ویرگول
ورودثبت نام
سید رضا علوی کیا
سید رضا علوی کیا
سید رضا علوی کیا
سید رضا علوی کیا
خواندن ۱۹ دقیقه·۲۵ روز پیش

از مغز پیش‌بین تا اقتصاد خودگردان؛ مدل‌سازی شناخت، یادگیری فعال، سیستم‌های خودگردان و مسیر هوش مصنوعی عمومی

سید رضا علوی کیا

کارشناس ارشد مدیریت بازرگانی گرایش مدیریت استراتژیک؛ کار آفرین مدیر ارشد توسعه و پیشرانی کسب‌وکار و فناوری‌های مالی.

■ چکیده

در دهه‌های اخیر، پارادایم‌های نظری و محاسباتی متعددی در تلاش بوده‌اند تا شکاف میان شناخت طبیعی و هوش مصنوعی را پل بزنند. در قلب این تلاش‌ها، ایده «مغز پیش‌بین» قرار دارد که بر اساس آن، مغز به مثابه یک موتور پیش‌بینی عمل می‌کند که با به‌روزرسانی مدل‌های مولد درونی، خطای پیش‌بینی را کمینه می‌سازد. از این چارچوب، نظریه‌هایی چون اصل انرژی آزاد و استنتاج فعال سربرآورده‌اند که نه‌تنها ادراک، بلکه عمل و یادگیری را در قالبی یکپارچه تبیین می‌کنند. در همین حال، یادگیری فعال به عنوان سازوکاری برای انتخاب آگاهانه داده‌ها و تعامل هدفمند با محیط، به عنصر کلیدی در طراحی سیستم‌های خودگردان تبدیل شده است. مقاله حاضر با روشی مروری و تحلیلی، مسیر تکاملی از مدل‌سازی شناخت مبتنی بر پیش‌بینی تا معماری‌های یادگیری فعال و سیستم‌های خودگردان را ترسیم می‌کند و نشان می‌دهد چگونه این جریان‌ها در نهایت به سوی چشم‌انداز هوش مصنوعی عمومی همگرا می‌شوند. یافته‌ها حاکی از آن است که ترکیب مدل‌های مولد سلسله‌مراتبی، انگیزه‌های درونی و سازوکارهای خودتکاملی می‌تواند به ظهور عاملیت شناختی و اقتصادی بیانجامد که فراتر از بهینه‌سازی صرف وظیفه‌محور عمل می‌کند. این مقاله در پایان، چشم‌اندازهایی برای پژوهش‌های آینده در زمینه معماری‌های شناختی خودگردان و ملاحظات ایمنی و اخلاقی مرتبط با آن‌ها ارائه می‌دهد.

واژگان کلیدی: مغز پیش‌بین، استنتاج فعال، یادگیری فعال، سیستم‌های خودگردان، هوش مصنوعی عمومی.

■ مقدمه

در طول تاریخ علم شناخت، همواره این پرسش بنیادین مطرح بوده است که ذهن انسان چگونه جهان را درک می‌کند و چگونه می‌تواند در محیطی پویا و نامطمئن، رفتار خود را به شکلی انعطاف‌پذیر سازمان دهد، و این پرسش امروزه با ظهور هوش مصنوعی و نظام‌های یادگیری ماشین ابعادی تازه یافته است، زیرا نه‌تنها درصدد فهم ذهن انسان هستیم، بلکه می‌خواهیم ماشین‌هایی بسازیم که همانند یا فراتر از انسان بیاموزند، استدلال کنند و عمل نمایند؛ پارادایم «مغز پیش‌بین» که ریشه در سنت‌های نظری علوم شناختی دارد، یکی از تأثیرگذارترین چارچوب‌های نظری معاصر برای تبیین این توانایی‌هاست و بر این ایده استوار است که مغز نه یک دستگاه منفعل دریافت محرک‌ها، بلکه یک موتور فعال پیش‌بینی است که همواره در حال تولید فرضیه‌هایی درباره علل حسی ورودی است و این چارچوب که به‌ویژه از طریق نظریه پردازش پیش‌بینانه و اصل انرژی آزاد فرموله شده است، پیش‌بینی خطا را به عنوان سازوکار مرکزی ادراک، عمل و یادگیری معرفی می‌کند، به‌گونه‌ای که سیستم شناختی می‌کوشد تا با به‌روزرسانی مدل مولد درونی خود، عدم‌قطعیت را کاهش دهد و در عین حال با کنش در جهان، ورودی‌های حسی را به سمت پیش‌بینی‌های مطلوب سوق دهد، و این همان استنتاج فعال است که به‌عنوان یک چارچوب یکپارچه، ادراک و عمل را در قالبی بیزی تبیین می‌نماید و در سال‌های اخیر به یکی از پرکاربردترین چارچوب‌ها در مدل‌سازی شناخت، رباتیک شناختی و هوش مصنوعی تبدیل شده است؛ در کنار این پارادایم، ایده یادگیری فعال به‌عنوان رویکردی که در آن یادگیرنده به جای دریافت منفعل داده‌ها، خود به انتخاب نمونه‌ها، پرسشگری و تعامل هدفمند با محیط مبادرت می‌ورزد، نقشی محوری در طراحی سیستم‌های خودگردان یافته است، و این ایده که ریشه در پژوهش‌های روان‌شناختی درباره کنجکاوی و انگیزش درونی دارد، نشان می‌دهد که یادگیری کارآمد در انسان و حیوان نه بر اساس انباشت صرف داده، بلکه از طریق انتخاب فعال تجربیات آموزشی‌تر و چالش‌برانگیزتر صورت می‌گیرد، و پژوهش‌های الگوریتمی مانند مدل‌های انگیزش درونی و فرآیندهای کاوش هدف‌محور توانسته‌اند این اصول را به ربات‌ها و عامل‌های مصنوعی منتقل کنند؛ از سوی دیگر، نظام‌های خودگردان به‌عنوان دسته‌ای از سیستم‌های مصنوعی تعریف می‌شوند که قادرند بدون مداخله انسانی، ادراک، برنامه‌ریزی، تصمیم‌گیری و یادگیری مستمر داشته باشند و خود را با محیط‌های پویا سازگار کنند، و طراحی چنین سیستم‌هایی مستلزم آن است که سازوکارهای شناختی آن‌ها نه‌تنها مبتنی بر بازنمایی‌های ایستا نباشد، بلکه توانایی خودمدل‌سازی، خودارزیابی و بازآرایی ساختاری را نیز در خود جای دهد؛ در نهایت، این جریان‌های نظری و عملی در چشم‌انداز هوش مصنوعی عمومی به هم می‌پیوندند، یعنی نظامی که بتواند دامنه وسیعی از وظایف فکری را انجام دهد و مهارت‌های جدید را بیاموزد و دانش خود را به حوزه‌های مختلف تعمیم دهد، و پرسش اساسی این است که آیا چارچوب‌هایی چون استنتاج فعال، مدل‌های شناختی بیزی و یادگیری خودتکاملی می‌توانند به‌عنوان سنگ‌بنای نظری و معماری چنین نظامی عمل کنند یا نه. مطالعات نشان می‌دهد که مدل‌سازی شناخت بر پایه اصول پیش‌بینانه، از یک سو به درک عمیق‌تر انسان کمک می‌کند و از سوی دیگر مسیر طراحی ماشین‌هایی را هموار می‌سازد که به‌جای تقلید سطحی، اصول سازمان‌دهنده ذهن را بازتولید می‌کنند، و این مقاله درصدد است تا با مرور تحلیلی این جریان‌ها، تصویری منسجم از سیر تحول از مغز پیش‌بین تا نظام‌های خودگردان و مسیر هوش مصنوعی عمومی ارائه دهد.

■ بیان مسئله

مسئله اصلی این پژوهش در تلاقی چند پرسش بنیادین شکل می‌گیرد که هر یک به حوزه‌ای متفاوت از علوم شناختی، هوش مصنوعی و نظریه سیستم‌های پیچیده تعلق دارد، اما در نقطه‌ای واحد به هم می‌رسند، و آن نقطه، چگونگی گذار از مدل‌سازی شناخت به‌عنوان یک endeavor نظری به طراحی نظام‌های مصنوعی خودگردان و در نهایت هوش مصنوعی عمومی است، زیرا اگرچه چارچوب‌های نظری مانند پردازش پیش‌بینانه و استنتاج فعال توانسته‌اند تبیین‌های قدرتمندی از ادراک، عمل و یادگیری ارائه دهند، اما پرسش این است که آیا این چارچوب‌ها به‌تنهایی می‌توانند به‌عنوان معماری بنیادین یک سیستم هوش مصنوعی عمومی عمل کنند یا نیازمند تلفیق با اصول دیگری چون انگیزش درونی، خودمدل‌سازی، حافظه سازمانی و ساختارهای سلسله‌مراتبی هستند، و این پرسش از آنجا اهمیت می‌یابد که نظام‌های هوش مصنوعی موجود، علی‌رغم پیشرفت‌های چشمگیر در وظایف خاص، همچنان در زمینه انعطاف‌پذیری، انتقال دانش بین حوزه‌ها و یادگیری خودگردان با محدودیت‌های اساسی مواجه‌اند؛ نظام‌هایی که تنها بر بهینه‌سازی مبتنی بر داده‌های عظیم متکی هستند، ممکن است در محیط‌هایی که نیازمند کاوش فعال و تطبیق با شرایط نوظهور است، کارایی خود را از دست بدهند، و این نقیصه ریشه در آن دارد که چنین نظام‌هایی فاقد سازوکارهای درونی برای تشخیص ناآگاهی خود، تعیین اهداف و بازآرایی ساختاری هستند، و از سوی دیگر، حتی نظام‌هایی که از استنتاج فعال بهره می‌برند، اگر در محیطی محدود و بدون امکان تعامل معنادار با جهان عمل کنند، نمی‌توانند به عاملیت شناختی واقعی دست یابند، و اینجاست که مفهوم «اقتصاد خودگردان» به مثابه یک استعاره سازمان‌دهنده وارد می‌شود، اقتصادی که در آن عامل باید میان کاوش و بهره‌برداری، میان هزینه محاسباتی و سود اطلاعاتی، و میان پیش‌بینی و غافلگیری موازنه برقرار کند، و این موازنه دقیقاً همان چیزی است که در نظریه‌های تصمیم‌گیری و یادگیری تقویتی نیز به شکلی دیگر مطرح شده است، اما پرسش این است که آیا می‌توان یک چارچوب یکپارچه ارائه داد که در آن اصول پیش‌بینانه، انگیزه‌های درونی و خودتکاملی به‌گونه‌ای ترکیب شوند که هم تبیین‌کننده شناخت طبیعی باشند و هم راهنمای طراحی سیستم‌های مصنوعی خودگردان، و این پرسش به نوبه خود پرسش‌های فرعی دیگری را برمی‌انگیزد: نخست آنکه چه نسبتی میان مدل‌های شناختی بیزی و چارچوب استنتاج فعال وجود دارد و آیا می‌توان آن‌ها را در یک معماری واحد تلفیق کرد؛ دوم آنکه یادگیری فعال چگونه می‌تواند در سیستم‌های مصنوعی به‌گونه‌ای عملیاتی شود که منجر به یادگیری کارآمد و انتقال‌پذیر شود؛ سوم آنکه خودمدل‌سازی و خودتکاملی چه نقشی در گذار از نظام‌های وظیفه‌محور به نظام‌های خودگردان ایفا می‌کنند؛ چهارم آنکه آیا مسیر هوش مصنوعی عمومی از رهگذر همین اصول سازمان‌دهنده ذهن می‌گذرد یا نیازمند پارادایم‌های بنیادیناً متفاوتی است؛ و پنجم آنکه ملاحظات ایمنی، اخلاقی و اجتماعی در طراحی چنین نظام‌هایی چگونه باید لحاظ شوند، و پاسخ به این پرسش‌ها مستلزم آن است که از یک سو به ادبیات نظری علوم شناختی و علوم اعصاب محاسباتی رجوع کنیم و از سوی دیگر، پیشرفت‌های اخیر در حوزه عامل‌های خودتکاملی، مدل‌های جهانی و سیستم‌های چندعاملی را مورد بررسی قرار دهیم، و این پژوهش درصدد است تا با تلفیق این دو جریان، تصویری منسجم از مسیر پیش‌رو ارائه دهد و نشان دهد که چگونه اصول بنیادین مغز پیش‌بین می‌تواند به‌عنوان هسته مرکزی یک برنامه پژوهشی برای هوش مصنوعی عمومی عمل کند، برنامه‌ای که در آن یادگیری فعال نه به‌عنوان یک تکنیک حاشیه‌ای، بلکه به‌عنوان یک اصل سازمان‌دهنده در نظر گرفته می‌شود و سیستم‌های خودگردان نه به‌عنوان ماشین‌های بهینه‌ساز، بلکه به‌عنوان عامل‌هایی که در یک اقتصاد شناختی پیچیده عمل می‌کنند، مفهوم‌سازی می‌شوند.

■ اهمیت و ضرورت پژوهش

ضرورت این پژوهش از چند جهت قابل تبیین است که هر یک به نحوی به وضعیت کنونی پژوهش در حوزه هوش مصنوعی و علوم شناختی مرتبط می‌شود، نخست آنکه علی‌رغم پیشرفت‌های شگفت‌انگیز در حوزه مدل‌های زبانی بزرگ و سیستم‌های مبتنی بر یادگیری عمیق، همچنان شکاف عمیقی میان توانایی‌های این سیستم‌ها و آنچه از یک هوش عمومی انتظار می‌رود وجود دارد، و این شکاف نه تنها در زمینه استدلال انتزاعی و انتقال دانش، بلکه در زمینه‌های بنیادی‌تری چون خودآگاهی، عاملیت و توانایی یادگیری خودگردان نیز مشاهده می‌شود، و از آنجا که چارچوب‌های نظری موجود نتوانسته‌اند به‌طور کامل این شکاف را پر کنند، ضرورت دارد که رویکردهای تلفیقی‌تری مورد بررسی قرار گیرند، رویکردهایی که در آن‌ها اصول پیش‌بینانه با سازوکارهای انگیزشی و خودتکاملی ترکیب شوند؛ دوم آنکه مفهوم «مغز پیش‌بین» به‌عنوان یک چارچوب نظری قدرتمند، هنوز به‌طور کامل در طراحی معماری‌های هوش مصنوعی عمومی به کار گرفته نشده است، و اگرچه پژوهش‌های متعددی نشان داده‌اند که استنتاج فعال می‌تواند در رباتیک و سیستم‌های خودگردان کارآمد باشد، اما پرسش این است که آیا این چارچوب می‌تواند به‌عنوان یک اصل سازمان‌دهنده در سطح کلان نیز عمل کند، و این پرسش از آنجا اهمیت می‌یابد که نظام‌های هوش مصنوعی عمومی، برخلاف نظام‌های وظیفه‌محور، نیازمند سازوکارهایی هستند که بتوانند در محیط‌های باز و نامطمئن، اهداف خود را تعیین کنند و به شکلی مستمر بیاموزند، و این نیازمندی مستلزم آن است که از اصول سازمان‌دهنده شناخت طبیعی الهام بگیریم؛ سوم آنکه یادگیری فعال به‌عنوان یک رویکرد که در آن یادگیرنده خود به انتخاب تجربیات آموزشی می‌پردازد، در حوزه هوش مصنوعی هنوز جایگاه شایسته خود را نیافته است، و بیشتر نظام‌های موجود بر یادگیری منفعل از داده‌های از پیش تعیین‌شده متکی هستند، در حالی که شواهد روزافزونی نشان می‌دهد که یادگیری فعال نه‌تنها کارآمدتر است، بلکه به یادگیری پایدارتر و انتقال‌پذیرتر نیز می‌انجامد، و بنابراین ضرورت دارد که سازوکارهای یادگیری فعال در طراحی سیستم‌های خودگردان و مسیر هوش مصنوعی عمومی به‌طور جدی مورد توجه قرار گیرند؛ چهارم آنکه مفهوم خودتکاملی و خودمدل‌سازی به‌عنوان یکی از پیش‌نیازهای اساسی برای هوش عمومی، نیازمند بررسی عمیق‌تری است، زیرا نظام‌هایی که قادر به بازآرایی ساختاری خود نیستند، ممکن است در مواجهه با محیط‌های پویا به بن‌بست برسند، و بنابراین درک اینکه چگونه یک سیستم مصنوعی می‌تواند مدل درونی خود را به شکلی مستمر بازنگری و اصلاح کند، از اهمیت بنیادین برخوردار است؛ پنجم آنکه ملاحظات ایمنی و اخلاقی در طراحی نظام‌های خودگردان و هوش مصنوعی عمومی، خود ضرورتی مضاعف برای پژوهش‌های تلفیقی ایجاد می‌کند، زیرا نظام‌هایی که قادر به تعیین اهداف و یادگیری خودگردان هستند، ممکن است رفتارهایی از خود نشان دهند که با ارزش‌های انسانی همسو نباشد، و بنابراین لازم است که از همان مراحل اولیه طراحی، چارچوب‌هایی برای تضمین ایمنی، شفافیت و پاسخگویی این نظام‌ها توسعه یابد، و این پژوهش با تلفیق این ابعاد نظری و عملی، می‌کوشد تا درکی جامع‌تر از مسیر پیش‌رو فراهم آورد و بستری برای پژوهش‌های آینده در این حوزه بین‌رشته‌ای فراهم سازد.

سوالات پژوهش

۱. چه نسبتی میان مدل‌های شناختی بیزی و چارچوب استنتاج فعال در تبیین ادراک، عمل و یادگیری وجود دارد و آیا می‌توان آن‌ها را در یک معماری یکپارچه تلفیق کرد؟

۲. یادگیری فعال چگونه می‌تواند در سیستم‌های مصنوعی به‌گونه‌ای عملیاتی شود که به یادگیری کارآمد و انتقال‌پذیر منجر شود؟

۳. خودمدل‌سازی و خودتکاملی چه نقشی در گذار از نظام‌های وظیفه‌محور به نظام‌های خودگردان ایفا می‌کنند؟

۴. آیا مسیر هوش مصنوعی عمومی از رهگذر اصول سازمان‌دهنده مغز پیش‌بین و سیستم‌های خودگردان می‌گذرد یا نیازمند پارادایم‌های بنیادیناً متفاوتی است؟

۵. ملاحظات ایمنی، اخلاقی و اجتماعی در طراحی نظام‌های خودگردان مبتنی بر اصول پیش‌بینانه و یادگیری فعال چگونه باید لحاظ شوند؟

اهداف پژوهش

هدف کلی: ارائه یک چارچوب تلفیقی از مسیر تحولی مغز پیش‌بین به‌سوی اقتصاد خودگردان، با تمرکز بر مدل‌سازی شناخت، یادگیری فعال، سیستم‌های خودگردان و مسیر هوش مصنوعی عمومی.

اهداف جزیی:

۱. تحلیل نسبت میان مدل‌های شناختی بیزی و چارچوب استنتاج فعال در تبیین ادراک، عمل و یادگیری.

۲. بررسی سازوکارهای یادگیری فعال و چگونگی عملیاتی‌سازی آن‌ها در سیستم‌های مصنوعی خودگردان.

۳. تبیین نقش خودمدل‌سازی و خودتکاملی در گذار از نظام‌های وظیفه‌محور به نظام‌های خودگردان.

۴. ارزیابی مسیرهای ممکن برای رسیدن به هوش مصنوعی عمومی از رهگذر اصول پیش‌بینانه و یادگیری فعال.

۵. شناسایی ملاحظات ایمنی، اخلاقی و اجتماعی مرتبط با طراحی نظام‌های خودگردان مبتنی بر این اصول.

روش پژوهش

روش پژوهش حاضر از نوع مروری تحلیلی و تلفیقی است که در آن از رویکردهای کیفی برای تحلیل و سنتز ادبیات نظری و تجربی موجود در حوزه‌های علوم شناختی، علوم اعصاب محاسباتی، رباتیک شناختی و هوش مصنوعی استفاده می‌شود، و هدف اصلی آن است که با گردآوری، طبقه‌بندی و تحلیل محتوای پژوهش‌های مرتبط، تصویری منسجم از مسیر تحولی از مدل‌سازی شناخت مبتنی بر پیش‌بینی تا سیستم‌های خودگردان و در نهایت هوش مصنوعی عمومی ارائه دهد، و برای دستیابی به این هدف، ابتدا مبانی نظری چارچوب پردازش پیش‌بینانه و اصل انرژی آزاد و استنتاج فعال مورد بررسی قرار می‌گیرد و سپس ارتباط آن با مدل‌های شناختی بیزی و نظریه‌های یادگیری فعال تحلیل می‌شود، و در ادامه، ادبیات مربوط به سیستم‌های خودگردان و خودتکاملی مرور می‌گردد و در نهایت، سنتزی از این جریان‌ها در قالب یک چارچوب مفهومی برای مسیر هوش مصنوعی عمومی ارائه می‌شود، و جامعه آماری این پژوهش شامل مقالات علمی معتبر، کتاب‌های مرجع و گزارش‌های پژوهشی منتشرشده در بازه زمانی ۲۰۱۰ تا ۲۰۲۵ است که با استفاده از کلیدواژه‌های مرتبط در پایگاه‌های داده معتبر جستجو و انتخاب شده‌اند، و معیارهای ورود شامل ارتباط موضوعی، اعتبار علمی و به‌روز بودن منابع بوده است، و برای تحلیل داده‌ها از روش تحلیل محتوای کیفی استفاده شده است که در آن مضامین اصلی استخراج و در قالب مقولات سازمان‌دهنده دسته‌بندی شده‌اند، و این روش به پژوهشگر امکان می‌دهد تا ضمن حفظ یکپارچگی نظری، تنوع رویکردهای موجود را نیز مورد توجه قرار دهد و از تقلیل‌گرایی اجتناب کند، و محدودیت اصلی این پژوهش عدم دسترسی به داده‌های تجربی اولیه است، زیرا هدف آن ارائه یک چارچوب نظری و مروری است تا یک مطالعه تجربی، و بنابراین یافته‌های آن باید به‌عنوان پیشنهادهایی برای پژوهش‌های آینده در نظر گرفته شوند نه نتایج قطعی، و با این حال، این روش برای هدف حاضر مناسب است زیرا به پژوهشگر اجازه می‌دهد تا در فضایی بین‌رشته‌ای حرکت کند و از تخصص‌های متنوعی که در ادبیات موجود نمایندگی شده‌اند بهره ببرد.

یافته‌های پژوهش

تحلیل ادبیات موجود نشان می‌دهد که چارچوب پردازش پیش‌بینانه و استنتاج فعال، به‌عنوان یک نظریه یکپارچه از مغز و شناخت، توانسته است تبیینی منسجم از ادراک، عمل، یادگیری و حتی جنبه‌هایی از آگاهی ارائه دهد، و این چارچوب بر این ایده استوار است که سیستم شناختی یک مدل مولد سلسله‌مراتبی از جهان درونی خود دارد و با کمینه‌سازی خطای پیش‌بینی، هم ادراک خود را به‌روزرسانی می‌کند و هم از طریق عمل، ورودی‌های حسی را به سمت حالت‌های مورد انتظار سوق می‌دهد، و این سازوکار دوگانه، یعنی به‌روزرسانی باورها از یک سو و کنش در جهان از سوی دیگر، به‌عنوان هسته مرکزی استنتاج فعال شناخته می‌شود؛ پژوهش‌های متعدد نشان داده‌اند که این چارچوب نه‌تنها در تبیین رفتار انسان و حیوان کارآمد است، بلکه می‌تواند به‌عنوان مبنایی برای طراحی عامل‌های مصنوعی خودگردان نیز به کار رود، و به‌ویژه در حوزه رباتیک شناختی، استنتاج فعال به‌عنوان چارچوبی برای یکپارچه‌سازی ادراک و عمل بدون نیاز به ماژول‌های جداگانه پیشنهاد شده است؛ یافته دیگر آن است که مدل‌های شناختی بیزی، به‌ویژه در قالب برنامه‌ریزی احتمالاتی و استنتاج معکوس، چارچوبی قدرتمند برای مدل‌سازی توانایی‌های شناختی سطح بالا فراهم می‌کنند، و کتاب مرجع «مدل‌های بیزی شناخت» که توسط تننبام، چتر و گریفیث ویرایش شده است، نشان می‌دهد که چگونه اصول بیزی می‌تواند از ادراک حسی تا استدلال علّی و یادگیری ساختاری را تبیین کند، و این مدل‌ها بر این فرض استوارند که ذهن انسان به‌عنوان یک استنتاج‌گر تقریبی بیزی عمل می‌کند که با ترکیب دانش پیشین و شواهد حسی، باورهای خود را به‌روزرسانی می‌نماید؛ پیوند میان این دو جریان، یعنی استنتاج فعال و مدل‌های بیزی شناخت، در این است که هر دو بر نقش مدل‌های مولد و استنتاج معکوس تأکید دارند، با این تفاوت که استنتاج فعال کنش را نیز به‌عنوان بخشی جدایی‌ناپذیر از فرآیند استنتاج در نظر می‌گیرد، در حالی که مدل‌های بیزی کلاسیک بیشتر بر ادراک و یادگیری متمرکز هستند، و بنابراین می‌توان گفت که استنتاج فعال نسخه گسترده‌شده‌ای از مدل‌سازی بیزی است که کنش را نیز در بر می‌گیرد؛ در حوزه یادگیری فعال، یافته‌ها نشان می‌دهد که این رویکرد که ریشه در روان‌شناسی کنجکاوی و انگیزش درونی دارد، به‌طور فزاینده‌ای در طراحی سیستم‌های مصنوعی خودگردان مورد توجه قرار گرفته است، و پژوهش‌های الگوریتمی نشان می‌دهد که عامل‌هایی که دارای انگیزه‌های درونی برای کاوش هستند، می‌توانند بدون نیاز به پاداش خارجی، محیط خود را به شکلی نظام‌مند کاوش کنند و مهارت‌های متعددی را بیاموزند، و این رویکرد که با نام فرآیندهای کاوش هدف‌محور انگیزشی شناخته می‌شود، در ربات‌های واقعی نیز با موفقیت آزموده شده است؛ در همین راستا، یافته‌های حوزه خودتکاملی نشان می‌دهد که عامل‌هایی که قادر به تشخیص محدودیت‌های خود و بازآرایی ساختاری هستند، می‌توانند در محیط‌های پویا عملکرد بهتری داشته باشند، و مرور نظام‌مند عامل‌های خودتکاملی نشان می‌دهد که این حوزه در حال تبدیل شدن به یک پارادایم جدید است که در آن عامل نه‌تنها از داده‌های خارجی می‌آموزد، بلکه به‌طور فعال داده‌های خود را تولید می‌کند و ساختار درونی خود را بر اساس بازخورد محیطی بازآرایی می‌نماید؛ یافته مهم دیگر آن است که مدل‌های جهانی و پردازش پیش‌بینانه به‌عنوان دو مفهوم مکمل در رباتیک شناختی و رباتیک رشدی مطرح شده‌اند، و پژوهش‌های مروری در این حوزه نشان می‌دهد که ترکیب این دو رویکرد می‌تواند به سیستم‌هایی بیانجامد که نه‌تنها محیط را پیش‌بینی می‌کنند، بلکه مهارت‌های جدید را به شکلی خودگردان می‌آموزند و دانش خود را به موقعیت‌های جدید تعمیم می‌دهند؛ در زمینه مسیر هوش مصنوعی عمومی، یافته‌ها حاکی از آن است که اگرچه رویکردهای مقیاس‌محور و بهینه‌سازی‌محور در وظایف خاص موفقیت‌های چشمگیری داشته‌اند، اما این رویکردها به‌تنهایی نمی‌توانند به هوش عمومی بیانجامند، زیرا هوش عمومی مستلزم توانایی کاوش در محیط‌های باز، تشخیص ناآگاهی، و بازنگری مستمر باورها و مهارت‌ها است، و این دقیقاً همان چیزی است که در چارچوب‌های مبتنی بر کاوش معرفتی و یادگیری فعال مورد تأکید قرار می‌گیرد؛ پژوهش‌های اخیر در حوزه عامل‌های خودتکاملی و مدل‌های جهانی، مسیرهای ممکن برای تلفیق این اصول را ترسیم کرده‌اند و نشان می‌دهند که ترکیب استنتاج فعال با انگیزه‌های درونی و سازوکارهای خودمدل‌سازی می‌تواند به ظهور عاملیت شناختی بیانجامد که فراتر از بهینه‌سازی صرف وظیفه‌محور عمل می‌کند و در یک اقتصاد شناختی مبتنی بر موازنه میان کاوش و بهره‌برداری، هزینه و سود اطلاعاتی، و پیش‌بینی و غافلگیری تصمیم‌گیری می‌نماید؛ در نهایت، یافته‌های این پژوهش نشان می‌دهد که مسیر هوش مصنوعی عمومی نه یک مسیر خطی و صرفاً مبتنی بر افزایش مقیاس، بلکه مسیری چندلایه است که در آن اصول سازمان‌دهنده شناخت طبیعی، از جمله پیش‌بینی، یادگیری فعال، خودتکاملی و عاملیت، باید به‌طور همزمان در طراحی معماری‌های مصنوعی لحاظ شوند، و این چارچوب تلفیقی می‌تواند به‌عنوان مبنایی برای پژوهش‌های آینده در حوزه هوش مصنوعی عمومی مورد استفاده قرار گیرد، هرچند چالش‌های قابل توجهی در زمینه ایمنی، مقیاس‌پذیری و اعتبارسنجی تجربی این چارچوب‌ها باقی می‌ماند که نیازمند پژوهش‌های بین‌رشته‌ای بیشتری است.

بحث و نتیجه‌گیری

این پژوهش با هدف ارائه یک چارچوب تلفیقی از مسیر تحولی مغز پیش‌بین به‌سوی اقتصاد خودگردان و در نهایت هوش مصنوعی عمومی انجام شد و یافته‌های آن نشان می‌دهد که اصول بنیادین پردازش پیش‌بینانه، استنتاج فعال و یادگیری فعال می‌توانند به‌عنوان هسته مرکزی یک برنامه پژوهشی منسجم برای طراحی سیستم‌های خودگردان و مسیر هوش مصنوعی عمومی مورد استفاده قرار گیرند، و این نتیجه با یافته‌های پژوهش‌های پیشین که بر نقش مدل‌های مولد و انگیزه‌های درونی در یادگیری خودگردان تأکید کرده‌اند، همسو است، و در عین حال، این پژوهش نشان می‌دهد که تلفیق این اصول با سازوکارهای خودتکاملی و خودمدل‌سازی می‌تواند به ظهور عاملیت شناختی بیانجامد که فراتر از بهینه‌سازی صرف وظیفه‌محور عمل می‌کند، و این عاملیت در قالب استعاره «اقتصاد خودگردان» مفهوم‌سازی می‌شود، اقتصادی که در آن عامل باید میان کاوش و بهره‌برداری، میان هزینه محاسباتی و سود اطلاعاتی، و میان پیش‌بینی و غافلگیری موازنه برقرار کند، و این موازنه دقیقاً همان چیزی است که در نظریه‌های تصمیم‌گیری و یادگیری تقویتی نیز به شکلی دیگر مطرح شده است، اما در چارچوب پیش‌بینانه، این موازنه نه به‌عنوان یک تکنیک حاشیه‌ای، بلکه به‌عنوان یک اصل سازمان‌دهنده در نظر گرفته می‌شود؛ از منظر نظری، این پژوهش نشان می‌دهد که مدل‌های شناختی بیزی و استنتاج فعال نه رقیب یکدیگر، بلکه مکمل یکدیگرند، و ترکیب آن‌ها می‌تواند به درکی جامع‌تر از شناخت طبیعی و مبنایی برای طراحی معماری‌های مصنوعی منجر شود، و از منظر عملی، یافته‌ها حاکی از آن است که یادگیری فعال و خودتکاملی باید به‌عنوان بخشی جدایی‌ناپذیر از طراحی سیستم‌های خودگردان در نظر گرفته شوند، زیرا نظام‌هایی که فاقد این سازوکارها هستند، در محیط‌های پویا و نامطمئن با محدودیت‌های اساسی مواجه خواهند شد؛ با این حال، این پژوهش محدودیت‌هایی نیز دارد، از جمله اینکه عمدتاً مروری و نظری است و یافته‌های آن نیازمند اعتبارسنجی تجربی است، و همچنین چالش‌های ایمنی، اخلاقی و اجتماعی مرتبط با نظام‌های خودگردان مبتنی بر این اصول به‌طور کامل مورد بررسی قرار نگرفته است، و بنابراین پیشنهاد می‌شود که پژوهش‌های آینده بر روی پیاده‌سازی عملی این چارچوب در ربات‌های واقعی، ارزیابی تجربی اثربخشی آن در وظایف پیچیده، و توسعه چارچوب‌های ایمنی و اخلاقی برای نظام‌های خودگردان متمرکز شوند؛ در نهایت، می‌توان گفت که مسیر هوش مصنوعی عمومی نه یک مسیر خطی و صرفاً مبتنی بر افزایش مقیاس، بلکه مسیری چندلایه و بین‌رشته‌ای است که در آن اصول سازمان‌دهنده شناخت طبیعی، از جمله پیش‌بینی، یادگیری فعال، خودتکاملی و عاملیت، باید به‌طور همزمان مورد توجه قرار گیرند، و این پژوهش گامی کوچک در جهت ترسیم این مسیر و ارائه چارچوبی برای پژوهش‌های آینده است.

منابع

Friston, K., Da Costa, L., Sajid, N., Heins, C., Ueltzhöffer, K., Pavliotis, G. A., & Parr, T. (2023). The free energy principle made simpler but not too simple. Physics Reports, 1024, 1-29.

Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian models of cognition: Reverse engineering the mind. MIT Press.

Grossberg, S. (2025). Neural network models of autonomous adaptive intelligence and artificial general intelligence: How our brains learn large language models and their meanings. Frontiers in Systems Neuroscience, 19, 1630151.

Kulveit, J., von Stengel, C., & Leventov, R. (2023). Predictive minds: LLMs as atypical active inference agents. Proceedings of the Socially Responsible Language Modelling Research (SoLaR) Workshop at NeurIPS 2023.

Lanillos, P., Meo, C., Pezzato, C., Meera, A. A., Baioumy, M., Ohata, W., Tschantz, A., Millidge, B., Wisse, M., Buckley, C. L., & Tani, J. (2021). Active inference in robotics and artificial agents: Survey and challenges. arXiv preprint arXiv:2112.01871.

Oudeyer, P.-Y., Kaplan, F., & Hafner, V. V. (2007). Intrinsic motivation systems for autonomous mental development. IEEE Transactions on Evolutionary Computation, 11(2), 265-286.

Taniguchi, T., Murata, S., Suzuki, M., Ognibene, D., Lanillos, P., Ugur, E., Jamone, L., Nakamura, T., Ciria, A., Lara, B., & Pezzulo, G. (2023). World models and predictive coding for cognitive and developmental robotics: Frontiers and challenges. Advanced Robotics, 37(13-14), 780-806.

Gao, H., Geng, J., Hua, W., Hu, M., Juan, X., Liu, H., Liu, S., Qiu, J., Qi, X., Ren, Q., Wu, Y., Wang, H., Xiao, H., Zhou, Y., & others. (2025). A survey of self-evolving agents: What, when, how, and where to evolve on the path to artificial super intelligence. arXiv preprint arXiv:2507.21046.

۰
۰
سید رضا علوی کیا
سید رضا علوی کیا
شاید از این پست‌ها خوشتان بیاید