
پاسخ کوتاه برای آنان که حوصلهی کافی ندارند: احتمالاً هیچکدام بهتنهایی کافی نیستند؛ آینده در ترکیب زبان، ادراک، عمل و یادگیری از جهان واقعی است.
پاسخ طولانیتر:
در سالهای اخیر، مدلهای زبانی بزرگ به چهرهی اصلی هوش مصنوعی تبدیل شدهاند. آنها مینویسند، ترجمه میکنند، برنامهنویسی میکنند، ایده میدهند و میتوانند با انسان گفتوگویی طبیعی داشته باشند. از سوی دیگر، رباتها نیز آرام اما پیوسته در حال پیشرفتاند: ماشینهایی که میبینند، حرکت میکنند، اشیا را برمیدارند، در کارخانهها کار میکنند و تلاش دارند در خانهها یا بیمارستانها مفید باشند.
این دو مسیر، یک پرسش مهم ایجاد میکنند: آیا راه رسیدن به هوش مصنوعی پیشرفته از دل زبان میگذرد، یا از دل ماشینهایی که بدن دارند و با جهان واقعی در تماساند؟
مدلهای زبانی نشان دادهاند که زبان میتواند حامل بخش بزرگی از دانش بشری باشد. اما رباتها یادآوری میکنند که جهان فقط مجموعهای از جملهها نیست؛ جهان وزن، اصطکاک، فاصله، خطر، حرکت، خطا و پیامد دارد. برای درک آیندهی هوش مصنوعی، باید این تفاوت را جدی گرفت.
بخش عظیمی از فرهنگ، علم، تاریخ و تجربهی انسانی در زبان ثبت شده است. کتابها، مقالهها، گفتگوها، گزارشها، قوانین، راهنماها و داستانها، همگی ردپایی از دانستههای ما را در خود دارند. مدلهای زبانی با مطالعهی این حجم گسترده از متن، قادر شدهاند میان مفاهیم دور از هم ارتباط ایجاد کنند و پاسخهایی تولید کنند که گاه بسیار نزدیک به پاسخ یک متخصص به نظر میرسد.
این توانایی، ارزش فراوانی دارد. یک مدل زبانی میتواند به دانشآموز در فهم یک مفهوم کمک کند، برای یک برنامهنویس کد پیشنهادی بنویسد، متنی طولانی را خلاصه کند یا مسیرهای اولیهی پژوهش را پیشنهاد دهد. زبان همچنین سادهترین راه ارتباط انسان با ماشین است. لازم نیست همهی افراد برنامهنویس باشند؛ کافی است خواستهی خود را توضیح دهند.
اما توانایی کار با زبان یک محدودیت بنیادی هم دارد: متن، نقشهی جهان است، نه خود جهان. نقشه میتواند بسیار دقیق باشد، اما هرگز جای قدمزدن در یک شهر، لمسکردن یک شیء یا مواجهه با یک اتفاق پیشبینینشده را نمیگیرد.

مدلهای زبانی میتوانند دربارهی شکستن یک لیوان توضیح دهند، اما خودشان معمولاً نمیبینند که لیوان چگونه میافتد، قطعاتش کجا پراکنده میشوند یا چرا سطح خیسشده خطرناک است. آنها میدانند که یک جسم سنگینتر ممکن است برای بلندشدن به نیروی بیشتری نیاز داشته باشد، اما این دانستن اغلب از توصیفهای انسانی آمده است، نه از تجربهی مستقیم.
همین فاصله باعث میشود مدلها گاهی پاسخهایی روان اما نادرست تولید کنند. ممکن است اطلاعاتی ساختگی را با لحنی مطمئن بیان کنند، جزئیاتی را که وجود خارجی ندارند بسازند یا در مواجهه با موقعیتهایی بسیار ساده اما تازه، دچار خطا شوند. این مسئله فقط یک نقص فنی نیست؛ نشانهای است از تفاوت میان تسلط بر الگوهای زبانی و درک قابلاعتماد از جهان واقعی.
انسانها نیز با زبان یاد میگیرند، اما یادگیری آنها به زبان محدود نیست. کودک از راه بازی، آزمونوخطا، مشاهدهی دیگران و واکنش محیط، مفاهیم را میسازد. او پیش از آنکه قوانین فیزیک را بخواند، یاد میگیرد که بعضی اشیا میشکنند، بعضی سطوح داغاند و بعضی رفتارها پیامد اجتماعی دارند.
رباتها مسیری متفاوت را دنبال میکنند. آنها به دوربین، حسگر، بازوی مکانیکی، چرخ یا پا مجهز میشوند و باید در محیطی واقعی عمل کنند. این محیط برخلاف متن، کامل و منظم نیست. نور تغییر میکند، اشیا جابهجا میشوند، انسانها غیرقابلپیشبینیاند و هر خطا میتواند هزینه داشته باشد.
برای یک ربات، برداشتن یک لیوان فقط تشخیص واژهی «لیوان» نیست. ربات باید شکل، جنس، فاصله، وزن احتمالی، محل گرفتن و خطر افتادن آن را تشخیص دهد. باید حرکت خود را اصلاح کند و از نتیجهی عملش یاد بگیرد. چنین فرایندی، نوعی ارتباط مستقیم میان ادراک، تصمیم و عمل ایجاد میکند.
این تعامل میتواند به هوش مصنوعی کمک کند تا مدل دقیقتری از علت و معلول بسازد. اگر ربات با فشار زیاد یک شیء را بیندازد، نتیجهی عمل خود را میبیند. اگر درِ یک کشو باز نشود، میتواند فرضیهاش را تغییر دهد. این بازخورد مستقیم چیزی است که در متن بهتنهایی وجود ندارد.
با وجود این مزیتها، ساخت رباتهای عمومی بسیار دشوارتر از ساخت نرمافزارهای گفتوگومحور است. دنیای فیزیکی بیرحمتر و پیچیدهتر از محیط دیجیتال است. یک خطای کوچک در تشخیص فاصله یا نیرو میتواند باعث آسیب، خسارت یا خطر برای انسان شود. به همین دلیل، بسیاری از رباتها هنوز در محیطهای کنترلشده مانند کارخانهها موفقترند؛ جایی که وظایف تکراریتر و محیط قابلپیشبینیتر است.
علاوه بر این، دادهگرفتن از دنیای واقعی گران و زمانبر است. یک مدل زبانی میتواند میلیاردها جمله را با سرعت پردازش کند، اما یک ربات برای یادگیری بازکردن یک در یا چیدن ظرفها ممکن است به هزاران تجربهی فیزیکی نیاز داشته باشد. شبیهسازها میتوانند کمک کنند، اما فاصلهی میان محیط شبیهسازیشده و جهان واقعی همچنان مسئلهای جدی است.
به همین دلیل، رباتها در فهم فیزیکی جهان بالقوه مزیت دارند، اما از نظر سرعت توسعه و مقیاسپذیری، معمولاً عقبتر از مدلهای زبانی حرکت میکنند.

تقابل میان مدل زبانی و ربات، شاید از ابتدا صورتبندی کاملی نباشد. محتملتر آن است که هوش مصنوعی آینده از ترکیب این دو شکل بگیرد: سامانهای که بتواند با انسان گفتوگو کند، دستورهای پیچیده را بفهمد، محیط را ببیند، دربارهی هدف برنامهریزی کند، ابزار مناسب را انتخاب کند و پیامد عمل خود را ارزیابی کند.
در چنین سامانهای، مدل زبانی میتواند نقش برنامهریز و رابط ارتباطی را بر عهده بگیرد. مثلاً انسان میگوید: «آشپزخانه را مرتب کن، اما به ظرفهای شیشهای دست نزن.» مدل باید معنای دستور، اولویتها و محدودیتها را درک کند. سپس بخش ادراکی باید آشپزخانه و ظرفهای شیشهای را تشخیص دهد، و بخش رباتیک باید با دقت و ایمنی عمل کند.
اما ترکیب این بخشها بهسادگی کنار هم گذاشتن چند فناوری نیست. سامانه باید بداند وقتی میان دستور زبانی و واقعیت محیط تناقضی وجود دارد چه کند. اگر ربات ظرفی را شیشهای تشخیص ندهد، چگونه خطای خود را اصلاح میکند؟ اگر دستور انسان مبهم باشد، آیا باید سؤال بپرسد یا خودش تصمیم بگیرد؟ اینها مسئلههایی هستند که آیندهی هوش مصنوعی را تعیین خواهند کرد.
مدلهای زبانی در فضای دیجیتال عمدتاً با تولید پاسخ سروکار دارند؛ اما یک ربات در جهان واقعی با پیامدهای مستقیم عملش روبهرو است. این تفاوت، موضوع ایمنی و مسئولیت را بسیار مهم میکند. پاسخ اشتباه یک دستیار متنی ممکن است باعث سردرگمی شود، اما حرکت اشتباه یک ربات در بیمارستان، کارخانه یا خانه میتواند آسیب واقعی ایجاد کند.
بنابراین، هرچه هوش مصنوعی از صفحهنمایش فاصله بگیرد و به جهان فیزیکی نزدیکتر شود، نیاز به آزمون، محدودیت، نظارت انسانی و استانداردهای ایمنی بیشتر خواهد شد. هوشمندترشدن ماشین نباید با مستقلترشدن بیقیدوشرط آن اشتباه گرفته شود.
مدلهای زبانی توانستهاند راهی کمهزینه و قدرتمند برای استفاده از دانش ثبتشدهی بشر فراهم کنند. آنها در زبان، تحلیل متن و ارتباط با انسان بسیار توانمندند. اما زبان بهتنهایی برای ساخت سامانهای که بتواند جهان را بهطور پایدار درک کند و در آن عمل کند، کافی به نظر نمیرسد.
رباتهایی که با محیط تعامل دارند، فرصتی برای یادگیری از واقعیت فراهم میکنند: از حرکت، خطا، بازخورد و پیامد. بااینحال، رباتیک نیز با دشواریهای عملی، هزینه، خطر و پیچیدگی فراوان روبهرو است.
پس آیندهی هوش مصنوعی احتمالاً نه در پیروزی مدلهای زبانی بر رباتها، و نه در کنارگذاشتن زبان به نفع ماشینهای فیزیکی است. آینده در پیوند این دو مسیر خواهد بود: هوشی که بتواند هم دربارهی جهان حرف بزند و هم در برابر جهان پاسخگو باشد.
تا رسیدن به چنین نقطهای هنوز راه زیادی باقی مانده است؛ اما مسیر روشنتر شده: هوش مصنوعی اگر قرار است از یک پاسخگوی ماهر به یک عامل واقعاً توانمند تبدیل شود، باید فقط کلمات را یاد نگیرد؛ باید با جهان نیز روبهرو شود.