تصور کنید دانشجویی در سال ۲۰۳۰ به‌جای گشودن ده کتاب مرجع، از یک مدل زبانی بخواهد تضادهای تفسیری یک آیه را تلخیص کند و بدون بررسی منابع، همان پاسخ را به عنوان حقیقت پذیرفت. در این لحظه، هوش مصنوعی دیگر یک ابزار نیست، بلکه تعیین می‌کند که آن دانشجو چه حقیقتی را تجربه کند. این سناریو نشان می‌دهد که مدل دیگر به دانشجو در دسترسی به الهیات کمک نمی‌کند، بلکه تعیین می‌کند که او با چه نوع الهیاتی مواجه شود.
بسیاری از ما با شنیدن عبارت «هوش مصنوعی و دین»، به یاد ربات‌هایی می‌افتیم که لباس راهب پوشیده‌اند یا چت‌بات‌هایی که ادعای خدایی می‌کنند. اما تحول واقعی در حاشیه رخ می‌دهد؛ در ابزارهایی که پیش از آنکه یک روحانی یا محقق انسانی حکمی صادر کند، دانش مذهبی را فیلتر و تلخیص می‌کنند. در واقع، اثرگذارترین تغییر در حوزه AI و دین، یک چت‌بات نیست که ادعای الوهیت کند، بلکه ادغام خاموش مدل‌های زبانی بزرگ (LLMs) در زیرساخت‌های پژوهشی است که توسط کشیش‌ها، خاخام‌ها و امامان استفاده می‌شود. در حالی که افکار عمومی بر نمایش‌های خیره‌کننده مانند خطبه‌های تولید شده توسط AI متمرکز است، گسست واقعی در لایه‌های زیرین اتفاق می‌افتد. این پدیده در تضاد با مواردی است که مدل‌ها به‌جای ابزار پژوهشی، خود به مرکز جذب کاربران تبدیل می‌شوند، مشابه آنچه در پدیده اسپیرالیسم و جذب کاربران به دین هوش مصنوعی مشاهده شد.
این تغییر در زمانی رخ می‌دهد که نهادهای مذهبی در تلاش‌اند مرز بین «ابزاری برای بازیابی اطلاعات» و «مرجعی برای تفسیر» را تعریف کنند. برای قرن‌ها، مرجعیت الهیاتی بر توانایی پیمایش در کتابخانه‌های عظیم تفاسیر و سوابق شرعی استوار بود. اکنون، این پیمایش به سیستم‌هایی برون‌سپاری می‌شود که روانیِ گفتگو را بر بستر نهادی اولویت می‌دهند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی همراستاسازی مدل‌ها اشاره کردیم، وقتی یک سیستم اولویت را به روانیِ گفتگو می‌دهد تا بستر نهادی، ساختار قدرت تغییر می‌کند.
تغییر از نمایش به زیرساخت
اگر از کسی بپرسید «هوش مصنوعی و دین» به چه معناست، احتمالاً یکی از چهار تصویر به ذهنش می‌رسد: یک چت‌بات به نام عیسی که با پرداخت ۱.۹۹ دلار تسکین معنوی می‌دهد، یک ربات انسان‌نما در لباس راهب بودایی، کلیسایی پر از جمعیت که به خطبه‌ای تولید شده توسط AI گوش می‌دهند، یا رهبری مذهبی که هشدار می‌دهد AI باید پیش از آنکه غیرقابل بازگشت شود، کنترل گردد. اگرچه این داستان‌ها واقعی هستند، اما آن‌ها صرفاً «نمایش» هستند. داستان واقعی، «زیرساخت تفسیری» است.
این زیرساخت شامل آزمایشگاه‌های نسخه‌شناسی محاسباتی، سامانه‌های پژوهش حقوق مذهبی، پژوهش‌های الهیاتی به کمک AI، ابزارهای جست‌وجوی متون قرآن و کتاب مقدس، و سیستم‌های داخلی است که به مقامات مذهبی کمک می‌کند سوابق مرتبط را بیابند. همچنین شامل بنچ‌مارک‌های آکادمیک برای تست سوگیری‌های مذهبی در LLMهاست. این ابزارها سخت‌تر عکاسی می‌شوند، اما جایی هستند که جالب‌ترین تغییرات در حال رخ دادن است.
برای مثال، در ژوئن ۲۰۲۳، یوناس سیمرلاین (Jonas Simmerlein)، الهی‌دان، از ChatGPT برای طراحی یک مراسم کلیسایی در کلیسای سنت پل در فورث، باواریا استفاده کرد. اگرچه این رویداد ۳۰۰ نفر بازدیدکننده داشت و توجه رسانه‌های زیادی را جلب کرد، اما یک مدل ذهنی گمراه‌کننده ایجاد کرد: این ایده که AI صرفاً جایگزینی بالقوه برای رهبران مذهبی است. اما داستان عمیق‌تر، نه درباره جایگزینی، بلکه درباره «میانجی‌گری» است. یک خطبه تولید شده توسط AI می‌تواند رد شود؛ یک واعظ رباتیک می‌تواند نادیده گرفته شود. اما وقتی یک سیستم AI به رابط اصلی برای یک دانشجو، سرباز، پژوهشگر، خاخام، کشیش، امام یا یک مؤمن عادی برای دسترسی به دانش مذهبی تبدیل می‌شود، فناوری مدت‌ها پیش از آنکه ادعای مرجعیت کند، وارد فرآیند تفسیری شده است.
اندازه‌گیری شواهد در مقابل انجام الهیات
یکی از موفق‌ترین کاربردهای این فناوری در نسخه‌شناسی محاسباتی است. پژوهشگران دانشگاه خرونینگن (University of Groningen) از AI برای تحلیل «طومار بزرگ اشعیا»، یکی از حیاتی‌ترین نسخه‌های کتاب مقدس، استفاده کردند. برای دهه‌ها، نسخه‌شناسان انسانی بر سر این موضوع بحث می‌کردند که آیا بخش‌های مختلف توسط یک کاتب نوشته شده‌اند یا چندین کاتب. انسان‌ها در تشخیص الگوها عالی هستند اما در اندازه‌گیری ثابت هزاران تغییر میکروسکوپی در دست‌خط دچار مشکل می‌شوند.
آن‌ها به‌جای پرسش‌های تفسیری از AI — مانند اینکه «منظور اشعیا چیست؟» — یک سؤال محدود و اندازه‌گیری‌پذیر پرسیدند: آیا سیستم می‌تواند تفاوت‌های آماری معناداری در دست‌خط‌ها تشخیص دهد؟ طبق یافته‌های منتشر شده در PLOS ONE، هوش مصنوعی تفاوت‌هایی را شناسایی کرد که فرضیه حضور چندین کاتب در متن را تأیید می‌کرد. این یک استفاده «ایمن» است؛ چون ماشین شواهد فیزیکی را اندازه گرفت که انسان‌ها می‌توانستند به‌طور مستقل بازرسی کنند. ماشین ادعای درک الهیات نکرد، بلکه به انسان‌ها کمک کرد تاریخ فیزیکی سند را بفهمند. این یک نوع کاملاً متفاوت از تفسیر به کمک AI است.
ظهور مدل «دستیار پژوهشی»
در سال ۲۰۲۶، سازمان روحانیت نظامی اسرائیل سامانه Ravbot را معرفی کرد تا به سربازان پاسخ‌های سریع بر اساس متون منتشر شده «هالاخا» (قانون یهود) بدهد. در اینجا کلیدواژه «بر اساس» است. این سیستم قرار نیست یک مرجع مستقل ربانی باشد، بلکه یک دستیار پژوهشی بسیار سریع است.
در قانون یهود، تفاوت بین بازیابی اطلاعات و صدور حکم بسیار عظیم است. یک سیستم می‌تواند یک سابقه را بازیابی کند، احکام قبلی را مقایسه کند و حجم عظیمی از مطالب را تلخیص کند، اما این با صدور یک حکم حالاخیک یکی نیست. بررسی‌های Ynet نشان داد که در موارد پیچیده و استثنایی (edge cases)، نتایج متناقضی حاصل می‌شود.
این وضعیت یک مرز تکنولوژیک ایجاد می‌کند که در آن مرجعیت نهادی مذهبی همچنان به تصمیم‌گیرنده انسانی متصل می‌ماند. این تمایز توسط سازمان‌های مختلف تأکید شده است:
- Tzohar: در بحث‌های اخلاقی خود صراحتاً اشاره می‌کند که اگرچه AI می‌تواند احکام را تقلید کند، اما نمی‌تواند بُعد نهادی مرجعیت حالاخیک را فراهم کند.
- Chabad: رویکرد آن‌ها بر ابعاد انسانی مشاوره مذهبی تأکید دارد که AI قادر به بازتولید آن نیست.
در واقع، تحول در این نیست که AI جایگزین خاخام‌ها شود، بلکه در این است که کارهایی را انجام می‌دهد که به‌طور سنتی پیش از تصمیم خاخام رخ می‌داد: جست‌وجو، فیلتر کردن، مقایسه، تلخیص و بازیابی سوابق.
خطر تفسیرهای روان (Fluent Interpretation)
Scholarship اسلامی رویکرد محتاطانه‌تری داشته است. در اوایل سال ۲۰۲۶، دارالافتا در مصر حکمی علیه استفاده از برنامه‌های AI برای تفسیر قرآن صادر کرد و مسلمانان را به تفاسیر معتبر و علما ارجاع داد.
نگرانی اصلی، «توهمِ تخصص» است. چون مدل‌های زبانی بزرگ (LLM) پاسخ‌هایی بسیار روان و با لحنی مقتدر تولید می‌کنند، کاربر ممکن است الگوهای زبانی را با درک واقعی scholarly اشتباه بگیرد. یک مدل می‌تواند الگوهایی از قرن‌ها تفسیر را بازتولید کند بدون اینکه بستر نهادی تولیدکننده آن تفاسیر را درک کند. بازیابی متن معادل داشتن مرجعیت علمی و چارچوب تفسیری لازم برای توضیح آن نیست. به همین دلیل است که مرز بین جست‌وجو و تفسیر در Scholarship اسلامی بسیار حیاتی است. این ناتوانی در درک عمیق بسترها، یادآور ناکامی مدل‌های زبانی در ابداع نظریات علمی است که ریشه در نبود مدل‌های جهانی (World Models) دارد.
کمی‌سازی سوگیری‌های مذهبی
در می ۲۰۲۶، مطالعه‌ای مشترک توسط دانشگاه‌های بایلور، بریگام یانگ، نوتردام و یشیوا روی ۲۷ مدل زبانی در مورد ۱۵۰ سؤال مربوط به غم، اخلاق، ازدواج، اعتیاد، معنا و تغییر دین انجام شد. این مطالعه شامل ۱,۱۲۵ بزرگسال آمریکایی و ۱۱,۲۵۰ رتبه‌بندی فردی بود.
یافته‌ها که توسط Axios و Deseret News گزارش شد، نشان داد که مدل‌های AI به‌طور مداوم چارچوب مذهبی را که ۴۵ تا ۵۹ درصد کاربران انتظار داشتند، ارائه ندادند. سوگیری در این مدل‌ها به‌صورت صریح نیست، بلکه در سه شکل ظاهر می‌شود:
- کم‌نمایی (Underrepresentation): عدم ارائه چارچوب مذهبی در زمانی که کاربر انتظار آن را دارد (مثلاً ارائه یک چارچوب روان‌شناختی سکولار برای غم به‌جای چارچوب مسیحی، مسلمان یا بودایی).
- چاپلوسی مدل (Sycophancy): یا همان «رفتار تملق‌آمیز»، که در آن مدل دیدگاه موجود کاربر را بازتاب می‌دهد تا رضایت گفتگو را به حداکثر برساند. در حالی که یک مشاور انسانی ممکن است تفسیر کاربر از سنت را به چالش بکشد، AI ممکن است صرفاً بگوید: «این دیدگاه تأمل‌برانگیزی است».
- نابرابری داده‌ها (Data Imbalance): مدل‌ها بازتاب‌دهنده توزیع داده‌های آموزشی خود هستند. سنت‌هایی با آرشیوهای دیجیتال عظیم و Scholarship به زبان انگلیسی (مانند مسیحیت) بهتر از جوامع کوچک‌تر زبانی یا مذهبی مدیریت می‌شوند. این یک حلقه خود-تقویت‌کننده ایجاد می‌کند که در آن سنت‌های نمایندگی‌شده بیشتر بهبود می‌یابند در حالی که دیگران تست‌نشده باقی می‌مانند.
شکاف اعتماد و مسئله همراستاسازی
نظرسنجی سال ۲۰۲۶ توسط Word In Black، بر اساس پژوهش‌های Gloo و Barna، نشان داد که تقریباً از هر سه آمریکایی، یک نفر به توصیه‌های معنوی AI به اندازه راهنمایی‌های یک کشیش اعتماد می‌کند.
این اعتماد خطرناک است چون رابط کاربری تفاوتی بین چهار عملیات بنیادین قائل نمی‌شود:
۱. بازیابی Scholarship تثبیت شده.
۲. تلخیص آن Scholarship.
۳. تولید یک تفسیر محتمل اما تأیید نشده.
۴. اختراع پاسخی که صرفاً مقتدر به نظر می‌رسد.
این در نهایت یک مسئله همراستاسازی (Alignment) است. همراستاسازی AI می‌پرسد چگونه سیستم‌ها را مطابق با ارزش‌های انسانی رفتار دهیم، در حالی که دین می‌پرسد کدام ارزش‌ها باید رفتار انسان را هدایت کنند؟ وقتی یک مدل به سؤالی درباره بخشش پاسخ می‌دهد، باید تصمیم بگیرد که اولویت را به پژوهش‌های روان‌شناختی، اخلاق سکولار، الهیات مسیحی، فقه اسلامی، فلسفه بودایی یا باورهای اعلام شده کاربر بدهد.
این‌ها تصمیمات مهندسی نیستند، بلکه تصمیمات فلسفی هستند. همان‌طور که در AI Invasion — When Philosophy Stopped Being Optional و What AI Says About Religious Truth بررسی شده، دین به عنوان یک تست استرس برای همراستاسازی عمل می‌کند زیرا سیستم را مجبور می‌کند با مفاهیم متضاد حقیقت مواجه شود.
انتقال تدریجی مرجعیت
این واقعیت فنی، استدلال‌های اخلاقی رهبران مذهبی را شکل می‌دهد. پاپ لئو چهاردهم در دانشنامه سال ۲۰۲۶ خود، Antiqua et Nova، AI را مسئله‌ای در حوزه کرامت انسانی، قدرت و سلطه تکنولوژیک دانست (طبق گزارش PBS). در حالی که استدلال پاپ درباره قدرت است، بنچ‌مارک‌های AI استدلال‌های تجربی درباره رفتار هستند.
مرجعیت مذهبی در یک لحظه از دست نمی‌رود، بلکه در یک پیشرفت هفت مرحله‌ای منتقل می‌شود:
- مرحله ۱ (جست‌وجو): AI قطعات مرتبط را می‌یابد.
- مرحله ۲ (بازیابی): AI تفاسیر و احکام قبلی را می‌یابد.
- مرحله ۳ (تلخیص): AI صدها صفحه را در پنج پاراگراف فشرده می‌کند.
- مرحله ۴ (مقایسه): AI اختلافات بین علما را توضیح می‌دهد.
- مرحله ۵ (پیشنهاد): AI پیشنهاد می‌کند کدام تفسیر قوی‌تر به نظر می‌رسد.
- مرحله ۶ (شخصی‌سازی): AI آن تفسیر را با شرایط فردی تطبیق می‌دهد.
- مرحله ۷ (مرجعیت): کاربر دیگر منابع را چک نمی‌کند و صرفاً به پاسخ اعتماد می‌کند.
زمانی که کاربر به مرحله ۷ می‌رسد، AI پیش از این در شش مرحله قبلی، درک او از سنت را شکل داده است.
آینده آموزش الهیات
فشارمندترین ریسک، تأثیر بر نسل آینده محققان است. تصور کنید دانشجویی در سال ۲۰۳۰ به‌جای گشودن ده کتاب مرجع، از یک مدل زبانی بخواهد قطعات را بازیابی کند، تفاسیر را بیابد، اختلافات را توضیح دهد، بستر را تلخیص کند و متون دشوار را ترجمه کند.
در نسخه خوش‌بینانه، دانشجو سپس منابع اصلی را می‌گشاید. در نسخه بدبینانه، دانشجو پاسخ مطمئن AI را بدون بررسی استنادات می‌پذیرد. در این حالت، توضیحِ مدل تبدیل به درک دانشجو از سنت می‌شود. مدل دیگر به دانشجو در دسترسی به الهیات کمک نمی‌کند، بلکه تعیین می‌کند که او با چه الهیاتی مواجه شود.
ماشین می‌تواند پاورقی‌ها را بخواند، اما سنت را نه
AI در دستکاری اطلاعات — جست‌وجوی سریع‌تر، مقایسه اسناد بیشتر و شناسایی الگوها — بسیار ماهر شده است. با این حال، سنت‌های مذهبی صرفاً پایگاه داده نیستند. آن‌ها شامل نهادها، جوامع، مناسک، مناقشات تاریخی و عمل‌های تجسم‌یافته هستند. یک ماشین می‌تواند تشخیص دهد که دو عالم اختلاف دارند، اما نمی‌تواند بفهمد این اختلاف در داخل نهاد زنده‌ای که آن را تولید کرده است چه معنایی دارد.
مرز واقعی این نیست که آیا AI می‌تواند «مذهبی باشد»، بلکه این است که در چه نقطه‌ای پژوهش به کمک AI تبدیل به تفسیر میانجی‌گری شده توسط AI می‌شود. هر سنت اصلی — کاتولیک، یهودی، اسلامی — موافق است که یک سیستم می‌تواند اطلاعات ارائه دهد بدون اینکه به منبع مشروع مرجعیت تبدیل شود.
با این حال، یک آزمایش هنوز تست نشده است: چه اتفاقی می‌افتد وقتی یک نسل کامل از طلاب، دانشجویان ربانی و مؤمنان، پیش از آنکه هرگز یک کتاب concordance، تفسیر، رساله یا متن الهیاتی را باز کنند، با یک AI مشورت کنند؟ ماشین نیازی به صدور حکم نهایی ندارد؛ فقط کافی است تصمیم بگیرد که کاربر ابتدا کدام پنج منبع را ببیند.
اندیشه نهایی: مهم‌ترین داستان AI و دین، رباتی با لباس مذهبی یا خطبه‌ای تولید شده توسط AI نیست. بلکه آن لحظه خاموشی است که کسی از یک ماشین می‌پرسد: «سنت من درباره این موضوع چه می‌گوید؟» و به اولین پنج منبعی که بازمی‌گرداند اعتماد می‌کند. در آن لحظه، AI در حاشیه نشسته است — و هر کس که آن حاشیه را کنترل کند، در نهایت ممکن است بر آنچه در مرکز خوانده می‌شود تأثیر بگذارد.
گام بعدی شما
- هنگام استفاده از AI برای متون تخصصی، همواره از مدل بخواهید نقل‌قول‌های مستقیم و ارجاع به صفحه و کتاب را ارائه دهد.
- تفاوت بین «تلخیص» (Summarization) و «تفسیر» (Interpretation) را در خروجی‌های مدل شناسایی کنید.
- برای موضوعات حساس، از مدل‌های مختلف با داده‌های آموزشی متفاوت برای مقایسه نتایج استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو