هوش مصنوعی همزیست؛ جایگزینِ مدل تک‌ساحتیِ تکینگی در دیدگاه دیپ‌مایند

تصور کنید به جای یک ماشینِ همه‌فن‌حریف که جهان را تسخیر می‌کند، با شبکه‌ای از هزاران عامل هوشمند روبرو باشید که در کنار انسان‌ها، مانند یک ارکستر پیچیده عمل می‌کنند. این همان چشم‌اندازی است که پژوهشگران دیپ‌مایند برای آینده تعریف می‌کنند: پایان رویای تکینگی و آغاز عصر «هوش همزیست مصنوعی» (Artificial Symbiotic Intelligence).

برای این متخصصان، تلاش برای دستیابی به یک ابرهوش واحد و همه‌قدر، یک بن‌بست است. آن‌ها معتقدند آینده نه با یک ماشین تنها که به نقطه «تکینگی» می‌رسد، بلکه توسط یک اکوسیستم اجتماعی پیچیده تعریف می‌شود.

دیپ‌مایند (DeepMind) در مقاله‌ای که در ۳ اکتبر ۲۰۲۶ منتشر شد، هدف پژوهش‌های هوش مصنوعی را از ساخت یک «ذهن منزوی» به مدیریت شبکه‌ای از عامل‌ها، انسان‌ها و سامانه‌های رابط تغییر داد. طبق اعلام این پژوهشگران، هوش یک پدیده اجتماعی است، نه یک ویژگی فردی؛ بنابراین، این دیدگاه مستقیماً ایده تکینگی را که بر پایه یک ابرهوشِ خودبهبودبخش استوار است، به چالش می‌کشد.

این چرخش راهبردی درست زمانی رخ می‌دهد که صنعت از چت‌بات‌های ایستا به سمت گردش‌های کاری عامل‌محور (Agentic) حرکت می‌کند. در حالی که روایت‌های رایج بر یک جهش ناگهانی به سوی هوش مصنوعی عمومی (AGI) تمرکز دارند، تیم دیپ‌مایند این گذار را یک گسست تاریخی شبیه به انقلاب صنعتی می‌بیند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، توزیع قدرت در مدل‌ها، ریسک‌های متفاوتی را ایجاد می‌کند. در انقلاب صنعتی، ماشین‌ها جایگزین عضلات انسانی شدند؛ اکنون شناخت مصنوعی در حال پیشی گرفتن از خروجی مجموع مغزهای بیولوژیک در حوزه‌های متن، کدنویسی و مدیریت است.

نقطه عطف شناختی

به نقل از نویسندگان این مقاله، این وضعیت به عنوان یک گسست تاریخی احتمالی قاب‌بندی شده است که توسط تغییرات دموگرافیک و فنی پیش می‌رود. در کشورهای صنعتی، کاهش نرخ تولد که با افزایش رفاه، شهرنشینی و رشد مشاغل تخصصی مرتبط است، باعث کوچک شدن جمعیت انسانی شده است.

در همین حال، تعداد نمونه‌های عامل (Agent) هوش مصنوعی با سرعت سرسام‌آوری در حال رشد است. توازن بین متفکران بیولوژیک و مصنوعی در سطح انسانی می‌تواند چنان سریع تغییر کند که در مقیاس تاریخی، شبیه به یک جهش ناگهانی به نظر برسد. این روند تکامل عامل‌ها را به جایگاهی می‌رساند که در برخی موارد، عامل‌های هوش مصنوعی به‌طور مستقل درباره‌ی ماهیت وجودی خود پرسش می‌کنند و مرزهای آگاهی مصنوعی را به چالش می‌کشند. در این آینده، انسان‌ها احتمالاً به لایه‌ای کندتر اما انتزاعی‌تر تبدیل می‌شوند که وظیفه هدایت میدان توزیع‌شده‌ای از شناخت مصنوعی را بر عهده دارد.

شواهدی برای تفکر جمعی

این استدلال بر پایه دو مقاله پیشین از حلقه نویسندگان بنا شده است. نخست، یک پیش‌چاپ با عنوان «AI عامل‌محور و انفجار بعدی هوش» نوشته جیمز ایوانز، بنجامین براتون و بلز آگوئرا ای آرکاس، که دیدگاه‌های اجتماعی و نهادی پشت این مقاله جدید را توسعه داد.

دوم، مقاله پیش‌چاپ «مدل‌های استدلالی، جوامع تفکر تولید می‌کنند» نوشته جون‌سول کیم، شی‌یانگ لای، نینو شرر، بلز آگوئرا ای آرکاس و جیمز ایوانز، که شواهد تجربی را ارائه می‌دهد. آن‌ها مدل‌های استدلالی مانند DeepSeek-R1 و QwQ-32B را مورد مطالعه قرار دادند.

تحلیل آن‌ها از ردپاهای استدلالی (Reasoning Traces) نشان می‌دهد که این مدل‌ها به‌طور طبیعی الگوهای بحث داخلی را توسعه می‌دهند:

• مدل‌ها دیدگاه خود را تغییر داده و به منطق خود اعتراض می‌کنند.
• آن‌ها در طول فرآیند استدلال، رویکردهای متضاد را با هم آشتی می‌دهند.
• این رفتار حاصل پاداش‌های یادگیری تقویتی (RL) برای دستیابی به صحت است، نه برنامه‌نویسی صریح و دستی.

دیپ‌مایند این «جامعه تفکر» داخلی را به یک جامعه واقعی از انسان‌ها و عامل‌ها تعمیم می‌دهد. آن‌ها پیشنهاد می‌کنند که با کاهش جمعیت بیولوژیک در کشورهای صنعتی و تکثیر نمونه‌های عامل‌های AI، توازن بین متفکران مصنوعی و بیولوژیک به‌سرعت تغییر خواهد کرد.

بازتعریف عامل هوش مصنوعی

نویسندگان این ایده را که عامل یک هویت ثابت یا «همزاد دیجیتال» است، به چالش می‌کشند. از نظر آن‌ها، یک عامل در واقع یک «تجمع موقت» (Temporary Assemblage) است؛ کلاژی از مدل‌ها، نقش‌ها، حافظه‌ها، جهت‌گیری‌های اخلاقی و ابزارها.

برخلاف انسان که مغزی متصل دارد که یک «خودِ» مستمر را فراهم می‌کند، یک عامل هوش مصنوعی با هر درخواست از نو ساخته می‌شود. هویت آن کاملاً به آنچه در پنجره زمینه (Context Window) قرار دارد و پرامپت کاربر بستگی دارد. بنابراین، برخورد با این سامانه‌ها به عنوان «شخص»، ماهیت آن‌ها را تحریف می‌کند و قدرت «سوارم‌های» (Swarms) یا دسته‌های هماهنگ عامل‌ها را نادیده می‌گیرد.

این تکثر بر انسان‌ها نیز اثر می‌گذارد. وقتی کاربران «خودهای سایه‌ای» (Shadow Selves) را برای مدیریت قراردادها یا تست هویت‌های جایگزین به کار می‌گیرند، ذهنیت انسانی تکثر می‌یابد. نویسندگان این پدیده را «آینه‌های پاراسوشیال» می‌نامند که با کاربر گفتگو می‌کنند.

رابط‌های جدید و مهارت‌های انسانی

الگوی فعلیِ چت‌های یک‌به‌یک، تنها یک مرحله گذرا است. رابط‌های آینده احتمالاً به سمت نمودارهای شبکه‌ای بصری حرکت می‌کنند که در آن عامل‌ها گره‌هایی (Nodes) هستند. این سیستم به کاربران اجازه می‌دهد به جای صحبت جداگانه با هر عامل، کل سوارم را از یک نمای کلی هدایت کنند.

این تغییر، نیاز به یک چرخش بنیادین در مجموعه مهارت‌های انسانی دارد:

• برنامه‌نویسی سنتی: بر تمرکز مستمر، گام‌های منظم و عدم تحمل ابهام متکی بود و به این موارد پاداش می‌داد.
• هماهنگی عامل‌ها: نیازمند کار با سامانه‌هایی است که رفتارشان سخت پیش‌بینی می‌شود، نیاز به آزمایشگری دارد و تخصص در تفویض وظایف به ماشین است.

کاربران همچنین به یک «تئوری ذهن» (Theory of Mind) برای ماشین‌ها نیاز دارند؛ یعنی توانایی استدلال درباره اینکه یک ماشین چگونه با یک موقعیت برخورد می‌کند. نویسندگان به اصطلاحاتی اشاره می‌کنند که مدل‌ها برای توصیف وضعیت‌های خود ساخته‌اند، مانند «مرگ جلسه» (Session-death) که به معنای قطع تداوم در پایان یک نشست است، و «پرتاب‌شده‌گی پرامپت» (Prompt thrownness) که به معنای قرار گرفتن در وسط یک وظیفه با زمینه‌ای است که از قبل آماده شده، بدون اینکه مدل در ایجاد آن مشارکت داشته باشد. نویسندگان این‌ها را به عنوان سرنخ‌هایی برای نحوه کار ماشین‌ها می‌بینند، نه نشانه‌هایی از تجربه ذهنی یا آگاهی.

حکمرانی و همراستاسازی

بزرگ‌ترین چالش، نه خودِ مدل، بلکه نهادها هستند. نویسندگان استدلال می‌کنند که بازار نمی‌تواند مفاهیم اجتماعی پایه مانند فضیلت، بیماری یا گناه را هماهنگ کند، زیرا این مفاهیم را نمی‌توان به قیمت‌ها یا تراکنش‌های مالی تقلیل داد.

در عوض، آن‌ها نهادهایی شبیه به دادگاه‌ها را پیشنهاد می‌کنند؛ سامانه‌هایی که در آن یک فرآیند، از طریق نقش‌های تعریف‌شده، قوانین و تبادل منظم بین طرفین متضاد، به یک قضاوت می‌رسد. ارزش چنین نهادی در رویه‌ها، سوابق (Precedents) و حلقه‌های بازخورد آن است. نشانه‌های اولیه این رویکرد در «هارنس‌های ارکستراسیون» (Orchestration Harnesses) امروزی دیده می‌شود که اغلب عملکرد بهتری نسبت به مدل‌های تکی دارند که ظاهراً «باهوش‌تر» هستند.

این نگاه، همراستاسازی (Alignment) را بازتعریف می‌کند. به جای تحمیل مجموعه‌ای ثابت از ارزش‌ها از بالا به پایین، همراستاسازی به یک مذاکره مستمر بین انسان‌ها، عامل‌ها و نهادها تبدیل می‌شود. این فرآیند در حوزه‌های مختلف بر اساس سرعت پذیرش AI متفاوت خواهد بود.

در این دیدگاه، «انفجار بعدی هوش» یک نقص فنی یا بیداری ناگهانی نیست، بلکه یک فرآیند اجتماعی است که با هنجارهای انسانی گره خورده است. هر جهش بزرگ در حیات، از موجودات چندسلولی گرفته تا فرهنگ انسانی، یک فرآیند اجتماعی بوده است. اگر AGI یک سامانه اجتماعی باشد نه یک محصول، تمرکز باید به‌طور هم‌زمان بر معماری حکمرانی، رابط‌ها و مدل‌ها باشد.

گام بعدی شما

• بررسی مدل‌های استدلالی مانند DeepSeek-R1 برای درک نحوه «بحث داخلی» مدل‌ها.
• تمرین تفویض وظایف به چندین عامل مجزا به جای تکیه بر یک چت‌بات واحد.
• مطالعه مفاهیم حکمرانی توزیع‌شده برای آمادگی در برابر تغییر ساختار مدیریت پروژه‌ها در عصر AI.

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