الگوریتم افکار چیست؟ بررسی جامع تلفیق هوش مصنوعی و استدلال انسانی AoT

در این مقاله از کیف پول من، بررسی می‌کنیم که چطور این فناوری با الهام از نحوه تفکر انسان، هوش مصنوعی را از یک ماشین واژه‌ساز به یک دستیار متفکر تبدیل می‌کند.

الگوریتم افکار یا AoT چیست؛ تلفیق هوش مصنوعی و شهود انسانی

دنیای هوش مصنوعی با سرعتی باورنکردنی در حال تغییر است. تا همین چند وقت پیش، ما از مدل‌های زبانی بزرگ یا همان LLMها (Large Language Models) صرفاً انتظار داشتیم که کلمات را پیش‌بینی کنند و جملاتی بسازند که شبیه گفتار انسان باشد. اما پژوهشگران خیلی زود فهمیدند که برای حل مسائل پیچیده، پیش‌بینی کلمه بعدی کافی نیست؛ هوش مصنوعی باید یاد بگیرد که فکر کند.

الگوریتم افکار یا همان AoT (مخفف Algorithm of Thoughts) جدیدترین تلاش مایکروسافت برای پاسخ به این نیاز است. این فناوری آمده است تا شکاف میان منطق خشک کامپیوتری و شیوه‌ی استدلال منعطف انسانی را پر کند. اگر بخواهیم خیلی کلی بگوییم، AoT تلاشی است برای اینکه به هوش مصنوعی یاد بدهیم به جای اینکه فقط محاسبه کند، کمی هم از شهود و استدلال استفاده نماید تا مسیر رسیدن به جواب کوتاه‌تر و بهینه‌تر شود.

تعریف ساده AoT به زبان غیر تخصصی

بیایید برای درک بهتر این مفهوم، از یک مثال ساده استفاده کنیم. فرض کنید در یک شهر غریب هستید و می‌خواهید بهترین رستوران را پیدا کنید. برای این کار دو راه دارید:

• روش کامپیوتری قدیمی: تمام خیابان‌های شهر را یکی‌یکی بگردید، منوی تمام رستوران‌ها را بخوانید و بعد تصمیم بگیرید. این کار دقیق است اما زمان و انرژی بسیار زیادی از شما می‌گیرد.
• روش انسانی (شهودی): شما از تجربه‌ی خودتان استفاده می‌کنید؛ مثلاً می‌دانید که در خیابان‌های اصلی معمولاً رستوران‌های بهتری هستند یا اگر جایی شلوغ است، احتمالاً غذای خوبی دارد. پس گزینه‌های پرت و دورافتاده را از همان اول حذف می‌کنید و فقط چند گزینه‌ی محتمل را بررسی می‌کنید.

الگوریتم افکار (AoT) دقیقاً همان روش دوم است که برای هوش مصنوعی طراحی شده است. در واقع AoT به مدل هوش مصنوعی یاد می‌دهد که وقتی با یک مسئله‌ی دشوار روبرو می‌شود، مثل یک انسان باهوش عمل کند. یعنی به جای اینکه کورکورانه تمام راه‌حل‌های ممکن را امتحان کند (که به پردازش سنگین نیاز دارد)، از مکانیزم‌های هوشمندانه برای یافتن مسیرهای امیدبخش استفاده می‌کند. این کار باعث می‌شود هوش مصنوعی با صرف انرژی کمتر، جوابی دقیق‌تر و خلاقانه‌تر به ما بدهد.

ایده اصلی مایکروسافت: مدل‌ها چگونه شبیه انسان فکر می‌کنند؟

تیم تحقیقاتی مایکروسافت با معرفی AoT به دنبال یک هدف بزرگ بود: بهینه‌سازی فرآیند فکر کردن. تا پیش از این، روش‌هایی وجود داشت که به هوش مصنوعی کمک می‌کرد تا مرحله‌به‌مرحله فکر کند، اما این روش‌ها اغلب کُند و پرهزینه بودند. ایده‌ی اصلی مایکروسافت در AoT این است که مدل زبانی باید بتواند هم‌زمان که دارد فکر می‌کند، مسیرهای فکری خودش را هم ارزیابی کند.

این فرآیند شبیه به لحظه‌ای است که شما در حال حل یک جدول کلمات متقاطع هستید. شما یک کلمه را حدس می‌زنید، اما قبل از نوشتن آن با خودکار، در ذهن‌تان بررسی می‌کنید که آیا این کلمه با خانه‌های عمودی هم جور درمی‌آید یا نه. اگر جور در نیامد، بلافاصله آن فکر را رها می‌کنید و سراغ کلمه‌ی بعدی می‌روید. مایکروسافت با الهام از همین فرآیند انسانی، AoT را طراحی کرد تا مدل‌های هوش مصنوعی بتوانند:

• چندین مسیر فکری را هم‌زمان در نظر بگیرند.
• بدون نیاز به توقف و پرسش از کاربر، مسیرهای غلط را شناسایی و حذف کنند.
• با استفاده از منابع کمتر، به نتیجه‌ای برسند که شبیه به استدلال یک انسان متخصص است.

تکامل روش‌های استدلال؛ از زنجیره افکار تا الگوریتم افکار

برای اینکه به درک درستی از الگوریتم افکار (AoT) برسیم، ابتدا باید ببینیم هوش مصنوعی چه مسیری را طی کرده است تا به اینجا برسد. داستان تکامل هوش مصنوعی، داستان تبدیل شدن یک ماشین حساب ساده به یک دستیار متفکر است. در سال‌های اخیر، دانشمندان روش‌های مختلفی را ابداع کردند تا به مدل‌های زبانی یاد بدهند که چگونه مسئله را حل کنند، نه اینکه فقط کلمات را پشت سر هم ردیف کنند. در این بخش، دو پله‌ی مهم قبلی، یعنی زنجیره‌ی افکار و درخت افکار را بررسی می‌کنیم تا بفهمیم چرا ظهور AoT یک اتفاق بزرگ محسوب می‌شود.

بررسی روش زنجیره افکار (CoT) و محدودیت‌های آن

اولین تلاش جدی برای وادار کردن هوش مصنوعی به تفکر منطقی، روشی بود به نام زنجیره‌ی افکار یا Chain of Thoughts که به اختصار CoT نامیده می‌شود. در این روش، ما به هوش مصنوعی یاد می‌دهیم که به جای پریدن به پاسخ آخر، مسئله را به گام‌های کوچک‌تر تقسیم کند. دقیقاً شبیه به زمانی که معلم ریاضی از شما می‌خواست راه حل مسئله را بنویسید، نه فقط جواب نهایی را.

روش CoT چطور کار می‌کند؟ فرض کنید از هوش مصنوعی می‌پرسید: اگر علی ۵ سیب داشته باشد، ۲ تا را بخورد و بعد ۳ تای دیگر بخرد، حالا چند سیب دارد؟

• بدون CoT: هوش مصنوعی ممکن است ناگهان عددی را حدس بزند که گاهی اشتباه است.
• با CoT: هوش مصنوعی مرحله به مرحله می‌نویسد: علی ۵ سیب داشت. ۲ تا خورد، پس ۳ تا ماند. ۳ تا خرید، پس ۳ به علاوه ۳ می‌شود ۶. جواب ۶ است.

محدودیت‌های زنجیره‌ی افکار: با اینکه CoT یک پیشرفت بزرگ بود، اما یک ایراد اساسی دارد: تفکر خطی.

در این روش، هوش مصنوعی مثل یک قطار روی یک ریل مستقیم حرکت می‌کند. اگر در یکی از مراحل میانی اشتباه کند، کل قطار از ریل خارج می‌شود و راه برگشتی هم وجود ندارد. این مدل نمی‌تواند توقف کند، به عقب برگردد و بگوید: صبر کن، اینجا اشتباه کردم، بگذار راه دیگری را امتحان کنم. همین موضوع باعث می‌شود در مسائل پیچیده‌ی بازارهای مالی یا تحلیل‌های استراتژیک، گاهی به بن‌بست بخورد.

بررسی روش درخت افکار (ToT) و مشکل هزینه پردازشی

برای حل مشکل خطی بودن روش قبلی، دانشمندان روش پیشرفته‌تری به نام درخت افکار یا Tree of Thoughts را معرفی کردند که به اختصار ToT گفته می‌شود. در این روش، هوش مصنوعی دیگر مجبور نیست فقط یک مسیر را طی کند. بلکه مثل یک شطرنج‌باز حرفه‌ای، چندین حرکت و سناریوی مختلف را هم‌زمان در ذهن خود تصور می‌کند. ویژگی‌های درخت افکار:

• بررسی چندگانه: برای هر مرحله از حل مسئله، چندین شاخه یا راه حل احتمالی ایجاد می‌کند.
• ارزیابی خودکار: هر شاخه را بررسی می‌کند و امتیاز می‌دهد.
• بازگشت به عقب: اگر یک شاخه به بن‌بست رسید، هوش مصنوعی می‌تواند به عقب برگردد و شاخه‌ی دیگری را امتحان کند.

اما این مدل یک مشکل اصلی دارد: هزینه‌ی پردازشی! با وجود دقت بالای ToT، این روش یک ایراد بزرگ دارد که استفاده از آن را دشوار می‌کند. تصور کنید برای پیدا کردن یک آدرس، هم‌زمان ۱۰ تاکسی مختلف بگیرید و آن‌ها را به ۱۰ مسیر مختلف بفرستید تا ببینید کدام‌یک زودتر می‌رسد! این کار اگرچه دقیق است، اما بسیار گران و پرهزینه تمام می‌شود.

در دنیای کامپیوتر، این یعنی مصرف وحشتناک منابع سرور و برق. روش درخت افکار (ToT) برای هر سوال ساده، هزاران محاسبه‌ی اضافی انجام می‌دهد که باعث می‌شود سرعت پاسخ‌دهی پایین بیاید و هزینه‌ی استفاده از هوش مصنوعی به شدت افزایش یابد. اینجاست که نیاز به روشی مثل AoT احساس شد.

مقایسه تفاوت‌های کلیدی میان CoT، ToT و AoT

حالا که با دو روش قبلی آشنا شدیم، می‌توانیم شاهکار الگوریتم افکار (AoT) را بهتر درک کنیم. الگوریتم افکار آمده است تا بهترین ویژگی‌های هر دو روش را ترکیب کند.

• از زنجیره‌ی افکار (CoT)، سرعت و سادگی را وام گرفته است.
• از درخت افکار (ToT)، دقت و چندبعدی دیدن مسائل را یاد گرفته است.

تفاوت اصلی اینجاست که AoT به جای اینکه مثل روش درختی (ToT) تمام شاخه‌ها را بررسی کند، با استفاده از شهود شبیه‌سازی‌شده، همان ابتدا حدس می‌زند کدام شاخه‌ها ارزش بررسی دارند و بقیه را نادیده می‌گیرد. این یعنی رسیدن به دقت بالا، بدون هدر دادن منابع. در جدول زیر می‌توانید مقایسه‌ی این سه روش را از نظر سرعت، هزینه و دقت مشاهده کنید:

معیار مقایسه	زنجیره‌ی افکار (CoT)	درخت افکار (ToT)	الگوریتم افکار (AoT)
شیوه تفکر	خطی و تک‌مسیره	درختی و شاخه‌ای	درختی اما بهینه‌سازی‌شده
سرعت پاسخ‌دهی	بسیار سریع	کُند و زمان‌بر	سریع (نزدیک به CoT)
هزینه پردازش	پایین و ارزان	بسیار بالا و سنگین	پایین و به‌صرفه
دقت در مسائل پیچیده	متوسط (احتمال خطای بالا)	بسیار بالا	بسیار بالا
قابلیت اصلاح خطا	ندارد (یک‌طرفه)	دارد (بازگشت به عقب)	دارد (با هوشمندی بیشتر)

همان‌طور که می‌بینید، الگوریتم افکار (AoT) تلاش می‌کند تا تعادلی طلایی میان سرعت و دقت ایجاد کند و همین موضوع آن را به گزینه‌ای ایده‌آل برای آینده‌ی دستیاران هوشمند تبدیل کرده است.

الگوریتم افکار چگونه کار می‌کند و چرا انقلابی است؟

تا اینجا متوجه شدیم که روش‌های قدیمی یا خیلی ساده بودند و دقت کمی داشتند، یا خیلی پیچیده بودند و هزینه‌ی زیادی روی دست ما می‌گذاشتند. اما الگوریتم افکار یا همان AoT آمده است تا قواعد بازی را عوض کند. شاید بپرسید این فناوری دقیقاً چه کار می‌کند که تا این حد انقلابی است؟ پاسخ در یک کلمه خلاصه می‌شود: هوشمندی در انتخاب.

الگوریتم افکار به جای اینکه مثل یک ماشین حساب فقط اعداد را جمع و تفریق کند، سعی می‌کند شبیه به یک استاد شطرنج رفتار نماید. یک شطرنج‌باز حرفه‌ای تمام میلیاردها حرکت ممکن را بررسی نمی‌کند؛ بلکه با تکیه بر تجربه و شهود خود، فقط ۳ یا ۴ حرکت برنده را در ذهن مرور می‌کند و بقیه را نادیده می‌گیرد. AoT دقیقاً همین منطق را به دنیای هوش مصنوعی آورده است.

بهینه‌سازی جستجو: یافتن بهترین مسیر با کمترین تلاش

برای درک بهتر شیوه‌ی کار AoT، بیایید تصور کنیم که شما در یک هزارتوی پیچیده گیر افتاده‌اید و می‌خواهید راه خروج را پیدا کنید. در روش‌های قدیمی (مثل درخت افکار)، شما مجبور بودید وارد تک‌تک راهروها شوید، تا انتهای آن‌ها بروید و اگر بن‌بست بود برگردید. این کار تضمین می‌کند که راه خروج را پیدا می‌کنید، اما ممکن است روزها طول بکشد.

در روش الگوریتم افکار (AoT)، شما قبل از وارد شدن به هر راهرو، به نشانه‌ها نگاه می‌کنید. مثلاً می‌بینید که از یک راهرو نسیم خنکی می‌آید یا نور خورشید دیده می‌شود. همین نشانه باعث می‌شود حدس بزنید که راه خروج احتمالاً از آن طرف است.

الگوریتم افکار از مکانیزمی مشابه استفاده می‌کند که به آن الگوریتم جستجوی اکتشافی می‌گویند. این الگوریتم به مدل کمک می‌کند تا امیدبخش‌ترین مسیر را شناسایی کند. این فرآیند به شکل زیر انجام می‌شود:

• تجزیه‌ی مسئله: مسئله‌ی اصلی به چند زیرمسأله‌ی کوچک‌تر تقسیم می‌شود.
• پیش‌بینی و ارزیابی: مدل برای هر زیر مسئله چند راه حل پیشنهاد می‌دهد، اما هم‌زمان به آن‌ها امتیاز هم می‌دهد.
• انتخاب هوشمند: به جای بررسی همه‌ی راه‌ها، فقط راهی که بیشترین امتیاز و شانس موفقیت را دارد انتخاب می‌شود و بقیه‌ی مسیرهای اضافی حذف می‌شوند.

این یعنی رسیدن به همان مقصد، اما با طی کردن مسافتی بسیار کوتاه‌تر.

صرفه‌جویی در منابع: چرا AoT کم‌مصرف‌تر و سریع‌تر است؟

یکی از بزرگ‌ترین چالش‌های دنیای فناوری امروز، هزینه‌ی بالای سرورها و مصرف برق دیتاسنترهاست. هر بار که شما از هوش مصنوعی سوالی می‌پرسید، مقدار زیادی انرژی مصرف می‌شود. روش‌های قبلی مثل درخت افکار، برای رسیدن به جواب درست، گاهی صدها بار یک سوال را در ذهن خود تکرار و بررسی می‌کردند. این کار مثل این است که برای خرید یک نان، ده بار با ماشین به نانوایی بروید و برگردید! اما AoT چطور این هزینه را کاهش می‌دهد؟

• کاهش تعداد فراخوانی‌ها: AoT نیاز به پرس‌وجوی مکرر از مدل را از بین می‌برد. تمام فرآیند فکر کردن در یک یا چند مرحله‌ی محدود و پیوسته انجام می‌شود.
• حذف محاسبات اضافی: وقتی مدل بتواند مسیرهای غلط را همان اول کار تشخیص دهد، دیگر نیازی نیست منابع سیستم را برای پردازش آن مسیرهای بیهوده هدر دهد.

نتیجه‌ی این صرفه‌جویی، فقط کاهش هزینه‌ی برق نیست؛ بلکه سرعت پاسخ‌دهی به کاربر هم به طرز چشمگیری افزایش می‌یابد. یعنی شما بدون اینکه منتظر بمانید، جوابی دقیق و پخته دریافت می‌کنید.

مکانیزم یادگیری درون‌متنی در AoT

شاید جالب‌ترین بخش ماجرا این باشد که الگوریتم افکار برای کار کردن، نیازی به تغییر مغز هوش مصنوعی ندارد! در دنیای هوش مصنوعی، اصطلاحی داریم به نام یادگیری درون‌متنی (In-Context Learning). این مفهوم به زبان ساده یعنی: یادگیری از طریق مثال، بدون نیاز به آموزش مجدد.

بگذارید با یک مثال از آشپزی توضیح دهم: فرض کنید یک آشپز ماهر دارید (همان هوش مصنوعی). برای اینکه به او یاد بدهید یک غذای جدید ایرانی بپزد، لازم نیست او را دوباره به دانشگاه آشپزی بفرستید (آموزش مجدد مدل که بسیار پرهزینه است). فقط کافی است دستور پخت را به او بدهید و بگویید: طبق این روش فکر کن و بپز. الگوریتم افکار دقیقاً نقش همان دستور پخت را بازی می‌کند. ما با استفاده از پرامپت‌های (دستورات متنی) هوشمندانه، به مدل می‌فهمانیم که چطور باید فکر کند.

• ما به مدل مثال‌هایی می‌دهیم که نشان می‌دهد چطور یک مسئله را باز کند.
• چطور گزینه‌ها را بسنجد.
• و چطور بهترین گزینه را انتخاب کند.

مدل با دیدن این الگو در داخل متن ورودی، خودش را با آن تطبیق می‌دهد و شروع به تقلید از شیوه‌ی تفکر انسانی می‌کند. این ویژگی باعث می‌شود که پیاده‌سازی AoT برای توسعه‌دهندگان بسیار راحت‌تر باشد، زیرا نیاز به دستکاری پیچیده در هسته‌ی اصلی هوش مصنوعی ندارند.

مزایای کلیدی استفاده از الگوریتم افکار در دنیای فناوری

تا اینجا متوجه شدیم که الگوریتم افکار (AoT) چگونه تلاش می‌کند تا شیوه‌ی تفکر انسانی را به ماشین‌ها آموزش دهد. اما سوال اصلی اینجاست که چرا باید تا این حد برای پیاده‌سازی آن هیجان‌زده باشیم؟ آیا این فناوری فقط یک تئوری جذاب است یا واقعاً می‌تواند تغییری ملموس در دنیای دیجیتال ایجاد کند؟

وقتی به لیست مزایای AoT نگاه می‌کنیم، می‌بینیم که این فناوری راه‌حل‌هایی را ارائه می‌دهد که سال‌ها دغدغه‌ی اصلی مهندسان و شرکت‌های بزرگ فناوری بوده است. بیایید سه مورد از مهم‌ترین این مزایا را با هم بررسی کنیم.

افزایش دقت در حل مسائل پیچیده و چندمرحله‌ای

یکی از بزرگ‌ترین نقاط ضعف مدل‌های زبانی معمولی، توهم یا Hallucination است. این یعنی هوش مصنوعی گاهی با اعتماد‌به‌نفس کامل، جوابی کاملاً غلط به شما می‌دهد. این مشکل زمانی حادتر می‌شود که سوال شما چندمرحله‌ای باشد؛ مثلاً حل یک معادله‌ی ریاضی سخت یا تحلیل یک استراتژی معاملاتی در بازار رمزارز. الگوریتم افکار با تغییر روش حل مسئله، دقت را به طرز چشمگیری افزایش می‌دهد. این فناوری به مدل اجازه نمی‌دهد که شانسی و تصادفی به سمت جواب آخر بپرد. در عوض، مدل مجبور است:

• مسئله را به قطعات کوچک‌تر بشکند.
• برای هر قطعه، چند راه حل احتمالی در نظر بگیرد.
• خودش را نقد کند و اگر دید راهی اشتباه است، آن را اصلاح نماید.

تصور کنید می‌خواهید یک پازل هزار تکه را حل کنید. روش معمولی مثل این است که قطعات را شانسی کنار هم بگذارید تا شاید جور شوند. اما AoT مثل این است که ابتدا گوشه‌ها را پیدا کنید، سپس قطعات هم‌رنگ را جدا کنید و با استراتژی جلو بروید. نتیجه‌ی این روش، پاسخ‌هایی بسیار دقیق‌تر و قابل‌اطمینان‌تر در حوزه‌هایی مثل برنامه‌نویسی، پزشکی و تحلیل‌های مالی است.

کاهش تولید کربن و هزینه‌های محاسباتی سرورها

شاید تعجب کنید اگر بدانید هر جستجوی ساده‌ای که در اینترنت انجام می‌دهید یا هر سوالی که از هوش مصنوعی می‌پرسید، هزینه‌ی زیست‌محیطی دارد. دیتاسنترهای غول‌پیکری که این مدل‌ها را اجرا می‌کنند، برق بسیار زیادی مصرف کرده و گرمای زیادی تولید می‌کنند.

روش‌های پیشرفته‌ی قبلی (مثل درخت افکار) برای بالا بردن دقت، مجبور بودند هزاران مسیر محاسباتی را هم‌زمان طی کنند که مصرف انرژی را به شدت بالا می‌برد. اما AoT با رویکرد هوشمندانه و حذف مسیرهای اضافی، این بار سنگین را از روی دوش سرورها برمی‌دارد. مزایای این صرفه‌جویی عبارتند از:

• هزینه‌ی کمتر برای شرکت‌ها: وقتی پردازش کمتری نیاز باشد، اجاره‌ی سرورها ارزان‌تر می‌شود.
• دسترسی ارزان‌تر برای کاربران: هزینه‌ی نهایی استفاده از سرویس‌های هوش مصنوعی برای من و شما کاهش می‌یابد.
• کمک به محیط زیست: مصرف برق کمتر یعنی تولید کربن کمتر؛ موضوعی که امروزه برای بقای کره زمین حیاتی است.

قابلیت شفافیت و تفسیرپذیری بهتر فرآیند تصمیم‌گیری هوش مصنوعی

یکی از ترسناک‌ترین ویژگی‌های هوش مصنوعی، جعبه سیاه (Black Box) بودن آن است. یعنی ما ورودی را می‌دهیم و خروجی را می‌گیریم، اما هیچ‌کس (حتی سازندگان آن) دقیقاً نمی‌داند که در آن وسط چه اتفاقی افتاده و مدل چگونه به این نتیجه رسیده است. این عدم شفافیت در کارهای حساس مثل تشخیص بیماری یا قضاوت‌های حقوقی بسیار خطرناک است.

الگوریتم افکار، نوری به داخل این جعبه سیاه می‌تاباند. از آنجایی که AoT مدل را وادار می‌کند تا فکر خود را مرحله‌به‌مرحله بنویسد و مسیرهای انتخابی‌اش را توضیح دهد، ما می‌توانیم:

• منطق پشت هر تصمیم را ببینیم.
• بفهمیم دقیقاً در کدام مرحله دچار خطا شده است.
• مطمئن شویم که جواب نهایی بر اساس استدلال درست به دست آمده، نه بر اساس حدس و گمان.

این شفافیت باعث می‌شود تا اعتماد انسان‌ها به تصمیمات ماشین بیشتر شود و بتوانیم با خیال راحت‌تری در امور حساس از آن‌ها کمک بگیریم.

کاربردهای دنیای واقعی AoT؛ این فناوری کجا به درد می‌خورد؟

تا به اینجا درباره‌ی چیستی و چرایی الگوریتم افکار صحبت کردیم. اما شاید برای شما سوال شده باشد که این فناوری پیشرفته، در زندگی روزمره یا کارهای تخصصی ما چه کاربردی دارد؟ آیا فقط یک بحث تئوری در آزمایشگاه‌های مایکروسافت است یا قرار است ابزار دست ما شود؟

واقعیت این است که AoT دقیقاً برای حل مشکلاتی طراحی شده که هوش مصنوعی‌های فعلی در آن‌ها ضعف دارند. هر جا که نیاز به برنامه‌ریزی، آینده‌نگری و تحلیل چندمرحله‌ای باشد، الگوریتم افکار می‌درخشد. بیایید چهار حوزه‌ی اصلی را که این فناوری در آن‌ها انقلابی به پا خواهد کرد، بررسی کنیم.

بهبود چشمگیر در برنامه‌نویسی و دیباگ کردن کدها

یکی از بزرگ‌ترین چالش‌های برنامه‌نویسان، پیدا کردن خطا یا همان باگ (Bug) در کدهای طولانی است. مدل‌های زبانی معمولی مثل ChatGPT در نوشتن کدهای ساده عالی هستند، اما وقتی از آن‌ها می‌خواهید یک سیستم پیچیده طراحی کنند یا یک خطای منطقی را در هزاران خط کد پیدا کنند، اغلب گیج می‌شوند. الگوریتم افکار در اینجا نقش یک برنامه‌نویس ارشد را بازی می‌کند.

• تشخیص هوشمندانه: به جای اینکه فقط به خطی که خطا دارد نگاه کند، بررسی می‌کند که این خطا چطور بر سایر بخش‌های نرم‌افزار تأثیر می‌گذارد.
• پیشنهاد اصلاح: قبل از اینکه راه‌حل را به شما بدهد، در ذهن خود (فضای جستجوی مدل) چند روش اصلاح را تست می‌کند و بهترین آن‌ها را ارائه می‌دهد.

این یعنی برنامه‌نویسان می‌توانند زمان کمتری را صرف جستجو برای خطاها کنند و تمرکزشان را روی خلق ویژگی‌های جدید بگذارند.

حل مسائل ریاضی و منطقی پیچیده

شاید تعجب کنید، اما هوش مصنوعی‌های متنی در حل مسائل ریاضی کلامی ضعف دارند. دلیلش این است که آن‌ها ماشین‌حساب نیستند، بلکه حدس‌زننده‌ی کلمات هستند. برای مثال، اگر یک مسئله‌ی چندمرحله‌ای ریاضی به آن‌ها بدهید، ممکن است در وسط راه مسیر را گم کنند. اما AoT با شکستن مسئله به زیرمجموعه‌های کوچک‌تر، دقت را به شدت بالا می‌برد. کاربردهای این بخش شامل موارد زیر است:

• حل مسائل فیزیک و شیمی که نیاز به استدلال دارند.
• اثبات قضایای ریاضی.
• حل معماهای منطقی که نیاز به تفکر جانبی دارند.

کاربرد در برنامه‌ریزی استراتژیک و بازی‌های رایانه‌ای

آیا تا به حال در بازی‌های استراتژیک با کامپیوتری بازی کرده‌اید که حرکاتش خیلی قابل پیش‌بینی و ساده است؟ دلیلش این است که هوش مصنوعی بازی، نمی‌تواند چند حرکت جلوتر را به خوبی انسان پیش‌بینی کند. الگوریتم افکار می‌تواند نسل جدیدی از بازی‌ها و شبیه‌سازی‌ها را ایجاد کند:

• کاراکترهای هوشمندتر: شخصیت‌های داخل بازی (NPCها) می‌توانند بر اساس رفتارهای شما، نقشه‌های پیچیده‌ای بکشند و واکنش‌های طبیعی‌تری نشان دهند.
• مدیریت بحران: در شبیه‌سازی‌های شهری یا نظامی، AoT می‌تواند سناریوهای مختلف بحران را بررسی کرده و بهترین استراتژی را برای مدیریت منابع پیشنهاد دهد.

پتانسیل استفاده در تحلیل‌های بازار و تصمیم‌گیری‌های مالی

این بخش برای فعالان بازار رمزارز و بورس بسیار جذاب است. تحلیل بازارهای مالی فقط نگاه کردن به یک نمودار نیست؛ بلکه ترکیبی از اخبار، داده‌های آنچین (On-chain Data)، روانشناسی بازار و نمودارهای تکنیکال است. مدل‌های فعلی معمولاً نمی‌توانند تمام این پارامترها را هم‌زمان و با وزن‌دهی درست تحلیل کنند. اما الگوریتم افکار می‌تواند شبیه به یک تحلیل‌گر خبره عمل کند:

• تحلیل سناریو: می‌تواند بگوید "اگر نرخ بهره بالا برود، و هم‌زمان قیمت بیت‌کوین حمایت خود را از دست بدهد، محتمل‌ترین سناریو برای اتریوم چیست؟"
• مدیریت ریسک: به جای پیش‌بینی صرف قیمت، می‌تواند مسیرهای مختلف حرکت بازار را ترسیم کرده و برای هر کدام، یک استراتژی خروج پیشنهاد دهد.

البته باید توجه داشته باشید که این فناوری هنوز در مراحل تکامل است و نباید به عنوان تنها ملاک برای معاملات مالی استفاده شود، اما به عنوان یک دستیار تحلیل‌گر، قدرتی فراتر از ابزارهای فعلی به معامله‌گران می‌دهد.

چالش‌ها، محدودیت‌ها و ملاحظات اخلاقی

هر فناوری نوظهوری، هرچقدر هم که پیشرفته و انقلابی باشد، همیشه دو روی سکه دارد. ما تا اینجای مقاله درباره‌ی سرعت، دقت و کارایی الگوریتم افکار یا همان AoT صحبت کردیم و دیدیم که چطور می‌تواند آینده‌ی هوش مصنوعی را تغییر دهد. اما اگر بخواهیم واقع‌بین باشیم، باید بپذیریم که این فناوری هنوز در ابتدای راه است و با چالش‌هایی جدی دست‌وپنج نرم می‌کند. دانستن این محدودیت‌ها به ما کمک می‌کند تا انتظاراتی واقع‌بینانه داشته باشیم و فکر نکنیم که با یک عصای جادویی طرف هستیم که هیچ‌گاه اشتباه نمی‌کند.

آیا AoT برای همه مدل‌های زبانی قابل اجرا است؟

پاسخ کوتاه خیر است. الگوریتم افکار برای اینکه درست کار کند، نیاز به یک مغز دیجیتالی قدرتمند دارد. اجازه بدهید با یک مثال ساده توضیح دهم. فرض کنید می‌خواهید یک مسئله‌ی پیچیده‌ی ریاضی را حل کنید. اگر این مسئله را به یک دانشجوی ریاضی بدهید، می‌تواند با استفاده از روش‌های خلاقانه و استدلال، آن را حل کند. اما اگر همان مسئله و همان روش را به یک دانش‌آموز کلاس اول ابتدایی یاد بدهید، احتمالاً گیج می‌شود و نمی‌تواند از آن روش استفاده کند، چون هنوز درک عمیقی از اعداد ندارد. در هوش مصنوعی هم همینطور است:

• مدل‌های بزرگ و پیشرفته: مدل‌هایی مثل GPT-4 یا Llama 2 که حجم زیادی از داده‌ها را دیده‌اند، ظرفیت لازم برای یادگیری درون‌متنی را دارند. یعنی وقتی شما در پرامپت (دستور متنی) به آن‌ها یاد می‌دهید که چطور فکر کنند، آن‌ها به سرعت یاد می‌گیرند و اجرا می‌کنند.
• مدل‌های کوچک و محدود: مدل‌های قدیمی‌تر یا سبک‌تر که پارامترهای کمتری دارند، ممکن است در اجرای AoT دچار مشکل شوند. آن‌ها ممکن است در میانه‌ی مسیر استدلال، رشته‌ی افکار را گم کنند یا دچار توهم شوند و پاسخ‌هایی بی‌ربط بسازند.

بنابراین، پیاده‌سازی الگوریتم افکار روی هر مدلی جواب نمی‌دهد و فعلاً مختص غول‌های هوشمند دنیای فناوری است.

خطر سوگیری در مسیرهای فکری الگوریتم

یکی از مهم‌ترین بحث‌های اخلاقی در هوش مصنوعی، بحث سوگیری یا Bias است. سوگیری یعنی اینکه هوش مصنوعی به دلیل داده‌های ناقصی که با آن‌ها آموزش دیده است، به سمت یک گروه، نژاد، جنسیت یا تفکر خاص تمایل داشته باشد و عدالت را رعایت نکند. حالا در الگوریتم افکار، این خطر کمی پیچیده‌تر می‌شود. چرا؟

چون در روش‌های معمولی، مدل فقط یک جواب نهایی می‌دهد. اما در AoT، مدل قرار است مسیر فکری و استدلال را هم خودش بسازد. اگر مدل پایه دارای سوگیری باشد، این سوگیری وارد تک‌تک مراحل استدلال می‌شود. این موضوع می‌تواند خطرات زیر را ایجاد کند:

• توجیه منطقی برای اشتباه: ممکن است مدل یک نتیجه‌ی تبعیض‌آمیز بگیرد و چون از روش AoT استفاده می‌کند، برای آن یک استدلال ظاهراً منطقی هم بتراشد که کاربر را فریب دهد.
• حذف گزینه‌های درست: در مرحله‌ای که مدل می‌خواهد شاخه‌های فکری را هرس کند، ممکن است بر اساس تعصبات نهفته در داده‌هایش، یک راه حل عالی را فقط به این دلیل که با الگوهای قدیمی‌اش جور نیست، حذف کند.

برای مثال در بازارهای مالی، اگر مدل بر اساس داده‌های قدیمی آموزش دیده باشد که فقط شرکت‌های بزرگ سودده هستند، ممکن است هنگام تحلیل، پروژه‌های نوپا اما آینده‌دار رمزارزی را در همان مراحل اولیه‌ی تفکر حذف کند و فرصت‌های سرمایه‌گذاری را از کاربر بگیرد. بنابراین، نظارت انسانی بر خروجی‌های AoT هنوز یک ضرورت انکارناپذیر است.

آینده الگوریتم افکار و مسیر رسیدن به هوش جامع مصنوعی (AGI)

وقتی صحبت از آینده‌ی هوش مصنوعی می‌شود، همه‌ی نگاه‌ها به سمت یک مفهوم طلایی می‌چرخد: هوش جامع مصنوعی یا AGI (Artificial General Intelligence). این اصطلاح به نوعی از هوش مصنوعی اشاره دارد که دیگر فقط در یک کار خاص (مثل نوشتن متن یا تشخیص چهره) مهارت ندارد، بلکه می‌تواند مثل یک انسان، هر مسئله‌ی جدیدی را یاد بگیرد، درک کند و حل نماید.

بسیاری از کارشناسان معتقدند که روش‌های فعلی، هرچقدر هم که پیشرفته باشند، سقف مشخصی دارند و ما را به AGI نمی‌رسانند. اما الگوریتم افکار (AoT) به عنوان یک کاتالیزور قدرتمند وارد میدان شده است. این فناوری فقط یک روش برای بهتر جواب دادن نیست؛ بلکه تلاشی است برای تغییر دادن جنس تفکر ماشین‌ها. اگر هوش مصنوعی‌های قبلی شبیه به دانش‌آموزانی بودند که کتاب را حفظ می‌کردند، AoT می‌خواهد آن‌ها را به دانش‌آموزانی تبدیل کند که می‌توانند استدلال کنند و مسائل خارج از کتاب را هم حل نمایند.

آیا AoT ما را به هوش انسانی نزدیک‌تر می‌کند؟

پاسخ به این سوال، هم هیجان‌انگیز است و هم کمی پیچیده. برای درک بهتر، بیایید به نحوه‌ی فکر کردن خودمان نگاه کنیم. ذهن انسان دو حالت کلی دارد:

• حالت سریع و غریزی: وقتی کسی نام شما را صدا می‌زند، بدون فکر برمی‌گردید.
• حالت کند و تحلیلی: وقتی می‌خواهید یک خانه‌ی جدید بخرید یا یک معادله‌ی ریاضی را حل کنید، صبر می‌کنید، گزینه‌ها را می‌سنجید و آینده‌ی هر انتخاب را بررسی می‌کنید.

مشکل مدل‌های زبانی قدیمی این بود که همیشه در حالت اول (سریع و غریزی) کار می‌کردند. آن‌ها بلافاصله بعد از دیدن سوال، شروع به تولید کلمات می‌کردند. اما الگوریتم افکار، قابلیت حالت دوم را به ماشین‌ها اضافه می‌کند. AoT چگونه این کار را می‌کند؟

• مکث دیجیتالی: این الگوریتم به هوش مصنوعی یاد می‌دهد که قبل از پاسخ دادن، یک مکث داشته باشد و در فضای جستجوی خود، مسیرهای مختلف را بررسی کند.
• شبیه‌سازی شهود: همانطور که انسان با تکیه بر تجربه (شهود) برخی راه‌ها را نرفته حذف می‌کند، AoT هم یاد می‌گیرد که منابعش را روی راه‌حل‌های بی‌فایده هدر ندهد.

بنابراین، بله؛ الگوریتم افکار با تقلید از مکانیسم تفکر آهسته و سنجیده، ما را یک قدم بزرگ به هوش انسانی نزدیک‌تر کرده است. البته هنوز تا رسیدن به ماشینی که مثل انسان احساس و خودآگاهی داشته باشد، فاصله‌ی زیادی داریم، اما در بخش استدلال منطقی، این فاصله درحال کم شدن است.

نقش AoT در نسل بعدی مدل‌های GPT و Llama

شرکت‌های بزرگی مثل OpenAI (سازنده‌ی ChatGPT) و متا (سازنده‌ی مدل‌های Llama) به خوبی می‌دانند که رقابت بعدی بر سر کیفیت استدلال است، نه فقط تعداد کلمات. در حال حاضر، ما اغلب مجبوریم با نوشتن دستورات طولانی (Prompt Engineering) به هوش مصنوعی بگوییم که مرحله‌به‌مرحله فکر کن. اما در نسل‌های آینده‌ی مدل‌های زبانی، الگوریتم افکار به بخش جدایی‌ناپذیر مغز آن‌ها تبدیل خواهد شد. انتظارات ما از ادغام AoT در مدل‌های آینده:

• حذف مهندسی پرامپت پیچیده: دیگر نیازی نیست کاربر متخصص باشد تا جواب خوب بگیرد. مدل به صورت خودکار تشخیص می‌دهد که سوال پیچیده است و خودش موتور AoT را روشن می‌کند.
• کاهش چشمگیر توهمات: وقتی مدل بتواند افکار خودش را نقد و اصلاح کند، احتمال اینکه اطلاعات غلط یا ساختگی به کاربر بدهد به شدت کم می‌شود.
• حل مسائل طولانی‌مدت: مدل‌های آینده می‌توانند پروژه‌هایی که نیاز به چندین روز فکر و برنامه‌ریزی دارند (مثل نوشتن کد کامل یک اپلیکیشن یا تدوین استراتژی بازاریابی یک شرکت) را با دقت و انسجام بسیار بالاتری انجام دهند.

به نظر می‌رسد الگوریتم افکار، کلید قفلی است که دروازه‌ی نسل بعدی هوش مصنوعی را به روی ما باز می‌کند؛ نسلی که در آن ماشین‌ها همکاران متفکر ما خواهند بود، نه فقط ابزارهای تایپ‌کننده.

منابع:

Cointelegraph

Analyticsvidhya

Decrypt