علوم شناختی و هوش مصنوعی: دو رشته‌ای که همدیگر را ساختند

یه چیز جالب توی تاریخ علم هست که کمتر کسی بهش توجه می‌کنه: علوم شناختی و هوش مصنوعی دو رشتهٔ جدا نیستن که یه روز تصادفاً به هم رسیدن. این دو، توی یه اتاق، توی یه تابستون، با همون آدم‌ها متولد شدن. هر کدوم اون یکی رو ساخت، و امروز بعد از هفتاد سال، دارن دوباره به هم برمی‌گردن.

این مقاله دربارهٔ رابطهٔ علوم شناختی و هوش مصنوعی است، دو رشته‌ای که از یه ریشهٔ مشترک درومدن، یه مدت ازهم فاصله گرفتن، و حالا که زبان مدل‌های زبانی بزرگ همه‌جا رو گرفته، دارن دوباره با هم حرف می‌زنن. اگه می‌خوای بدونی این دو رشته چی هستن قبل از اینکه بریم سراغ تاریخشون، علوم شناختی چیست و هوش مصنوعی چیست دو نقطهٔ شروع خوبن.

یک تابستون، دو رشته: دارت‌موث ۱۹۵۶

تابستون سال ۱۹۵۶، توی کالج دارت‌موث در آمریکا، یه گروه کوچیک از دانشمندها دور هم جمع شدن. جان مک‌کارتی، ماروین مینسکی، کلود شنون، و چند نفر دیگه. این جلسه، که حالا بهش می‌گن «کارگاه تابستانی دارت‌موث»، جاییه که اصطلاح «هوش مصنوعی» (Artificial Intelligence) برای اولین بار رسماً به کار رفت. مک‌کارتی این عبارت رو خودش ساخت.

ولی نکتهٔ مهم اینه: همون آدم‌ها و همون ایده‌ها، چند سال بعد، رشتهٔ دیگه‌ای هم به دنیا آوردن. آلن نیوول و هربرت سایمون، که توی همون فضای فکری کار می‌کردن، برنامه‌ای به اسم Logic Theorist نوشتن که می‌تونست قضیه‌های ریاضی رو اثبات کنه. سایمون با هیجان گفت یه «ماشین فکرکننده» ساختن. ولی سوال عمیق‌تری که از دل این کار درومد این بود: اگه می‌تونیم فکر کردن رو توی یه ماشین شبیه‌سازی کنیم، شاید فکرِ خودِ انسان هم نوعی پردازش اطلاعاته.

این ایده، «ذهن به‌مثابهٔ پردازشگر اطلاعات»، همون چیزیه که علوم شناختی روش بنا شد. پس هوش مصنوعی و علوم شناختی، دو روی یه سکه بودن: یکی می‌خواست هوش رو توی ماشین بسازه، اون یکی می‌خواست هوش انسان رو با همون زبانِ محاسبه بفهمه.

سایبرنتیک: ریشه‌ای که هر دو رشته را آبیاری کرد

قبل از دارت‌موث، یه جنبش فکری دیگه راه رو هموار کرده بود: سایبرنتیک (Cybernetics). نوربرت وینر در دههٔ ۱۹۴۰ این واژه رو معرفی کرد تا علمِ «کنترل و ارتباط در جانور و ماشین» رو توصیف کنه. ایدهٔ محوری سایبرنتیک ساده ولی انقلابی بود: سیستم‌های زنده و ماشین‌ها هر دو با حلقه‌های بازخورد (feedback loops) کار می‌کنن، اطلاعات می‌گیرن، پردازش می‌کنن، رفتارشون رو اصلاح می‌کنن.

این نگاه، مرز بین «موجود زنده» و «ماشین» رو کم‌رنگ کرد. اگه یه ترموستات و یه مغز هر دو با همون اصول بازخورد کار می‌کنن، پس شاید بشه تفکر رو هم با همون منطق توضیح داد. وارن مک‌کالک و والتر پیتس در سال ۱۹۴۳ مقاله‌ای نوشتن که نشون می‌داد می‌شه نورون‌های مغز رو به‌صورت واحدهای منطقی ساده مدل کرد، مقاله‌ای که هم پدرخواندهٔ شبکه‌های عصبی مصنوعیه، هم یکی از سنگ‌بناهای علوم اعصاب‌شناختی.

پس وقتی می‌پرسیم علوم شناختی و هوش مصنوعی از کجا اومدن، جواب یکیه: از سایبرنتیک و از این بینش که اطلاعات، نه ماده، جوهرِ تفکره.

شبکه‌های عصبی: وقتی مهندسی به مغز نگاه کرد

شاید واضح‌ترین پلِ بین این دو رشته، شبکهٔ عصبی مصنوعی باشه. اسمش رو از کجا آورده؟ از مغز.

اون مدل مک‌کالک-پیتس که گفتیم، نورون‌های بیولوژیک رو الهام گرفت: هر نورون ورودی‌هایی می‌گیره، وزن‌دهی می‌کنه، و اگه از یه آستانه رد شد، شلیک می‌کنه. فرانک رزنبلات در سال ۱۹۵۸ روی همین ایده «پرسپترون» رو ساخت، اولین شبکهٔ عصبیِ یادگیرنده. ساختار لایه‌ای شبکه‌های عمیق امروزی، اصطلاح «نورون»، حتی ایدهٔ «فعال‌سازی» (activation)، همه از زیست‌شناسیِ مغز قرض گرفته شدن.

البته باید صادق باشیم: شبکهٔ عصبی مصنوعی یه استعارهٔ ساده‌شده‌ست، نه یه شبیه‌سازی دقیق مغز. یه نورون بیولوژیک هزاران برابر پیچیده‌تر از یه واحد محاسباتی توی یه شبکهٔ عمیقه. ولی این الهام‌گیری، چه دقیق چه تقریبی، نشون می‌ده که چطور فهمِ ما از مغز، مهندسیِ هوش مصنوعی رو شکل داد. این رابطه دوطرفه‌ست: همون‌طور که علوم اعصاب به AI ایده داد، حالا AI داره به علوم اعصاب کمک می‌کنه فرضیه‌هاش رو تست کنه.

دو رشته که از هم فاصله گرفتند

اگه این دو رشته این‌قدر به هم نزدیک بودن، چرا امروز دو دانشکدهٔ جدا دارن؟

داستانش اینه که از دههٔ ۱۹۸۰ به بعد، مسیرها از هم جدا شد. هوش مصنوعی بیشتر و بیشتر «مهندسی‌محور» شد، هدف این بود که سیستم‌هایی بسازن که کار کنن، فارغ از اینکه آیا شبیه مغز انسان فکر می‌کنن یا نه. یه موتور شطرنج لازم نیست مثل یه استاد بزرگ انسانی فکر کنه؛ فقط باید ببره.

از اون طرف، علوم شناختی به سمت فهمِ دقیق‌ترِ ذهن انسان رفت، با کمک علوم اعصاب‌شناختی، روان‌شناسی شناختی، و زبان‌شناسی. علوم شناختی دیگه لازم نداشت سیستمِ کارآمد بسازه؛ می‌خواست بفهمه آدم‌ها چطور یاد می‌گیرن، فراموش می‌کنن، استدلال می‌کنن، و اشتباه می‌کنن.

این جدایی، یه دورهٔ طلایی برای هر دو رشته بود ولی یه چیز رو هم از دست داد: اون گفتگوی غنی اولیه که از دل سایبرنتیک درومده بود.

بازگشت هوش مصنوعی به علوم شناختی

و حالا می‌رسیم به بخش جالب: این دو رشته دارن دوباره به هم برمی‌گردن، و این بار مدل‌های زبانی بزرگ دلیلشن.

وقتی یه مدلی مثل GPT یا Claude متن تولید می‌کنه، یه اتفاق عجیب می‌افته: رفتارهایی ازش سر می‌زنه که ما برای توصیفشون مجبوریم از واژه‌های علوم شناختی استفاده کنیم. می‌گیم مدل «توجه» (attention) داره. می‌گیم «استدلال» می‌کنه. می‌گیم «حافظهٔ کاری» محدود داره. می‌گیم «سوگیری» (bias) داره. این واژه‌ها رو از کجا آوردیم؟ از مطالعهٔ ذهن انسان.

برای فهمیدن اینکه چرا یه مدل گاهی توهم می‌زنه (hallucination)، چرا توی زنجیرهٔ استدلال طولانی خطا می‌کنه، یا چرا با «فکر کن مرحله‌به‌مرحله» بهتر جواب می‌ده، محقق‌ها دارن دوباره به سراغ نظریه‌های شناختی می‌رن. مفهوم حافظهٔ کاری که از روان‌شناسی شناختی اومده، حالا برای فهمِ پنجرهٔ متنِ (context window) مدل‌ها به کار می‌ره. اصلاً همون ایدهٔ «attention» که قلب معماری Transformer ـه، یه استعارهٔ مستقیم از توجهِ انسانیه.

و این رابطه باز هم دوطرفه‌ست. حالا که یه سیستم مصنوعی داریم که زبان رو در مقیاسی بی‌سابقه پردازش می‌کنه، علوم شناختی هم می‌تونه ازش به‌عنوان آزمایشگاه استفاده کنه: اگه یه مدل بدون هیچ تجربهٔ جسمانی، فقط از روی متن، چیزی شبیه فهمِ معنا می‌سازه، این دربارهٔ خودِ معنا و یادگیری انسانی چی به ما می‌گه؟

چرا این داستان برای کاربر ایرانی مهمه

ممکنه بگی این بحث‌ها آکادمیک و دور از زندگی روزمره‌ست. ولی نیست. هر بار که یه ابزار AI فارسی رو خوب نمی‌فهمه، داره یه مسئلهٔ علوم شناختیِ واقعی رو نشون می‌ده: زبان فقط رشته‌ای از کلمات نیست، یه ساختار شناختیه که با فرهنگ و بافت گره خورده.

برای ما که فارسی‌زبانیم، فهمِ این پیوند بین شناخت و AI کاربردیه. مدلی که با مدل شناختیِ غلطی از زبان فارسی آموزش دیده، نمی‌تونه محاوره، استعاره، و ظرافت‌های فرهنگی ما رو بگیره. ساختن AI ایی که واقعاً فارسی‌زبان‌ها رو بفهمه، یعنی ساختن AI ایی که شناختِ ما رو بفهمه، و این دقیقاً تقاطع علوم شناختی و هوش مصنوعیه.

از آزمایش فکری تا آزمایشگاه واقعی

برای دهه‌ها، علوم شناختی مجبور بود با ابزارهای غیرمستقیم کار کنه: آزمایش‌های رفتاری، تصویربرداری مغزی، و مدل‌های ریاضی. حالا برای اولین بار یه سیستم مصنوعی داریم که زبان رو تولید می‌کنه و می‌شه میلیون‌ها بار آزمونش کرد، درونش رو دید، و فرضیه‌ها رو روش امتحان کرد. مدل‌های زبانی بزرگ به یه بستِ آزمایشِ تازه برای نظریه‌های شناخت تبدیل شدن، جایی که می‌شه پرسید «اگه ذهن این‌جوری کار کنه، چه رفتاری ازش انتظار داریم؟» و جوابش رو در عمل دید. اگه می‌خوای بدونی این پایداریِ شناختی توی AI چه شکلیه، شناخت پایدار در هوش مصنوعی رو بخون.

اینجاست که فلسفهٔ محصول ما در آیرا شکل می‌گیره. آیراچت فقط یه پوسته روی یه مدل زبانی نیست؛ یه لایهٔ شناختیِ پیوسته‌ست که از همون نظریه‌های علوم شناختی الهام گرفته. به‌جای اینکه هر گفتگو یه جزیرهٔ مجزا باشه، آیرا یه مدل شناختی از تو می‌سازه که با هر تعامل دقیق‌تر می‌شه، درست همون‌طور که مغز انسان از تجربه‌هاش یه مدل از دنیا می‌سازه. این یعنی هفتاد سال بعد از دارت‌موث، علوم شناختی و هوش مصنوعی دوباره توی یه محصول، توی یه اتاق، کنار هم نشستن.

همچنین بخوان

• علوم شناختی چیست؟، مادرِ همهٔ این بحث‌ها
• هوش شناختی چیست؟، فرق هوش با شناخت
• علوم اعصاب‌شناختی، مغز چطور شناخت را می‌سازد
• شناخت پایدار در هوش مصنوعی، وقتی AI تو را به یاد می‌سپارد
• هوش مصنوعی چیست؟، راهنمای کامل فارسی

می‌خوای ببینی این تقاطعِ هفتادساله امروز چه شکلی شده؟ آیراچت رو امتحان کن، یه دستیار که به‌جای فراموش‌کردنِ هر گفتگو، مثل یه ذهنِ یادگیرنده با تو می‌بالد.