مدل‌های انتشار فاقد حافظهٔ اصلاحی و تاریخچهٔ پیش‌نویس هستند

تصور کنید هنرمندی هستید که در میانهٔ نقاشی، تصمیمش را تغییر می‌دهد و لایه‌ای جدید روی رنگ‌های قبلی می‌کشد؛ در هنر، ردپای این تصمیمات قدیمی در لایه‌های زیرین باقی می‌ماند. اما در دنیای هوش مصنوعی، چنین «تاریخچه‌ای» وجود ندارد و هر تصویر نهایی، حاصل یک محاسبه است، نه یک تجربه.

مدل انتشار (Diffusion Model) — شبیه به مجسمه‌تراشی است که ابتدا یک تکه سنگ بی‌شکل دارد و با تراشیدن بخش‌های اضافی، تندیس را بیرون می‌کشد — تصویری را کشف نمی‌کند، بلکه آن را از طریق فرآیند حذف تدریجی نویز (Denoising) به وجود می‌آورد. طبق یادداشتی که در ۱۹ سپتامبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، این سازوکار به‌طور بنیادین با شناخت انسانی متفاوت است، زیرا مدل‌ها هیچ پیش‌نویس یا طرح اولیه‌ای ندارند که آن را دور بریزند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ماهیت احتمالی مدل‌های مولد اشاره کردیم، خروجی این سیستم‌ها بر اساس الگوهای آماری است، نه بازخوانی خاطرات. این موضوع در راستای این دیدگاه است که تصاویر تولید شده توسط هوش مصنوعی در واقع حدس‌های آماری هستند و نه خاطرات بصری. در انسان، پاسخ‌ها از یک گالری خصوصی از خاطرات و اصلاحات ذهنی بیرون می‌آیند، اما هوش مصنوعی بدون این آرشیو داخلی عمل می‌کند.

بر اساس مستندات فنی، جزئیات این فرآیند شامل موارد زیر است:

• شروع با نویز خالص: مدل با یک صفحه کاملاً برفکی و تصادفی آغاز می‌کند.
• اصلاح تکرارشونده: مدل نویز را بر اساس میلیون‌ها تصویری که پیش‌تر جذب کرده، به سمت یک الگوی مشخص هدایت می‌کند.
• پاک‌سازی کامل: در هر گام از حذف نویز، وضعیت قبلی به‌طور کامل جایگزین می‌شود و هیچ اثری از گام پیشین باقی نمی‌ماند.

این بدان معناست که هوش مصنوعی هیچ «پشتهٔ دورریزی» ندارد. هیچ نسخه‌ای از تصویر وجود ندارد که مدل «تقریباً» آن را انتخاب کرده باشد یا از آن پشیمان شده باشد. اگرچه خروجی نهایی ممکن است به اندازه یک تابلوی انسانی کامل به نظر برسد، اما مسیر رسیدن به آن، مجموعه‌ای از حدس‌های ریاضی است، نه یک تاریخچه زیسته.

به گزارش تحلیلگران، این موضوع یک تمایز حیاتی را روشن می‌کند: رسیدن به یک پاسخ درست، با داشتن «تاریخچه» یکی نیست. هوش مصنوعی نتیجه یک الگو را ارائه می‌دهد، اما هرگز در لحظه تولید، چیزی را «یاد نمی‌گیرد» و توانایی تغییر عقیده در حین فرآیند تولید را ندارد. این فقدان یادگیری در لحظه، بخشی از تغییر ماهیت خروجی‌های هوش مصنوعی در تقابل با تکامل میماتیک است که پیش‌تر بررسی کردیم.

گام بعدی شما

• هنگام استفاده از ابزارهای تولید تصویر، به جای جست‌وجوی «منطق» پشت اثر، بر روی مهندسی خروجی تمرکز کنید.
• پژوهش‌های جدید درباره فضای نهان (Latent Space) را دنبال کنید تا ببینید آیا شبیه‌سازی حافظه در مدل‌ها ممکن می‌شود یا خیر.
• تفاوت میان «تولید الگو» و «خلق هنری» را در گردش‌کار خلاقانه خود تعریف کنید.

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