فریب مبنی‌سازی: چرا مدل‌های زبانی برای استدلال به چیزی فراتر از داده نیاز دارند

باید بدانید که تصور رایج درباره‌ی هوش مصنوعی در حال فروپاشی است. تصور کنید مدلی تمام مفاهیم جهان را می‌شناسد، اما در ساده‌ترین استدلال‌های منطقی شکست می‌خورد.

به نقل از مستندات منتشر شده در arxiv.org در ۳۰ آوریل ۲۰۲۶، اتکای صنعت به مبنی‌سازی (Symbol Grounding) به عنوان تنها مسیر رسیدن به هوشمندی، یک سوءتفاهم بنیادین است. طبق اعلام پژوهشگران، این باور قدیمی که استدلال ترکیبی به عنوان محصول جانبیِ مبنی‌سازی موفق ظاهر می‌شود، کاملاً نادرست است.

در واقع، اگرچه متصل کردن نمادها به ادراکات ضروری است، اما برای مدیریت استدلال‌های خارج از توزیع (Out-of-distribution reasoning)، این فرآیند به‌تنهایی کافی نیست.

برای اثبات این ادعا، تیم تحقیق معماری شبکه تنسور منطقی تکرارشونده (Iterative Logic Tensor Network یا iLTN) را توسعه دادند. این سیستم که کاملاً مشتق‌پذیر است، به‌طور خاص برای استنتاج‌های چندمرحله‌ای طراحی شده است.

پژوهشگران این سیستم را با یک تاکسونومی رسمی از تعمیم ترکیبی (Compositional Generalization) مورد آزمایش قرار دادند تا موارد زیر را بسنجند:

• موجودات جدید (Novel entities)
• روابط دیده‌نشده (Unseen relations)
• ترکیبات پیچیده از قوانین (Complex rule compositions)

نتایج تکان‌دهنده بود. مدل‌هایی که صرفاً بر اساس هدف مبنی‌سازی آموزش دیده بودند، در مواجهه با سناریوهای جدید شکست خوردند. اما مدل iLTN که به‌طور هم‌زمان روی مبنی‌سازی ادراکی و استدلال چندمرحله‌ای آموزش دیده بود، به دقت صفر-شات (Zero-shot accuracy) بالایی در تمام وظایف رسید.

همان‌طور که در تحلیل قبلی ما درباره‌ی قوانین مقیاس‌پذیری (Scaling Laws) اشاره کردیم، افزایش حجم داده‌ها همیشه منجر به ظهور قابلیت‌های جدید نمی‌شود. این یافته ثابت می‌کند که استدلال یک ویژگی «ظهوری» نیست که با درک نمادها به‌طور خودکار ظاهر شود؛ بلکه قابلیتی متمایز است که نیازمند هدف یادگیری صریح است.

برای توسعه‌دهندگان، این یعنی صرفاً مقیاس‌بندی داده‌ها یا بهبود مبنی‌سازی، شکاف استحکام در منطق مدل استدلالی (Reasoning Model) را پر نخواهد کرد.

اما این معماری تنها بخشی از یک تغییر بزرگتر است؛ اثر این رویکرد بر آینده مدل‌های چندوجهی را در گزارش بعدی بررسی خواهیم کرد.

گام بعدی شما

• بررسی مقالات مربوط به معماری‌های نورو-نمادین (Neuro-symbolic) برای بهبود منطق مدل‌ها.
• ارزیابی مجدد متدهای آموزش مدل‌های استدلالی با تمرکز بر اهداف صریح به جای یادگیری غیرمستقیم.
• دنبال کردن به‌روزرسانی‌های مربوط به پیاده‌سازی iLTN در محیط‌های عملیاتی.