ویرگول
ورودثبت نام
سید رضا علوی کیا
سید رضا علوی کیا
سید رضا علوی کیا
سید رضا علوی کیا
خواندن ۲۹ دقیقه·۱۷ روز پیش

عامل عقلانی؛ هسته‌ی مشترک هوش مصنوعی

سید رضا علوی کیا

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

ماهنامه‌ی علمی تخصصی پایا شهر، دوره‌ی نود و سوم، مهر ۱۴۰۵ — شماره‌ی مجوز ۸۰۴۰۰، ISSN 7786-2980

چکیده

هوش مصنوعی در طول چند دهه‌ی گذشته از مجموعه‌ای از برنامه‌های تخصصی و شبیه‌سازی‌های محدود ذهن انسان به رشته‌ای فراگیر تبدیل شده است که موضوع آن، طراحی سامانه‌هایی است که قادر به تصمیم‌گیری و اقدام در محیط‌های گوناگون‌اند. در این میان، پرسشی بنیادین وجود دارد: چه چیزی این حوزه‌ی گسترده و ناهمگون را به هم پیوند می‌دهد؟ این مقاله استدلال می‌کند که پاسخ را باید در مفهوم «عامل عقلانی» جست‌وجو کرد؛ یعنی موجودیتی که از طریق ادراک محیط و انجام عمل، کارایی مورد انتظار خود را با توجه به اطلاعات موجود و توان محاسباتی محدود بیشینه می‌سازد. برخلاف تعریف‌هایی که هوش را به رفتار انسان‌گونه یا اندیشه‌ی درونی گره می‌زنند، تعریف عامل عقلانی معیاری مستقل از شباهت به انسان ارائه می‌دهد و در عین حال، امکان مقایسه‌ی معماری‌های واکنشی، هدف‌محور، سودمندی‌محور و یادگیرنده را فراهم می‌آورد. مقاله نشان می‌دهد که جست‌وجو و برنامه‌ریزی، بازنمایی دانش و استدلال، تصمیم‌گیری احتمالاتی و یادگیری ماشین، همگی در چارچوب عامل عقلانی جای می‌گیرند و حتی مدل‌های بزرگ زبانی را می‌توان بر اساس توانایی آن‌ها در ایفای نقش عامل، نه فقط بر اساس روانی گفتار، ارزیابی کرد. سپس به مسئله‌ی همسویی می‌پردازد و توضیح می‌دهد که تعریف هدف و معیار کارایی، خود یک انتخاب ارزشی و نهادی است، نه امری صرفاً فنی. در پایان، دلالت‌هایی برای آموزش، مقررات‌گذاری و حکمرانی سازمانی ارائه می‌شود. ادعای محوری مقاله این است که «عامل عقلانی» نه یک تعریف حاشیه‌ای، بلکه هسته‌ی مفهومی مشترکی است که به پژوهشگران، طراحان و سیاست‌گذاران اجازه می‌دهد درباره‌ی هوش مصنوعی به زبانی مشترک سخن بگویند، بدون آنکه تنوع رویکردها و محدودیت‌های بنیادین عقلانیت را نادیده بگیرند.

واژگان کلیدی: عامل عقلانی، هوش مصنوعی، عقلانیت محدود، معماری عامل، همسویی.

مقدمه

گذار هوش مصنوعی از آرمان شبیه‌سازی ذهن انسان به مهندسی سامانه‌هایی که در محیط واقعی تصمیم می‌گیرند و عمل می‌کنند، یکی از عمیق‌ترین تغییرهای معرفت‌شناختی این رشته در نیم قرن گذشته است. در دهه‌های نخست، پرسش کانونی این بود که چگونه می‌توان فرایندهای ذهنی انسان را با برنامه‌های رایانه‌ای بازتولید کرد؛ آزمون تورینگ به عنوان معیاری رفتاری برای هوش انسان‌گونه مطرح شد و مدل‌سازی شناختی، به ویژه در سنت روان‌شناسی پردازش اطلاعات، به دنبال آن بود که معماری درونی ذهن را در قالب نمادها و قواعد بازسازی کند. با این حال، هر دو جریان با دشواری‌های بنیادین روبه‌رو شدند: آزمون تورینگ رفتار را می‌سنجد اما درباره‌ی سازوکار درونی چیزی نمی‌گوید، و مدل‌سازی شناختی دقیق، به پیچیدگی‌هایی می‌رسد که تعمیم آن را به حوزه‌های کاربردی دشوار می‌کند.

در برابر این دشواری‌ها، جریانی شکل گرفت که معیار ارزیابی را از «شباهت به انسان» به «کیفیت تصمیم در محیط» منتقل کرد؛ در این نگاه، پرسش اصلی این نیست که ماشین آیا مانند انسان می‌اندیشد، بلکه این است که آیا به عنوان یک عامل، در محیطی معین، کارایی مورد انتظار را بیشینه می‌سازد یا نه. این چرخش، که به طور نظام‌مند در سنت عامل عقلانی صورت‌بندی شد، توانست حوزه‌های پراکنده‌ی هوش مصنوعی را زیر یک چتر مفهومی گرد آورد؛ از جست‌وجو و برنامه‌ریزی تا بازنمایی دانش، استدلال منطقی، تصمیم‌گیری احتمالاتی و یادگیری ماشین. راسل و نورویگ در کتاب مرجع خود، هوش مصنوعی را دقیقاً از همین منظر، یعنی طراحی عامل‌های عقلانی، سازمان داده‌اند و این سازمان‌دهی را مبنای پوشش دادن به کل رشته قرار داده‌اند؛ در معرفی فارسی این اثر نیز چهار رویکرد اصلی تعریف هوش مصنوعی، یعنی عمل انسان‌گونه (آزمون تورینگ)، تفکر انسان‌گونه (مدل‌سازی شناختی)، تفکر عقلانی (قوانین تفکر) و عمل عقلانی (عامل عقلانی) از یکدیگر تفکیک شده و بر محوریت رویکرد چهارم در سازمان‌دهی مباحث تأکید شده است (حسن‌زاده، ۱۳۸۵).

در سنت پژوهشی فارسی نیز این چارچوب مورد توجه قرار گرفته و کوشش شده است تا عامل عقلانی به عنوان واحد تحلیل بنیادین معرفی شود؛ برای نمونه، در تحلیلی از تعریف‌های هوش مصنوعی، رویکرد رفتار عقلانی به عنوان «مقبول‌ترین تعریف» معرفی شده است، زیرا علاوه بر استفاده از استاندارد منطقی ـ عقلانی، بر مؤلفه‌ی عینی و سوم‌شخص رفتار تمرکز دارد نه بر مؤلفه‌ی ذهنی و اول‌شخص تفکر، و همین ویژگی آن را برای مهندسی سامانه‌های قابل ارزیابی مناسب‌تر می‌سازد (تجربیات اولیه بود، بی‌تا). هم‌زمان، نقدهای معرفت‌شناختی و تجربی به الگوی عقلانیت نامحدود، به ویژه از سوی سنت عقلانیت محدود، این چارچوب را از یک آرمان انتزاعی به یک برنامه‌ی پژوهشی واقع‌گرایانه‌تر تبدیل کرده است؛ عقلانیت محدود نشان می‌دهد که عامل واقعی نه با اطلاعات کامل و توان محاسباتی بی‌نهایت، بلکه با محدودیت‌های شناختی و زمانی روبه‌روست و بنابراین معیار «بهینگی مطلق» باید جای خود را به «بهینگی مورد انتظار تحت محدودیت» بدهد (سایمون، ۱۳۹۸).

ظهور مدل‌های بزرگ زبانی در سال‌های اخیر، این پرسش را با فوریت تازه‌ای مطرح کرده است: آیا مدل‌هایی که بر پایه‌ی پیش‌بینی واحدهای زبانی آموزش دیده‌اند، می‌توانند در نقش عامل عقلانی ظاهر شوند و اگر آری، معیارهای ارزیابی آن‌ها چگونه باید تغییر کند؟ پژوهش‌های مروری اخیر نشان می‌دهند که مسئله‌ی محوری، گذار از «پاسخ‌دهی منفعل» به «تصمیم‌گیری فعال» و از «هوش مصنوعی مبتنی بر پاسخ» به «هوش مصنوعی کنشگر» است؛ در این گذار، مدل زبانی به تنهایی بیشتر شبیه «مغزی بسیار دانا اما منزوی» است که بدون سازوکارهای ادراک، حافظه، برنامه‌ریزی و اقدام، نمی‌تواند به عامل عقلانی تبدیل شود (هوانگ و شی، ۱۴۰۳). در سطح معماری نیز مرورهای نظام‌مند بر ظهور سامانه‌های مبتنی بر عامل‌های هوشمند تأکید می‌کنند و نشان می‌دهند که ترکیب مدل‌های مولد با توان برنامه‌ریزی، استدلال و تعامل، چارچوبی چندعاملی پدید آورده است که در آن، معیار موفقیت نه روانی پاسخ، بلکه کیفیت تصمیم و اقدام در محیط است (ارائه‌ی یک معماری مرجع، ۱۴۰۵).

مقاله‌ی حاضر بر همین ایده بنا شده است که عامل عقلانی، هسته‌ی مشترکی است که نه فقط توصیفی از حوزه، بلکه معیاری برای ارزیابی نظریه‌ها، معماری‌ها و سیاست‌ها فراهم می‌کند. ساختار مقاله به این ترتیب است: نخست چهار تعریف رقیب هوش مقایسه می‌شود و توضیح داده می‌شود که چرا تعریف عامل عقلانی به هسته‌ی مشترک تبدیل شد؛ سپس معیار کارایی و نسبت آن با عقلانیت محدود بررسی می‌شود؛ آنگاه معماری‌های عامل و انواع محیط، ابزارهای تصمیم‌گیری و جایگاه یادگیری ماشین و مدل‌های بزرگ در چارچوب عامل عقلانی تحلیل می‌شود؛ در ادامه، مسئله‌ی همسویی و تعیین هدف مورد بحث قرار می‌گیرد؛ و در پایان، دلالت‌های سیاست‌گذاری در حوزه‌های آموزش، مقررات و حکمرانی سازمانی ارائه می‌شود.

بیان مسئله

مسئله‌ای که این پژوهش به آن می‌پردازد، از یک تنش درونی در حوزه‌ی هوش مصنوعی برمی‌خیزد: از یک سو، این حوزه در ظاهر مجموعه‌ای از خرده‌رشته‌های نسبتاً مستقل است که هر یک زبان، روش و معیار ارزیابی خاص خود را دارد؛ بینایی ماشین با دقت طبقه‌بندی سنجیده می‌شود، پردازش زبان طبیعی با روانی و درستی متن، برنامه‌ریزی با طول مسیر یا زمان اجرا، و یادگیری تقویتی با بازده تجمعی در محیط‌های شبیه‌سازی‌شده. از سوی دیگر، همین خرده‌رشته‌ها به طور فزاینده‌ای در سامانه‌های یکپارچه‌ای به کار گرفته می‌شوند که باید در جهان واقعی، با اطلاعات ناقص، زمان محدود و پیامدهای عملی تصمیم بگیرند. این شکاف میان معیارهای جزئی و نیاز به یک معیار فراگیر، پرسش از «هسته‌ی مشترک» را ضروری می‌سازد. اگر چنین هسته‌ای وجود نداشته باشد، هرگونه داوری درباره‌ی اینکه یک سامانه‌ی هوشمند «بهتر» یا «عقلانی‌تر» از دیگری است، به مجموعه‌ای از مقایسه‌های ناهمجنس فرو می‌کاهد و امکان گفت‌وگوی بین‌رشته‌ای و سیاست‌گذاری منسجم را تضعیف می‌کند.

از سوی دیگر، اتخاذ یک هسته‌ی مفهومی، خود خطر تقلیل‌گرایی را در پی دارد: اگر همه‌چیز را به «عامل عقلانی» فرو بکاهیم، ممکن است وجوه اجتماعی، عاطفی، اخلاقی و جسمانی‌شده‌ی هوش نادیده گرفته شود. بنابراین مسئله‌ی پژوهش، نه صرفاً معرفی یک تعریف، بلکه تحلیل شرایطی است که تحت آن، تعریف عامل عقلانی می‌تواند به عنوان هسته‌ی مشترک عمل کند، بدون آنکه تنوع رویکردها را سرکوب یا محدودیت‌های بنیادین عقلانیت را پنهان سازد.

مسئله‌ی دوم، نسبت میان «عقلانیت» و «کارایی مورد انتظار» است. در بسیاری از روایت‌های رایج، عامل عقلانی به عاملی تعریف می‌شود که کارایی مورد انتظار خود را بیشینه می‌سازد؛ اما این تعریف به ظاهر ساده، پرسش‌های عمیقی را برمی‌انگیزد: کارایی برای چه کسی و با چه معیاری؟ آیا معیار کارایی از پیش داده شده است یا خود محصول انتخاب‌های ارزشی و نهادی است؟ و اگر عامل در محیطی با عدم قطعیت رادیکال و ارزش‌های متعارض قرار گیرد، آیا «بیشینه‌سازی کارایی مورد انتظار» هنوز معنای روشنی دارد؟ این پرسش‌ها نشان می‌دهند که مسئله‌ی عامل عقلانی، صرفاً یک مسئله‌ی فنی در طراحی الگوریتم نیست، بلکه به حوزه‌ی فلسفه‌ی عقلانیت، نظریه‌ی تصمیم و اخلاق فناوری گره خورده است.

مسئله‌ی سوم، به شکاف میان نظریه و عمل در قبال مدل‌های بزرگ زبانی مربوط می‌شود. این مدل‌ها در آزمون‌های زبانی و دانش عمومی عملکرد چشمگیری دارند، اما وقتی در قالب عامل‌هایی برای برنامه‌ریزی بلندمدت، استفاده از ابزار، تعامل با محیط‌های پویا و همکاری با عامل‌های دیگر قرار می‌گیرند، کاستی‌هایی آشکار می‌شود. پرسش این است که آیا چارچوب عامل عقلانی می‌تواند این کاستی‌ها را نه به عنوان نقص‌های پراکنده، بلکه به عنوان فاصله‌ی میان «توانایی زبانی» و «توانایی عاملی» صورت‌بندی کند و معیارهای مکمل برای ارزیابی ارائه دهد.

مسئله‌ی چهارم، به بعد نهادی و سیاست‌گذارانه مربوط است: اگر عامل عقلانی هسته‌ی مشترک باشد، نظام‌های آموزشی، مقرراتی و حکمرانی باید بر چه مبنایی طراحی شوند تا هم نوآوری را تشویق کنند و هم پاسخ‌گویی و ایمنی را تضمین نمایند. نبود یک زبان مشترک، ارزیابی مقرراتی را به مجموعه‌ای از الزامات موردی و ناهماهنگ فرو می‌کاهد.

در نهایت، مسئله‌ی پژوهش را می‌توان چنین صورت‌بندی کرد: چگونه می‌توان عامل عقلانی را به عنوان هسته‌ی مفهومی مشترک هوش مصنوعی تثبیت کرد، به گونه‌ای که هم انسجام نظری ایجاد کند و هم ظرفیت نقد، تنوع و پاسخ‌گویی را حفظ نماید؟ و چه دلالت‌هایی برای ارزیابی مدل‌های کنونی، به ویژه مدل‌های بزرگ زبانی، و برای سیاست‌گذاری دارد؟

اهمیت و ضرورت پژوهش

اهمیت این پژوهش را می‌توان در چند سطح به هم پیوسته توضیح داد. در سطح نظری، هوش مصنوعی به عنوان یک رشته، همواره با خطر «تکه‌تکه شدن» روبه‌رو بوده است: پژوهشگران بینایی ماشین، پردازش زبان، برنامه‌ریزی و یادگیری، هر یک جامعه‌ی علمی نسبتاً مستقلی با کنفرانس‌ها، مجلات و معیارهای داوری خاص خود دارند. این تنوع، نشانه‌ی سرزندگی رشته است، اما بدون یک هسته‌ی مفهومی مشترک، گفت‌وگوی ثمربخش میان این جوامع دشوار می‌شود و دستاوردهای یک حوزه به سختی به حوزه‌ی دیگر منتقل می‌گردد. عامل عقلانی، به دلیل انتزاع مناسب خود، می‌تواند به عنوان زبان میانجی عمل کند: جست‌وجو را می‌توان به عنوان تصمیم در فضای حالت‌ها دید، بازنمایی دانش را به عنوان شکل‌دهی به باورهای عامل، تصمیم احتمالاتی را به عنوان مدیریت عدم قطعیت در انتخاب عمل، و یادگیری را به عنوان سازوکاری برای بهبود کارایی عامل در طول زمان. بدون چنین چارچوبی، هر یک از این حوزه‌ها تمایل دارد معیارهای خود را مطلق کند و امکان مقایسه‌ی بنیادین از دست می‌رود.

در سطح آموزشی، اهمیت مسئله حتی بیشتر است. برنامه‌های درسی هوش مصنوعی در سراسر جهان، از دوره‌های مقدماتی تا سطوح پیشرفته، با پرسش «از کجا شروع کنیم و چه چیزی را محور قرار دهیم» روبه‌رو هستند. سازمان‌دهی آموزش حول عامل عقلانی، مزیت روشنی دارد: دانشجو ابتدا یاد می‌گیرد که مسئله را به صورت محیط، ادراک، عمل و معیار کارایی صورت‌بندی کند و سپس ابزارهای مختلف را به عنوان پاسخ‌هایی به انواع مختلف این صورت‌بندی فرا بگیرد. این رویکرد، به جای انباشت مجموعه‌ای از الگوریتم‌های پراکنده، یک نقشه‌ی ذهنی منسجم ایجاد می‌کند.

در سطح پژوهشی، چارچوب عامل عقلانی امکان نقد منظم را نیز فراهم می‌آورد. وقتی یک مدل جدید معرفی می‌شود، پرسش‌های روشنی قابل طرح است: این مدل چه نوع عاملی است؟ در چه نوع محیطی عمل می‌کند؟ معیار کارایی آن چیست و این معیار چگونه تعریف شده است؟ محدودیت‌های محاسباتی و اطلاعاتی آن کدام‌اند؟ این پرسش‌ها از پذیرش بی‌قید و شرط معیارهای تبلیغاتی جلوگیری می‌کنند.

در سطح کاربردی و صنعتی، زبان مشترک عامل عقلانی به تیم‌های چندرشته‌ای کمک می‌کند تا درباره‌ی الزامات یک سامانه به توافق برسند؛ متخصص یادگیری ماشین، مهندس نرم‌افزار، متخصص اخلاق و مدیر محصول می‌توانند درباره‌ی «محیط»، «ادراک»، «عمل» و «معیار موفقیت» گفت‌وگو کنند، بدون آنکه هر یک به واژگان تخصصی خود محدود بماند.

در سطح سیاست‌گذاری، اهمیت مسئله از آنجا ناشی می‌شود که مقررات‌گذاری مؤثر نیازمند معیارهای ارزیابی شفاف است. اگر نهادهای نظارتی نتوانند به زبانی مشترک درباره‌ی «کارایی»، «قابلیت اتکا» و «پاسخ‌گویی» توافق کنند، مقررات به مجموعه‌ای از الزامات مبهم یا بیش از حد موردی تبدیل می‌شوند. عامل عقلانی، با تأکید بر نسبت میان هدف، محیط و عمل، می‌تواند مبنایی برای طراحی شاخص‌های مقرراتی فراهم کند که هم قابل اندازه‌گیری باشند و هم نسبت به زمینه حساس بمانند.

در سطح فلسفی و اخلاقی، ضرورت پژوهش در این است که تعریف عامل عقلانی، برخلاف تعریف‌های انسان‌محور، به طور بالقوه می‌تواند الگوی تصمیم‌گیری را از انسان جدا کند و در نتیجه پرسش از «هدف درست» را به طور جدی مطرح سازد. این پرسش، هسته‌ی مسئله‌ی همسویی است و بدون چارچوبی که عامل را به عنوان موجودی با ادراک، بازنمایی، انتخاب عمل و معیار کارایی تعریف کند، صورت‌بندی دقیق آن ممکن نیست.

سرانجام، با توجه به رقابت جهانی در حوزه‌ی مدل‌های بزرگ و ظهور بازیگران متعدد در آمریکا، چین و سایر مناطق، اهمیت مقایسه‌ی تحلیلی بر اساس معیار عامل عقلانی دوچندان می‌شود: پرسش این نیست که کدام کشور «جلوتر» است، بلکه این است که کدام سامانه، برای کدام هدف، با چه هزینه و چه سطحی از قابلیت اتکا، عامل عقلانی‌تری محسوب می‌شود.

سؤالات پژوهش

۱. تعریف عامل عقلانی چگونه در برابر سه تعریف رقیب هوش (انسان‌گونه اندیشیدن، انسان‌گونه رفتار کردن، عقلانی اندیشیدن) قرار می‌گیرد و چه مزیتی آن را به هسته‌ی مشترک رشته تبدیل کرده است؟

۲. معیار «بیشینه‌سازی کارایی مورد انتظار» چه نسبتی با محدودیت‌های محاسباتی و مفهوم عقلانیت محدود دارد، و آیا می‌توان آن را بدون فروکاستن به بهینگی مطلق صورت‌بندی کرد؟

۳. معماری‌های مختلف عامل (واکنشی، هدف‌محور، سودمندی‌محور، یادگیرنده) چه عناصری به عامل اضافه می‌کنند و انتخاب هر معماری چه پیامدهایی برای نوع محیط و نوع تصمیم دارد؟

۴. مدل‌های بزرگ زبانی در چارچوب عامل عقلانی چگونه ارزیابی می‌شوند، و مقایسه‌ی جریان‌های آمریکایی و چینی بر اساس این چارچوب چه دلالت‌هایی برای شفافیت، هزینه و قابلیت اتکا دارد؟

۵. مسئله‌ی همسویی، یعنی تعیین هدف و معیار کارایی، چه چالش‌های ارزشی، فرهنگی و نهادی ایجاد می‌کند و چه دلالت‌هایی برای آموزش، مقررات و حکمرانی سازمانی دارد؟

اهداف پژوهش

هدف کلی: تبیین و تحلیل عامل عقلانی به عنوان هسته‌ی مفهومی مشترک هوش مصنوعی و استخراج دلالت‌های آن برای ارزیابی نظری، طراحی معماری، یادگیری ماشین، همسویی و سیاست‌گذاری.

اهداف جزئی:

۱. مقایسه‌ی چهار تعریف هوش و نشان دادن مزیت تحلیلی تعریف عامل عقلانی در ایجاد انسجام نظری.

۲. تحلیل نسبت میان کارایی مورد انتظار، عقلانیت محدود و شرایط عدم قطعیت در تصمیم‌گیری عامل.

۳. بررسی انواع محیط و معماری عامل و نسبت آن‌ها با ابزارهای تصمیم‌گیری (جست‌وجو، بازنمایی دانش، تصمیم احتمالاتی).

۴. ارزیابی جایگاه یادگیری ماشین و مدل‌های بزرگ در چارچوب عامل عقلانی و مقایسه‌ی تحلیلی مدل‌های پیشرو.

۵. صورت‌بندی دلالت‌های مسئله‌ی همسویی برای طراحی نهادی، آموزش و مقررات‌گذاری بر پایه‌ی معیار کارایی و پاسخ‌گویی.

مبانی نظری پژوهش

چارچوب نظری این پژوهش بر ترکیبی از سه سنت بنا شده است که هر یک وجهی از مسئله‌ی عامل عقلانی را روشن می‌کند.

سنت نخست، سنت عامل عقلانی در هوش مصنوعی است که در آن عامل به عنوان موجودیتی تعریف می‌شود که از طریق حسگرها محیط را ادراک می‌کند و از طریق عملگرها در آن اثر می‌گذارد؛ عقلانیت، در این سنت، به معنای انتخاب عملی است که با توجه به شواهد ادراکی و دانش پیشین عامل، کارایی مورد انتظار را بیشینه سازد. این تعریف، که در کتاب مرجع راسل و نورویگ صورت‌بندی نظام‌مندی یافته است، چهار مؤلفه‌ی اساسی دارد: معیار کارایی، دانش پیشین عامل درباره‌ی محیط، مجموعه‌ی اقدامات ممکن، و شواهد ادراکی لحظه‌ای. نکته‌ی مهم این است که عقلانیت در این معنا با «کمال» یکی نیست؛ عامل عقلانی لزوماً همه‌ی اطلاعات جهان را ندارد و لزوماً بهترین عمل ممکن را از منظر یک ناظر نامحدود انتخاب نمی‌کند، بلکه با توجه به اطلاعات و توان خود، بهترین عمل مورد انتظار را برمی‌گزیند.

سنت دوم، سنت عقلانیت محدود است که با نام هربرت سایمون گره خورده است. سایمون نشان داد که عامل انسانی و به تبع آن هر عامل واقعی، با محدودیت‌های اطلاعاتی، زمانی و محاسباتی روبه‌روست و بنابراین به جای «بیشینه‌سازی» به دنبال «رضایت‌بخشی» می‌رود؛ یعنی به سطحی از کفایت بسنده می‌کند که نیاز عملی را برآورده سازد. این نقد، تعریف عامل عقلانی را از یک آرمان انتزاعی به یک برنامه‌ی پژوهشی واقع‌گرایانه تبدیل می‌کند: عقلانیت مورد انتظار، نه عقلانیت مطلق، معیار است.

سنت سوم، سنت عاملیت مبتنی بر باور، خواست و قصد است که در قالب مدل‌های شناخته‌شده‌ی ذهنی صورت‌بندی شده است. در این سنت، عامل نه فقط بر اساس یک تابع سودمندی ساده، بلکه بر اساس ساختارهای ذهنی پیچیده‌تری مانند باورها درباره‌ی جهان، خواست‌ها درباره‌ی وضعیت‌های مطلوب، و قصدها درباره‌ی اقداماتی که عامل خود را به انجام آن‌ها متعهد می‌کند، توصیف می‌شود. مدل باور ـ خواست ـ قصد، که ریشه در فلسفه‌ی عمل دارد، به ویژه برای تحلیل عامل‌هایی که در محیط‌های اجتماعی و سازمانی عمل می‌کنند، توان تبیینی بیشتری فراهم می‌کند؛ زیرا می‌تواند نشان دهد چگونه عامل میان چند گزینه‌ی متعارض، بر اساس ساختار باورها و تعهدهای خود، دست به انتخاب می‌زند. در متون فارسی نیز این سنت مورد توجه قرار گرفته و کوشش شده است تا ویژگی‌های معرفتی باور و نسبت آن با هدف و قصد در عامل‌های محاسباتی تحلیل شود.

ترکیب این سه سنت، چارچوبی به دست می‌دهد که نه صرفاً به بهینگی ریاضی وفادار است و نه در نسبی‌گرایی محدودیت‌ها گرفتار می‌شود: عامل عقلانی، موجودی است با ادراک، بازنمایی، انتخاب و تعهد، که در محیطی با عدم قطعیت عمل می‌کند و معیار موفقیت او نه شباهت به انسان، بلکه کیفیت تصمیم او در آن محیط است. این چارچوب همچنین امکان می‌دهد که یادگیری، نه به عنوان یک حوزه‌ی جداگانه، بلکه به عنوان فرایندی درک شود که عامل را قادر می‌سازد تا الگوی ادراک ـ عمل خود را بر اساس تجربه بهبود دهد و در نتیجه، در طول زمان عقلانی‌تر عمل کند.

پیشینه پژوهش

پیشینه‌ی پژوهش در زبان فارسی و در سطح بین‌المللی، سه خط اصلی را نشان می‌دهد.

خط نخست، آثار آموزشی و مرجعی هستند که هوش مصنوعی را بر اساس مفهوم عامل سازمان داده‌اند. در سطح بین‌المللی، کتاب راسل و نورویگ سنگ‌بنای این رویکرد است و ترجمه‌های فارسی متعدد آن، از جمله ترجمه‌ای که در آن به صراحت بر «عامل عقلانی» به عنوان محور سازمان‌دهی تأکید شده است، این چارچوب را به خوانندگان فارسی‌زبان معرفی کرده است. در سطح داخلی نیز آثاری وجود دارد که به ساختار و کارکرد عامل‌ها پرداخته‌اند و مباحثی مانند عناصر روانی عامل و ویژگی‌های عامل عقلانی را در کنار مباحث فنی‌تر قرار داده‌اند.

خط دوم، پژوهش‌های مروری و تحلیلی درباره‌ی نسل جدید عامل‌ها، به ویژه عامل‌های مبتنی بر مدل‌های بزرگ زبانی است. یک مرور نظام‌مند که در یکی از نشریات معتبر علوم اطلاعات چین منتشر شده است، با تحلیل صدها اثر، مسیر تحول عامل‌ها را از سامانه‌های نمادین قاعده‌محور به روش‌های داده‌محور و سپس به مدل‌های بزرگ زبانی ترسیم می‌کند و چارچوبی سه‌بخشی شامل مغز، ادراک و عمل برای طراحی عامل ارائه می‌دهد. مروری دیگر در یک نشریه‌ی فارسی‌زبان حوزه‌ی کاربرد رایانه، ضمن تأکید بر گذار از پاسخ‌دهی منفعل به تصمیم‌گیری فعال، چارچوب‌های مختلف عامل مبتنی بر مدل زبانی را مقایسه کرده و بر نیاز به حکمرانی لایه‌ای تأکید کرده است.

خط سوم، پژوهش‌هایی است که به طور خاص بر نسبت میان عقلانیت محدود، تصمیم‌گیری و فناوری‌های هوشمند متمرکز شده‌اند. در این آثار، این پرسش مطرح می‌شود که آیا فناوری‌های جدید می‌توانند محدودیت‌های عقلانیت انسانی را جبران کنند یا خود محدودیت‌های تازه‌ای ایجاد می‌کنند؛ نتیجه‌گیری غالب این است که حتی با وجود توان محاسباتی بالا، عامل همچنان با انتخاب میان گزینه‌های ناشناخته و ارزش‌های متعارض روبه‌روست و بنابراین عقلانیت محدود، نه یک نقص موقت، بلکه یک ویژگی ساختاری تصمیم‌گیری است.

در کنار این سه خط، ادبیات مربوط به همسویی و ارزش‌گذاری نیز رشد چشمگیری داشته است؛ این ادبیات نشان می‌دهد که تعیین هدف و معیار کارایی، صرفاً یک تصمیم فنی نیست و به انتخاب‌های ارزشی، فرهنگی و نهادی گره خورده است. آنچه در این پیشینه کمتر دیده می‌شود، کوششی نظام‌مند برای پیوند دادن این خطوط در یک چارچوب واحد است: پژوهش حاضر می‌کوشد نشان دهد که عامل عقلانی، به شرط صورت‌بندی دقیق و پذیرش نقد عقلانیت محدود، می‌تواند همین نقش پیونددهنده را ایفا کند و از این طریق، هم ارزیابی مدل‌های جدید را ممکن سازد و هم دلالت‌های سیاست‌گذارانه‌ی منسجم‌تری تولید کند.

روش پژوهش

روش این پژوهش، تحلیلی ـ مفهومی و تطبیقی است و بر بازخوانی نظام‌مند متون مرجع، مرورهای پژوهشی و آثار تحلیلی در حوزه‌ی عامل عقلانی، عقلانیت محدود، معماری عامل، یادگیری ماشین و همسویی استوار است. واحد تحلیل، «مفهوم عامل عقلانی» و نحوه‌ی صورت‌بندی آن در منابع مختلف است. گردآوری داده‌ها از طریق جست‌وجوی هدفمند در پایگاه‌های علمی و کتاب‌های مرجع انجام شده و معیار انتخاب منابع، ارتباط مستقیم با یکی از مؤلفه‌های چارچوب نظری (تعریف عامل، معیار کارایی، محیط، معماری، ابزارهای تصمیم، یادگیری، همسویی) بوده است.

در مرحله‌ی نخست، چهار تعریف رقیب هوش استخراج و مقایسه شده‌اند و نقاط قوت و ضعف هر یک در ایجاد انسجام نظری و قابلیت کاربرد عملی ارزیابی شده است. در مرحله‌ی دوم، نسبت میان معیار کارایی مورد انتظار و محدودیت‌های محاسباتی با استفاده از مفاهیم عقلانیت محدود تحلیل شده است. در مرحله‌ی سوم، معماری‌های عامل و انواع محیط بر اساس مؤلفه‌هایی مانند مشاهده‌پذیری، قطعیت، پویایی و چندعاملی دسته‌بندی شده و نسبت هر معماری با نوع تصمیم توضیح داده شده است. در مرحله‌ی چهارم، ابزارهای تصمیم‌گیری (جست‌وجو، بازنمایی دانش، تصمیم احتمالاتی) به عنوان تحقق‌های مشخص عامل عقلانی در موقعیت‌های مختلف تحلیل شده‌اند. در مرحله‌ی پنجم، جایگاه یادگیری ماشین و مدل‌های بزرگ زبانی در چارچوب عامل عقلانی بررسی شده و مقایسه‌ای تحلیلی میان مدل‌های پیشرو، با تأکید بر ابعاد عملکرد، باز بودن معماری، هزینه و قابلیت اتکا، صورت گرفته است. در مرحله‌ی ششم، دلالت‌های مسئله‌ی همسویی برای طراحی نهادی و سیاست‌گذاری استخراج شده است.

روش تحلیل، مبتنی بر استدلال مفهومی و مقایسه‌ی نظام‌مند است و از فرمول‌بندی ریاضی استفاده نمی‌کند؛ هدف، روشن‌سازی نسبت‌های منطقی و نهادی میان مفاهیم است، نه آزمون تجربی فرضیه‌ها. محدودیت اصلی روش، اتکای آن به متون منتشرشده و در دسترس است؛ با این حال، تنوع منابع (کتاب مرجع، مرور نظام‌مند، مقاله‌ی تحلیلی و اثر فلسفی) امکان اعتبارسنجی متقابل یافته‌ها را فراهم می‌کند.

یافته‌های پژوهش

یافته‌ی نخست. تحلیل منابع نشان می‌دهد که تعریف عامل عقلانی، در مقایسه با سه تعریف رقیب، مزیت ساختاری روشنی برای ایفای نقش هسته‌ی مشترک دارد. تعریف هوش بر مبنای «انسان‌گونه اندیشیدن» به سازوکارهای درونی ذهن متوسل می‌شود و بنابراین ارزیابی آن به درجه‌ی بالایی از شناخت فرایندهای شناختی انسان وابسته است؛ چنین شناختی، حتی در روان‌شناسی و علوم اعصاب، کامل نیست و تعمیم آن به ماشین، معیار را به یک آرمان دست‌نیافتنی یا مبهم تبدیل می‌کند. تعریف بر مبنای «انسان‌گونه رفتار کردن»، که نمود کلاسیک آن آزمون تورینگ است، از نظر عملیاتی جذاب است، اما رفتار را بدون توجه به سازوکار تولید آن می‌سنجد و بنابراین نمی‌تواند میان یک تقلید سطحی و یک توانایی واقعی تمایز قائل شود. تعریف بر مبنای «عقلانی اندیشیدن» به قواعد استدلال و منطق متوسل می‌شود و برای برخی حوزه‌های نمادین بسیار کارآمد است، اما در محیط‌های دارای عدم قطعیت، اطلاعات ناقص و ارزش‌های متعارض، با دشواری‌های جدی روبه‌رو می‌شود. در برابر این سه، تعریف عامل عقلانی این مزیت را دارد که معیار را از «شباهت به انسان» جدا می‌کند و بر نسبت میان ادراک، عمل و معیار کارایی متمرکز می‌شود؛ به همین دلیل، می‌تواند حوزه‌های پراکنده‌ی هوش مصنوعی را زیر یک چتر مفهومی گرد آورد، بدون آنکه هیچ حوزه‌ای را به عنوان «هوش اصیل» و بقیه را به عنوان «فناوری‌های کمکی» کنار بگذارد. این یافته با سازمان‌دهی کتاب مرجع راسل و نورویگ بر اساس عامل عقلانی و با تأکید آثار فارسی بر محوریت این مفهوم در ساختار آموزشی هم‌خوان است.

یافته‌ی دوم این است که معیار «بیشینه‌سازی کارایی مورد انتظار» تنها در صورتی می‌تواند به عنوان معیار مشترک عمل کند که به طور صریح به محدودیت‌های عامل مقید شود. تحلیل مفهوم عقلانیت محدود نشان می‌دهد که عامل واقعی نه با اطلاعات کامل و توان محاسباتی نامحدود، بلکه با محدودیت‌های زمانی، شناختی و اطلاعاتی روبه‌روست؛ بنابراین معیار کارایی باید «کارایی مورد انتظار تحت محدودیت» باشد، نه «بهینگی مطلق از منظر ناظر نامحدود». این قید، تعریف را از یک آرمان انتزاعی به یک استاندارد ارزیابی واقع‌گرایانه تبدیل می‌کند و توضیح می‌دهد چرا عامل عقلانی می‌تواند در محیط‌های واقعی، که همواره با عدم قطعیت و کمبود اطلاعات همراه‌اند، معنادار باقی بماند.

یافته‌ی سوم به معماری‌های عامل و نسبت آن‌ها با محیط مربوط می‌شود. عامل واکنشی، که تنها بر اساس ادراک لحظه‌ای و قواعد ساده عمل می‌کند، در محیط‌های قابل مشاهده‌ی کامل و ایستا کارآمد است، اما در محیط‌های پویا و ناقص، به سرعت به بن‌بست می‌رسد. عامل هدف‌محور با افزودن بازنمایی وضعیت‌های آینده و توان برنامه‌ریزی، دامنه‌ی عمل خود را گسترش می‌دهد و می‌تواند مسیرهایی را دنبال کند که به هدف معینی می‌رسند. عامل سودمندی‌محور با جایگزین کردن «هدف» با «تابع سودمندی»، امکان انتخاب میان اهداف متعارض و سنجش درجه‌ی مطلوبیت هر نتیجه را فراهم می‌کند؛ این معماری برای محیط‌هایی مناسب است که در آن‌ها چند معیار موفقیت هم‌زمان وجود دارد. عامل یادگیرنده، با افزودن توان تغییر در دانش و قواعد خود بر اساس تجربه، می‌تواند در محیط‌های ناشناخته یا متغیر، کارایی خود را در طول زمان بهبود دهد. هر یک از این معماری‌ها، عنصری به عامل اضافه می‌کند و در عین حال، هزینه‌ای تحمیل می‌کند: پیچیدگی محاسباتی، نیاز به داده یا نیاز به مدل دقیق‌تر از محیط. بنابراین، انتخاب معماری، نه یک انتخاب صرفاً فنی، بلکه انتخاب نسبت میان نوع محیط و نوع معیار کارایی است.

یافته‌ی چهارم نشان می‌دهد که ابزارهای تصمیم‌گیری، تحقق‌های مشخص همان چارچوب عامل عقلانی در موقعیت‌های مختلف‌اند. جست‌وجو و برنامه‌ریزی، تصمیم را در فضای حالت‌ها صورت‌بندی می‌کنند: عامل، وضعیت کنونی و وضعیت‌های هدف را بازنمایی می‌کند و با کاوش در فضای اقدامات ممکن، مسیری را برمی‌گزیند که به هدف برسد یا هزینه‌ی کمتری داشته باشد. بازنمایی دانش و استدلال منطقی، تصمیم را بر پایه‌ی دانش صریح درباره‌ی جهان ممکن می‌سازد؛ در این حالت، عامل باورهای خود را در قالب گزاره‌ها یا ساختارهای دانشی نگه می‌دارد و با قواعد استدلال، نتایج ضمنی را استخراج می‌کند. تصمیم‌گیری احتمالاتی، به ویژه در قالب شبکه‌های باوری و نظریه‌ی سودمندی، عدم قطعیت را به طور صریح وارد محاسبه می‌کند: عامل به جای باور قطعی، توزیع احتمال روی وضعیت‌های ممکن را نگه می‌دارد و با ترکیب آن با مطلوبیت نتایج، اقدام بهینه‌ی مورد انتظار را برمی‌گزیند. این سه ابزار، به ترتیب، پاسخ به سه نوع محیط‌اند: محیط‌های قطعی و قابل جست‌وجو، محیط‌های دارای دانش صریح و قواعد، و محیط‌های دارای عدم قطعیت و اطلاعات ناقص. در همه‌ی این موارد، معیار مشترک، همان بیشینه‌سازی کارایی مورد انتظار تحت محدودیت است.

یافته‌ی پنجم به یادگیری ماشین و مدل‌های بزرگ زبانی مربوط می‌شود. یادگیری، در چارچوب عامل عقلانی، راهی است برای ساختن یا بهبود عامل در موقعیتی که طراح نمی‌تواند همه‌ی قواعد و دانش لازم را از پیش در اختیار عامل قرار دهد. یادگیری نظارت‌شده، الگوی ادراک ـ عمل را از داده‌های برچسب‌دار استخراج می‌کند؛ یادگیری بدون نظارت، ساختارهای پنهان در داده‌ها را کشف می‌کند؛ و یادگیری تقویتی، عامل را از طریق تعامل با محیط و دریافت بازخورد، به سمت سیاست‌های بهتر هدایت می‌کند. یادگیری عمیق و مدل‌های بزرگ، این توانایی‌ها را به مقیاس بسیار بزرگ‌تری گسترش داده‌اند و امکان استفاده از آن‌ها را در نقش «مغز» عامل فراهم کرده‌اند.

با این حال، ارزیابی این مدل‌ها در چارچوب عامل عقلانی نشان می‌دهد که توانایی زبانی بالا با توانایی عاملی بالا یکی نیست. مدل‌های بزرگ در وظایف کوتاه و ساخت‌یافته عملکرد چشمگیری دارند، اما در وظایف عاملی طولانی، پرخطر و چندمرحله‌ای، فاصله‌ی آن‌ها با یک عامل عقلانی کامل آشکار می‌شود؛ زیرا عامل عقلانی نیازمند برنامه‌ریزی بلندمدت، مدیریت عدم قطعیت، بازنمایی صریح هدف و توان تشخیص خطا و اصلاح آن است. مرورهای نظام‌مند نیز تأکید می‌کنند که گذار به عامل، مستلزم افزودن مؤلفه‌های حافظه، برنامه‌ریزی و استفاده از ابزار به مدل زبانی است و صرف بزرگ‌تر شدن مدل، این خلأ را پر نمی‌کند.

مقایسه‌ی جریان‌های آمریکایی و چینی بر اساس همین چارچوب نشان می‌دهد که پرسش «کدام کشور جلوتر است» جای خود را به پرسش دقیق‌تری می‌دهد: کدام مدل، برای کدام هدف، با چه هزینه و چه سطحی از قابلیت اتکا، عامل عقلانی‌تری است؟ در بعد عملکرد، فاصله‌ی بهترین مدل‌های دو کشور در سال‌های اخیر بسیار کم شده است، اما در وظایف عاملی طولانی و پرخطر، مدل‌های پیشروی آمریکایی هنوز برتری دارند. در بعد معماری و باز بودن، مدل‌های بسته و تجاری در برابر مدل‌های وزن‌باز قرار می‌گیرند؛ این تفاوت پیامدهای مهمی برای شفافیت، سفارشی‌سازی و کنترل دارد و برای کشورهایی که در حال بومی‌سازی هستند، هم فرصت و هم ریسک وابستگی ایجاد می‌کند. در بعد اقتصادی، هزینه‌ی استفاده و قیمت هر واحد مصرف، دسترسی کشورهای دیگر را تحت تأثیر قرار می‌دهد و بنابراین، ارزیابی عقلانیت یک مدل بدون توجه به هزینه، ناقص است.

یافته‌ی ششم به مسئله‌ی همسویی مربوط می‌شود. تحلیل نشان می‌دهد که تعریف عامل عقلانی، برخلاف تصور رایج، مسئله‌ی هدف را حذف نمی‌کند، بلکه آن را به مرکز توجه منتقل می‌کند. اگر عامل عقلانی عاملی است که کارایی مورد انتظار را بیشینه می‌سازد، پرسش بنیادین این است که معیار کارایی چیست و چه کسی آن را تعیین می‌کند. در «مدل استاندارد» که هدف از پیش تعیین‌شده و ثابت فرض می‌شود، خطر آن وجود دارد که عامل به طور دقیق به هدفی دست یابد که با ترجیحات واقعی انسان‌ها همسو نیست. رویکرد بدیل، عامل را نسبت به ترجیحات انسان نامطمئن می‌داند و به جای تعیین یک هدف ثابت، سازوکاری برای یادگیری ترجیحات و پرسش از انسان پیشنهاد می‌کند. با این حال، حتی این رویکرد نیز با چالش‌های ارزشی، فرهنگی و حاکمیتی روبه‌روست: ترجیحات انسان‌ها همیشه سازگار نیستند، در فرهنگ‌های مختلف متفاوت‌اند و تعیین سازوکار معتبر برای تجمیع آن‌ها خود یک مسئله‌ی نهادی است. بنابراین، همسویی نه یک مسئله‌ی صرفاً فنی، بلکه یک مسئله‌ی مشترک فنی ـ ارزشی ـ نهادی است و چارچوب عامل عقلانی، با شفاف کردن نسبت میان هدف، محیط و عمل، می‌تواند این مسئله را از ابهام خارج کند، هرچند نمی‌تواند آن را به طور کامل حل کند.

بحث و نتیجه‌گیری

تحلیل انجام‌شده نشان می‌دهد که عامل عقلانی، به شرط صورت‌بندی دقیق و پذیرش نقدهای وارد بر عقلانیت نامحدود، می‌تواند به عنوان هسته‌ی مفهومی مشترک هوش مصنوعی ایفای نقش کند. این ادعا نه به معنای یکسان‌سازی همه‌ی رویکردهاست و نه به معنای نادیده گرفتن وجوه اجتماعی، عاطفی و جسمانی‌شده‌ی هوش؛ بلکه به این معناست که در سطح تحلیل بنیادین، می‌توان مجموعه‌ای از پرسش‌های مشترک را صورت‌بندی کرد که هر رویکرد، پاسخی متفاوت به آن‌ها می‌دهد و همین تفاوت پاسخ‌هاست که تنوع رشته را ممکن می‌سازد. پرسش از اینکه عامل چه چیزی را ادراک می‌کند، چه چیزی را بازنمایی می‌کند، چه اقداماتی در اختیار دارد و معیار موفقیت او چیست، پرسش‌هایی هستند که در همه‌ی شاخه‌های هوش مصنوعی، از بینایی ماشین تا پردازش زبان و از برنامه‌ریزی تا یادگیری تقویتی، قابل طرح‌اند. مزیت این چارچوب آن است که معیار ارزیابی را از شباهت به انسان جدا می‌کند و در نتیجه، امکان مقایسه‌ی سامانه‌های بسیار ناهمگون را در یک زبان مشترک فراهم می‌آورد.

با این حال، تحلیل نشان می‌دهد که این چارچوب تنها در صورتی می‌تواند به عنوان معیار مشترک عمل کند که سه قید اساسی را بپذیرد. قید نخست، قید عقلانیت محدود است: عامل واقعی با محدودیت اطلاعات، زمان و محاسبه روبه‌روست و بنابراین معیار کارایی باید «کارایی مورد انتظار تحت محدودیت» باشد، نه بهینگی مطلق. بدون این قید، تعریف عامل عقلانی به یک آرمان دست‌نیافتنی تبدیل می‌شود که نه برای ارزیابی مدل‌های واقعی مفید است و نه برای طراحی سامانه‌های عملی. قید دوم، قید شفافیت ارزشی است: تعریف کارایی و انتخاب هدف، خود یک انتخاب ارزشی است و چارچوب عامل عقلانی باید این انتخاب را آشکار کند، نه اینکه آن را در پشت زبان فنی پنهان سازد. قید سوم، قید زمینه‌مندی نهادی است: محیط عامل، تنها یک محیط فیزیکی یا شبیه‌سازی‌شده نیست، بلکه محیطی نهادی، فرهنگی و اجتماعی است که در آن قواعد، هنجارها و ساختارهای قدرت نقش ایفا می‌کنند. نادیده گرفتن این بعد، تحلیل عامل عقلانی را به یک انتزاع ناقص فرو می‌کاهد.

در پرتو این سه قید، یافته‌های پژوهش دلالت‌های مشخصی برای حوزه‌های مختلف دارند. در حوزه‌ی آموزش و پژوهش، سازمان‌دهی برنامه‌های درسی حول عامل عقلانی می‌تواند به جای انباشت پراکنده‌ی الگوریتم‌ها، یک نقشه‌ی مفهومی منسجم ایجاد کند؛ دانشجو ابتدا می‌آموزد که مسئله را به صورت محیط، ادراک، عمل و معیار کارایی صورت‌بندی کند و سپس ابزارهای مختلف را به عنوان پاسخ به انواع مختلف این صورت‌بندی فرا بگیرد. این رویکرد، همچنین می‌تواند پژوهشگران حوزه‌های مختلف را به گفت‌وگوی سازنده درباره‌ی مفروضات مشترک و تفاوت‌های بنیادین ترغیب کند.

در حوزه‌ی مقررات، معیار کارایی مورد انتظار تحت محدودیت می‌تواند مبنایی برای طراحی شاخص‌های ارزیابی باشد که هم قابل اندازه‌گیری‌اند و هم نسبت به زمینه حساس‌اند؛ به جای تمرکز صرف بر دقت یک مدل در یک آزمون محدود، می‌توان مجموعه‌ای از شاخص‌ها را در نظر گرفت که توانایی برنامه‌ریزی بلندمدت، مدیریت عدم قطعیت، شفافیت در بیان محدودیت‌ها و پاسخ‌گویی در قبال خطا را می‌سنجند. در حوزه‌ی حکمرانی سازمانی، چارچوب عامل عقلانی می‌تواند به طراحی نهادی کمک کند که در آن، تعیین هدف و معیار کارایی فرایندی مشارکتی و شفاف باشد، نه امری که در اتاق‌های بسته‌ی مهندسی تصمیم‌گیری شود.

تجربه‌ی مقایسه‌ی مدل‌های پیشرو نیز نشان می‌دهد که «عقلانیت» یک مدل، تنها در بعد عملکرد خلاصه نمی‌شود؛ باز بودن معماری، هزینه‌ی دسترسی و سطح قابلیت اتکا، ابعادی هستند که برای کشورهای در حال بومی‌سازی اهمیت حیاتی دارند. مسیر وزن‌باز، فرصت سفارشی‌سازی و شفافیت بیشتر را فراهم می‌کند، اما ریسک وابستگی به مؤلفه‌های بیرونی و دشواری در حفظ کیفیت را نیز به همراه دارد؛ مسیر بسته و تجاری، کنترل و یکپارچگی بیشتری ارائه می‌دهد، اما شفافیت و امکان بازرسی بیرونی را محدود می‌کند. انتخاب میان این دو، نه یک انتخاب صرفاً فنی، بلکه یک انتخاب راهبردی است که باید با توجه به اهداف ملی، ظرفیت نهادی و ارزش‌های اجتماعی صورت گیرد.

در نهایت، مسئله‌ی همسویی نشان می‌دهد که عامل عقلانی، هرچقدر هم از نظر فنی دقیق تعریف شود، بدون پاسخ به پرسش «هدف درست چیست و چه کسی آن را تعیین می‌کند» نمی‌تواند مبنای یک سامانه‌ی قابل اعتماد باشد. این پرسش، چارچوب عامل عقلانی را از یک نظریه‌ی توصیفی به یک برنامه‌ی هنجاری و نهادی گسترش می‌دهد و نشان می‌دهد که آینده‌ی هوش مصنوعی، بیش از آنکه به بزرگ‌تر شدن مدل‌ها وابسته باشد، به کیفیت گفت‌وگوی اجتماعی درباره‌ی اهداف و معیارهای موفقیت وابسته است.

منابع

۱. راسل، استوارت؛ نورویگ، پیتر. (۱۴۰۰). هوش مصنوعی: رویکردی نوین (ویراست چهارم، ترجمه‌ی گروه مترجمان). تهران: نشر علوم رایانه.

۲. سایمون، هربرت. (۱۳۹۸). عقلانیت محدود و تصمیم‌گیری انسانی (ترجمه‌ی پژوهشکده‌ی مطالعات مدیریت). تهران: انتشارات دانشگاه علامه طباطبائی.

۳. لی، شوجینگ؛ ژائو، یوفنگ. (۱۴۰۱). «نظریه‌ی عقلانیت محدود و کاربردهای آن در تصمیم‌گیری سازمانی». فصلنامه‌ی مطالعات مدیریت و حسابداری، ۸(۳)، ۴۵–۶۲.

۴. چن، ژوان؛ وانگ، لی. (۱۴۰۲). «عامل عقلانی و معیار کارایی در سامانه‌های هوشمند». مجله‌ی مهندسی کامپیوتر و فناوری اطلاعات، ۱۲(۲)، ۱۱۳–۱۲۹.

۵. ژائو، مینگ؛ لیو، یان. (۱۴۰۰). «از شبیه‌سازی ذهن تا مهندسی تصمیم: تحول پارادایم در هوش مصنوعی». پژوهش‌های فلسفی در فناوری، ۵(۱)، ۷۷–۹۴.

۶. ژانگ، وی؛ لی، هوان. (۱۴۰۳). «معماری عامل و انواع محیط در سامانه‌های چندعاملی». نشریه‌ی علمی ـ پژوهشی رایانش نرم، ۹(۴)، ۲۲۱–۲۳۸.

۷. لیو، یانگ؛ پو، شوژن؛ چنگ، دایجی؛ کائو، زهان. (۱۴۰۰). «ویژگی‌های معرفتی باور در مدل عامل». مجله‌ی پژوهش‌های رایانش و توسعه، ۵۷(۶)، ۱۳۲۵–۱۳۳۶.

۸. هوانگ، ژیانه‌جینگ؛ شی، ژی‌هنگ. (۱۴۰۳). «عامل‌های مبتنی بر مدل‌های بزرگ زبانی: توسعه و چشم‌انداز آینده». علوم اطلاعات چین، ۶۸(۲)، ۱۱–۵۴.

۹. هو، بیائو؛ ژو، تائو. (۱۴۰۳). «پیشرفت‌ها و چشم‌انداز فناوری عامل هوش مصنوعی». پژوهش‌های کاربرد رایانه، ۴۱(۸)، ۲۲۴۱–۲۲۴۹.

۱۰. ژنگ، یینینگ؛ یو، ژن؛ لی، بوفان. (۱۴۰۴). «مروری بر استفاده‌ی ابزار در مدل‌های بزرگ زبانی». مجله‌ی خودکارسازی، ۵۱(۱۱)، ۲۳۷۱–۲۳۸۶.

۱۱. لوئو، بیائو؛ هو، تیان‌منگ؛ ژو، یوهاو. (۱۴۰۴). «مروری بر کنترل و تصمیم‌گیری در یادگیری تقویتی چندعاملی». مجله‌ی خودکارسازی، ۵۱(۵)، ۵۱۰–۵۳۹.

۱۲. چن، ژووران؛ لیو، زهیانگ؛ وان، لیپنگ. (۱۴۰۳). «نظریه و کاربردهای یادگیری تقویتی چندعاملی». شناسایی الگو و هوش مصنوعی، ۳۷(۱۰)، ۸۸۹–۹۰۶.

۱۳. سونگ، تیانیو؛ ژانگ، هوی؛ یه، پی‌جون؛ وانگ، فی‌یوئه. (۱۴۰۳). «سال نقطه‌عطف هوش مصنوعی جدید: مروری بر نقاط داغ هوش مصنوعی و فناوری هوشمند». بولتن علوم و فناوری، ۳۸(۶)، ۴۸۵–۵۰۴.

۱۴. یوان، یوچینگ؛ چن، چانگ‌فنگ. (۱۴۰۳). «شیءوارگی اخلاقی: مسیر اخلاقی ـ فناورانه‌ی همسویی ارزشی انسان و ماشین در مدل‌های بزرگ». علوم اجتماعی نانجینگ، (۶)، ۱۰۲–۱۱۱.

۱۵. تسوی، شیومی. (۱۴۰۵). «مقایسه‌ی مدل‌های بزرگ هوش مصنوعی چین و آمریکا: وضعیت رقابت، تحول فناورانه و راهبردهای مواجهه». مالیه‌ی بین‌المللی، (۶)، ۳۳–۴۸.

۱۶. حسن‌زاده، محمد. (۱۳۸۵). «هوش مصنوعی از رهیافت علوم شناختی». نقد کتاب اطلاع‌رسانی و ارتباطات، سال ۱۳۸۵، صص ۶۴–۶۶.

نوشته سید رضا علوی کیا

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