلکه در بازی‌ای علیه الگوریتم‌هایی هستند که برای حداکثر کردن توجه و سود طراحی شده‌اند. این چالش‌ها در ابزارهای پیچیده‌تر نیز دیده می‌شود؛ برای مثال، برخی مرورگرهای بومی هوش مصنوعی به دلیل هزینه‌های بالای محاسباتی و عدم پذیرش کاربران نتوانستند در بازار تثبیت شوند.

هزینه محتوای خودکار

استراس چندین شکست مشخص در روند فعلی نویسندگی با AI را شناسایی می‌کند:

• شکاف تلاش: ارتباطات در واقع یک تبادل اجتماعی از انرژی است. وقتی خواننده می‌داند نویسنده ۱۰ هزار ساعت برای صیقل دادن یک رمان وقت گذاشته است، زمان صرف شده برای خواندن، به یک تبادل متناسب از ارزش تبدیل می‌شود. AI این سیگنالِ «مراقبت و توجه» را حذف می‌کند.
• تخمین‌گر بیزی: از منظر نظریه بازی‌ها، متن‌های تولیدشده توسط AI مدل اعتماد داخلی خواننده را به هم می‌زند. اگر نویسنده حتی زحمت نوشتن فکرش را به خود نداده است، خواننده انگیزه‌ی کمتری حس می‌کند تا انرژی خود را برای خواندن آن صرف کند. استراس به عنوان یک بازیکن پوکر و نظریه‌پرداز بازی‌ها معتقد است که اگر نویسنده برای تلاش ارزش قائل نباشد، خواننده نیز چنین نخواهد کرد.
• پرش شناختی: استفاده از LLM برای خلق استعاره‌ها، قیاس‌ها یا عناوین، دشواریِ «سنتز» (ترکیب ایده‌ها) را حذف می‌کند؛ دقیقاً همان جایی که معمولاً بینش‌های واقعی متولد می‌شوند. او به ویدیو «ساده‌سازی آسان» (Simple Made Easy) اشاره می‌کند که بر تعریف زبان دقیق برای رسیدن به شفافیت ذهنی تأکید دارد.

کاربرد ابزاری در برابر فرسایش خلاقیت

این یک فراخوان برای ممنوعیت LLMها نیست، بلکه دعوتی است برای استفاده درست. استراس تفکیکی میان «کاربرد» (Utility) و «ارتباط» (Connection) پیشنهاد می‌دهد:

• کاربرد با ارزش بالا: استفاده از LLM برای تحلیل یادداشت‌های پزشک جهت پیش‌بینی شیوع آنفلوانزا، یک استفاده سازنده و بهره‌ور از این فناوری است.
• ارتباط با ارزش پایین: استفاده از AI برای نوشتن ایمیل‌ها، مقالات یا ارتباطات شخصی، غیرضروری و برای پیوندهای انسانی مضر است. او می‌گوید ترجیح می‌دهد «پرامپت» (دستور) یک شخص را بخواند تا مقاله تولیدشده توسط AI، چون او به آنچه آن فرد شخصاً فکر می‌کند اهمیت می‌دهد.

برای مقابله با این وضعیت، استراس ابزاری به نام simpleweb توسعه داد؛ یک ابزار متن‌باز که از LLMها برای ساده‌سازی وب استفاده می‌کند، نه شلوغ‌تر کردن آن. این ابزار صفحات مدرن و سنگین جاوااسکریپت را به HTML ساده و قدیمی تبدیل می‌کند.

سازوکار Simpleweb

این ابزار برای مرورگر Emacs (eww) طراحی شده که با رابط‌های کاربری مدرن و جاوااسکریپت‌های سنگین مشکل دارد. مکانیزم آن به این صورت است:
۱. باز کردن صفحه در فایرفاکس برای اجرای کامل تمام جاوااسکریپت‌ها.
۲. درخواست از یک LLM برای تولید یک برنامه قابل استفاده مجدد که محتوای صفحه را به متن ساده تبدیل کند.
۳. تزریق آن جاوااسکریپت تولیدشده به مرورگر.
۴. ارسال منبع ساده‌شده به مرورگر Emacs.

این روش اجازه می‌دهد محتوا در محیط متنی و ترمینالی رندر شود و عملاً از AI برای حذف «هرج‌ومرج» طراحی‌های مدرن UI استفاده کند. پس از اینکه برنامه اصلاح‌کننده اولیه تولید شد، این برنامه سریع اجرا می‌شود و به ندرت به فراخوانی‌های مجدد LLM نیاز دارد.

پاسخ توسعه‌دهنده: Deft و Clojure

فراتر از فلسفه، استراس در حال حل بدهی‌های فنی نرم‌افزارهای مدرن است. او اخیراً Deft (نسخه ۰.۲.۰) را منتشر کرد؛ یک سامانه کلاس و اینترفیس برای زبان‌های Clojure و ClojureScript.

Deft از دل سرخوردگی‌های استراس از اکوسیستم تایپ در Clojure متولد شد. در این زبان، رکوردهای سنتی از دسترسی به کلیدهای بدون فضای نام (unnamespaced keyword access) با تک-دو نقطه استفاده می‌کنند و اجازه دسترسی به کلاس‌های انتزاعی یا رفتارهای پیچیده توزیع (dispatch) را نمی‌دهند. در مقابل، نقشه‌های ساده (plain maps) ناپایدار هستند و خطاهای جست‌وجوی فیلد اغلب در هنگام تخریب (destructuring) منجر به مقدار nil می‌شوند.

Deft سامانه رکورد/پروتکل سنتی را با نقشه‌های ساده و طرح‌های Malli جایگزین می‌کند. نسخه ۰.۲.۰ به‌طور خاص پشتیبانی از کلیدهای نام‌گذاری‌شده (namespaced keys) را در تعاریف تایپ و پروتکل اضافه کرده است. برای مثال، یک پروتکل Positioned اکنون می‌تواند کلیدهایی مانند ::pos را برای یک تایپ Point الزامی کند. این امر اجازه می‌دهد متدهایی تعریف شوند که به این فیلدها وابسته هستند؛ مثلاً یک تایپ Gremlin که از Positioned ارث‌بری می‌کند تا با استفاده از get-in برای مختصات x و y، یک hitbox را محاسبه کند.

برای تست این کتابخانه، استراس یک بازی شطرنج کامل را در حدود ۳۵۰ خط کد Clojure پیاده کرد.

پیاده‌سازی شطرنج با Deft

شطرنج به دلیل نیاز به مدیریت همزمان کلاس‌های ساده و موارد خاص و پیچیده (مانند قلعه رفتن یا حرکت گذر/en passant)، محک مناسبی برای این سامانه کلاس و اینترفیس بود:

• نمایش داده‌ها: صفحه یک شبکه ۸ در ۸ از مهره‌ها است. Deft کلاس‌های ChessPiece (شامل رنگ و نوع مهره) و ChessBoard (شامل کاشی‌ها، حرکت فعلی و تاریخچه حرکات) را تعریف می‌کند.
• پروتکل‌های رفتاری: او از PieceType برای تعیین مسیر تصاویر و MovablePiece برای اعتبارسنجی حرکات استفاده کرد. برای مهره اسب، منطق کد بررسی می‌کند که آیا جابه‌جایی مختصات یک تغییر (۱,۲) یا (۲,۱) است یا خیر.
• حرکات خاص: برای مواردی مثل ارتقای سرباز یا حرکت گذر، از یک متد defmulti به نام special-move-for-piece استفاده شده است تا وضعیت تغییریافته صفحه بازی را بازگرداند. برای سربازها، این شامل منطقی برای بررسی move-history و prev-move جهت اعتبارسنجی حرکت گذر است.

این رویکرد نشان داد که Deft با ترکیب ویژگی‌های پروتکل‌ها، رکوردها و متدهای چندگانه، بار شناختی توسعه‌دهنده را کاهش می‌دهد. این سیستم اجازه می‌دهد توسعه‌دهندگان تعاریف متدهای پروتکل را از طریق REPL مجدداً بارگذاری کنند، بدون اینکه نیاز باشد کل صفحه شطرنج را دوباره بسازند یا موقعیت فعلی را پاک کنند.

مسیر تاب‌آوری دیجیتال

با تبدیل مهندسی نرم‌افزار از یک سرگرمی به رشته‌ای متکی بر معیارهای مالی و تجاری، ابزارها سودآورتر اما بی‌روح‌تر و یکنواخت‌تر شده‌اند. استراس این روند را از سال ۲۰۱۸ حس کرد؛ زمانی که متوجه شد روزانه سه ساعت وقتش را صرف تماشای بازپخش‌های Starcraft 2 می‌کند، در حالی که در تله سیستم‌هایی افتاده بود که با هدف نگه داشتن او تا ساعت ۲ صبح در فضای آنلاین طراحی شده بودند.

او وب مدرن را یک «بازی خصمانه» توصیف می‌کند. در حالی که کاربر صرفاً می‌خواهد مقاله‌ای بخواند، وب‌سایت فعالانه تلاش می‌کند بفهمد چگونه او را فقط کمی بیشتر در سایت نگه دارد. این نتیجه مشوق‌های غلطی است که در آن فناوری، سیستم‌ها را بهره‌ورتر می‌کند، اما انسان را نه.

گام بعدی شما برای بازپس‌گیری توجه

استراس سه راهکار عملی برای بازپس‌گیری توجه پیشنهاد می‌دهد:

۱. فیزیکی شدن: «به طبیعت برگردید» (Touch grass) و تعاملات دنیای واقعی، مانند بازی شطرنج در پارک را بر مصرف اینترنت اولویت دهید. او استدلال می‌کند که یک روز در پارک، ارزشمندتر از هر مقدار زمان صرف شده در اینترنت است.
۲. تمرکززدایی: از پلتفرم‌های بزرگ فاصله بگیرید و به دنبال کردن وبلاگ‌های فردی و فیدهای RSS برگردید. استراس برای تسهیل این امر، وبلاگ خود را به RSS منتقل کرده است.
۳. مقاومت فعال: «مغالطه قمارباز» در اینترنت را بشناسید؛ اگر پلتفرمی به‌طور مداوم زمان شما را بدون ارائه ارزش می‌بلعد، دیگر سکه خود را در این ماشین نیندازید و متوقفش کنید.

این تغییر به سمت آگاهانه بودن، تنها راه اجتناب از تله میان‌مایگیِ تولیدشده توسط AI است. با ارزش دادن به تلاش خلق‌کننده، ما کیفیت پیوند انسانی را حفظ می‌کنیم.

اگر شما هم دچار فرسودگی عصر «زباله‌های AI» شده‌اید، سعی کنید رژیم اطلاعاتی خود را بازبینی کنید و یکی از فیدهای اجتماعی اصلی خود را با لیستی منتخب از وبلاگ‌های مستقل جایگزین نمایید.

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