ChatGPT چگونه "فکر می‌کند"؟

کاوش در مورد چگونگی "فکر[1]" ChatGPT و پیامدهای آن برای روانشناسی و علوم اعصاب، یک تعامل پیچیده بین هوش‌مصنوعی و فرآیندهای شناختی انسان را نشان می‌دهد. در اینجا بینش‌های کلیدی به دست آمده از نتایج جستجو در مورد این موضوع آمده است:

درک مکانیسم‌های ChatGPT

1. معماری و کارکرد

معماری ترانسفورمر: ChatGPT بر اساس معماری ترانسفورمر ساخته شده است که از مکانیسم‌هایی مانند توجه به خود برای پردازش و تولید زبان استفاده می‌کند. این به آن اجازه می‌دهد تا به پرس و جوهای پیچیده رسیدگی کند و زمینه را در بین مکالمات حفظ کند، و شکلی از درک را شبیه الگوهای مکالمه انسانی شبیه‌سازی کند.

2. پردازش زبان طبیعی (NLP)

پاسخ‌های انسان‌مانند: توانایی مدل برای تولید پاسخ‌های منسجم و مرتبط با زمینه، تصوری از تفکر انسان‌مانند را به وجود می‌آورد. این زبان را نه تنها با پیروی از قوانین، بلکه با یادگیری الگوهایی از مقادیر گسترده داده‌های متنی پردازش می‌کند و آن را قادر می‌سازد تا جنبه‌های ارتباط انسانی را تقلید کند.

بینش شناختی از ChatGPT

3. شایستگی شناختی[2]

شایستگی زبانی رسمی در مقابل کارکردی: تحقیقات بین صلاحیت زبانی رسمی (دانش قوانین زبان) و صلاحیت زبانی کاربردی (استفاده از زبان در دنیای واقعی) تمایز قائل می‌شوند. در حالی که ChatGPT در صلاحیت رسمی برتر است، سؤالاتی در مورد صلاحیت عملکردی آن، به ویژه در درک احساسات و زمینه‌های انسانی متفاوت باقی می‌ماند.

4. تفکر سیستم 1 و سیستم 2

فرآیندهای شهودی در مقابل فرآیندهای مشورتی: مطالعات نشان می‌دهد که با افزایش اندازه و پیچیدگی مدل‌های زبانی بزرگ (LLMs) مانند ChatGPT، رفتارهایی شبیه به تفکر شهودی انسان (سیستم 1) نشان می‌دهند و در عین حال درگیر استدلال عمدی‌تری نیز هستند (سیستم) 2) در صورت لزوم این دوگانگی به آنها اجازه می‌دهد تا بدون فرآیندهای استدلالی صریح به انواع وظایف به طور دقیق پاسخ دهند.

مفاهیم برای روانشناسی و علوم اعصاب

5. تاثیر بر عصب روانشناسی

تقویت ارزیابی: قابلیت‌های ChatGPT می‌تواند ارزیابی‌های عصب روانشناختی را با ارائه تعاملات سریع‌تر و شخصی‌تر با بیماران بهبود بخشد. این می‌تواند به ابزارهای تشخیصی و رویکردهای درمانی بهتر منجر شود و نحوه درک و درمان مسائل شناختی را تغییر دهد.

6. همکاری انسان و هوش مصنوعی

افزایش شناخت انسان: همکاری بین مدل‌های هوش‌مصنوعی مانند ChatGPT و عصب‌روان‌شناسان می‌تواند ارزیابی‌های شناختی و تجزیه و تحلیل داده‌ها را افزایش دهد، و به متخصصان اجازه می‌دهد تا روی کارهای پیچیده‌تر تمرکز کنند و در عین حال فرآیندهای معمول را خودکار کنند.

7. ملاحظات اخلاقی

حریم خصوصی و تعصب: ادغام هوش مصنوعی در روانشناسی عصبی نگرانی‌های اخلاقی را در مورد حریم خصوصی داده‌ها، سوگیری‌های احتمالی در پاسخ‌های هوش‌مصنوعی و نیاز به شفافیت در نحوه عملکرد این مدل‌ها ایجاد می‌کند.

نتیجه‌گیری

در حالی که ChatGPT قابلیت‌هایی را نشان می‌دهد که جنبه‌های خاصی از فرآیندهای فکری انسان را تقلید می‌کند، مانند تولید زبان منسجم و درگیر شدن در وظایف استدلالی، این کار را از طریق مکانیسم‌های اساسی متفاوت از مکانیسم‌هایی که توسط مغز انسان به کار می‌رود انجام می‌دهد. بینش‌های به‌دست‌آمده از مطالعه این مدل‌ها می‌تواند درک ما را از فرآیندهای شناختی افزایش دهد، اما همچنین محدودیت‌های هوش مصنوعی را در تکرار درک واقعی انسان و عمق عاطفی برجسته می‌کند. همانطور که هوش مصنوعی به تکامل خود ادامه می‌دهد، تأثیر آن بر زمینه‌هایی مانند روانشناسی و علوم اعصاب احتمالاً افزایش می‌یابد و نیاز به گفتگوی مداوم در مورد پیامدهای آن برای شناخت انسان و ملاحظات اخلاقی در کاربرد آن است.

منابع

[1] https://londonspd.com/blog/chat-gpts-impact-on-neuropsychology-what-you-need-to-know/

[2] https://www.youtube.com/watch?v=UHjNpw76UVk

[3] https://www.nature.com/articles/s43588-023-00527-x

[4] https://pmc.ncbi.nlm.nih.gov/articles/PMC10053494/

[5] https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1418869/full

[6] https://www.nature.com/articles/d41586-024-01562-y

[7] https://theconversation.com/large-language-models-how-the-ai-behind-the-likes-of-chatgpt-actually-works-244701

[8] https://www.youtube.com/watch?v=gEloQrCNOqg

[9] https://www.pnas.org/doi/10.1073/pnas.2410196121

[10] https://serokell.io/blog/language-models-behind-chatgpt

---

[1] Thinks

[2] Cognitive Competence

تراز هوش مصنوعی در ابعاد هوش ماشینی

هوش انسان را می‌توان به عنوان روشی که از یک تابع استفاده می‌شود، در این مورد، حافظه خلاصه کرد. به سادگی، هوش به عنوان کیفیت استفاده از آنچه در حافظه موجود است تعریف می‌شود.

معمولاً اطلاعات جدید تصمیم‌گیری را شکل می‌دهد. با این حال، اگر اطلاعات جدید را نتوان به سایر بخش‌های حافظه منتقل کرد، ممکن است اطلاعات برای هوش مفید نباشد.

هوش انسانی، از نظر مفهومی، با تغییر رله‌ها[1]، در مناطق حافظه کار می‌کند. ویژگی‌های حافظه [زبان، اعداد، موضوعات و غیره] بسیار مهم هستند، اما توانایی متقاطع مقاصد هوش را عمیق‌تر می‌کند.

علوم اعصاب چندین برچسب برای حافظه– رویه‌ای، بلندمدت، کوتاه مدت، اپیزودیک، معنایی، و غیره دارد- اما هیچ برچسبی برای رله وجود ندارد. برچسب‌هایی از مسیرها مانند کورتیکولمبیک و موارد دیگر وجود دارد، اما هیچ تعریفی درباره نحوه عملکرد رله‌ها از یک ناحیه حافظه به ناحیه دیگر وجود ندارد.

حتی پیش‌بینی، که اغلب تصور می‌شود یکی از کارهایی است که مغز انجام می‌دهد، بیشتر درباره رله‌ها است تا پیش‌بینی واقعی. ذهن انسان تقریباً دارای یک تعادل - از اهمیت - برای عملکردها و رله‌ها، با تعیین نتایج است.

انسان‌ها هنوز هم می‌توانند بهتر از ماشین‌ها در شرایط آشفته رانندگی کنند زیرا ذهن انسان رله‌های بهتری نسبت به ماشین‌ها دارد. تمرکز انسان ممکن است توسط برخی از حواس‌پرتی، صدا، دمای شدید و موارد دیگر از بین برود، زیرا رله‌ها به مناطق ضروری حافظه منحرف می‌شوند - البته حافظه وجود دارد. برخی از جنبه‌های فراموشی را می‌توان به عنوان مسائل رله نیز تعریف کرد. برنامه‌ریزی، مشاهده، تجزیه و تحلیل و غیره، همه با رله‌هایی در ذهن گره خورده‌اند. این رله‌ها از کدهای عصبی فراتر می‌روند، زیرا اغلب شامل سیگنال‌های شیمیایی، نه فقط سیگنال‌های الکتریکی نیز می‌شوند.

رله‌ها برای ذهن انسان حیاتی هستند، از جمله هوش. هیچ مدلی برای نحوه عملکرد ذهن یا هوش انسانی بدون ترسیم رله‌ها نمی‌تواند وجود داشته باشد. رله‌ها فقط فلش‌هایی بین بلوک‌های خاطرات برچسب‌گذاری‌شده نیستند، بلکه نحوه رله کردن اجزای ذهن [سیگنال‌های الکتریکی و شیمیایی] هستند.

اندازه‌گیری هوش دیجیتال یا ماشین ممکن است با سطح رله‌ها در مقایسه با ذهن انسان تعیین شود. ایمنی و هم ترازی هوش مصنوعی با مدل‌های اطراف رله می‌تواند بهتر باشد. در حال حاضر، مدل‌های زبان بزرگ دارای پیش‌بینی [به عنوان رله] هستند. ایمنی ممکن است شامل رله‌های دیگر مانند عواقب باشد، حتی اگر رله‌های جدیدتر آنها را بهتر کنند.

مقاله‌ای اخیراً در مجله فیزیکی اروپایی B، سیستم‌های محاسباتی الهام‌گرفته از مغز وجود دارد: مروری بر ادبیات سیستماتیک[2]، که بیان می‌کند: «محاسبات الهام‌گرفته از مغز یک حوزه تحقیقاتی رو به رشد و بین‌رشته‌ای است که به بررسی چگونگی انجام اصول محاسباتی مغز بیولوژیکی می‌پردازد. تبدیل به طراحی سخت افزاری برای دستیابی به بهره‌وری انرژی بهبود یافته است. محاسبات الهام گرفته از مغز شامل زیرشاخه‌های مختلفی از جمله محاسبات نورومورفیک و درون حافظه است که نشان داده شده است در اجرای وظایف خاص از سخت افزار دیجیتال سنتی بهتر عمل می‌کند. با افزایش تقاضا برای سخت افزار قدرتمندتر و در عین حال کارآمدتر برای شبکه‌های عصبی مصنوعی در مقیاس بزرگ، محاسبات الهام گرفته از مغز به عنوان یک راه‌حل امیدوارکننده برای فعال کردن محاسبات با انرژی کارآمد و توسعه هوش‌مصنوعی تا لبه ظاهر می‌شود. با این حال، دامنه وسیع این زمینه، مقایسه و ارزیابی اثربخشی راه‌حل‌ها را در مقایسه با همتایان دیجیتالی پیشرفته، چالش برانگیز کرده است.»

حافظه دیجیتال در حال حاضر از چندین نظر عالی است. با این حال، ابعاد رله‌ها محدودیت فعلی هوش‌مصنوعی به هوش انسانی و فراتر از آن است. با این حال، احتمال رله‌های بهتر به سمت ابر هوش وجود دارد.

یکی از ویژگی‌های اخیر در Scientific American وجود دارد، ایده «جنگ یا پرواز[3]»، زیبایی آن چیزی که مغز واقعا انجام می‌دهد را از دست می‌دهد و بیان می‌کند که «مغزها عمدتاً با پیش‌بینی عمل می‌کنند[4]، نه واکنش. همه مغزها دائماً نیازهای بدن را پیش‌بینی می‌کنند و سعی می‌کنند آن نیازها را قبل از ظهور برآورده کنند. آنها به دنبال کاهش عدم اطمینان برای بقا و رشد در شرایطی هستند که فقط تا حدی قابل پیش‌بینی است[5].

به سادگی، ذهن در جهات مختلف رله می‌کند. مشاهده پیش‌بینی رله‌ای است به نام تقسیم، که در آن برخی، در مجموعه‌ای از سیگنال‌های الکتریکی، جلوتر از دیگران رله می‌کنند تا مانند گذشته با سیگنال‌های شیمیایی تعامل داشته باشند، به طوری که اگر تفسیر با ادراک مطابقت داشته باشد، سیگنال‌های الکتریکی دریافتی همان جهت را دنبال کنید، در غیر این صورت، آنها به سمت دیگری می‌روند و آنچه را که خطای پیش‌بینی برچسب زده شده را تصحیح می‌کنند. این رله کدگذاری و پردازش پیش‌بینی را توضیح می‌دهد.

فهرست کردن همه رله‌های ممکن در ذهن، برای استانداردی از آنچه ممکن است به هوش ماشین تبدیل شود[6]، می‌تواند رویکرد آنها و نحوه همسو کردن آنها با ارزش‌های انسانی را تعیین کند.

---

[1] Relay

[2] https://urldefense.com/v3/__https:/link.springer.com/article/10.1140/epjb/s10051-024-00703-6__;!!BfIZgRvxoUc!lEZ5BqrsbH3pHJxJ1rLUA92pMRsj-n-InWOvDyj5rHH- tI00JSfzwlmiytJvYHZdG6Ynrso9CmKU3OD$

[3] Fight or Flight

[4] https://urldefense.com/v3/__https:/www.scientificamerican.com/article/simplistic-fight-or-flight-idea-undervalues-the-brains-predictive-powers/__;!!BfIZgRvxoUc!lEZ5BqrsbH3pHJxJ1rLUA92pMRsj-n-InWOvDyj5rHH-QtI00JSfzwlmiytJvYHZdG6Ynrso9K0L_Z4p$

[5] brains operate mainly by prediction, not reaction. All brains constantly anticipate the needs of the body and attempt to meet those needs before they arise. They seek to reduce uncertainty to survive and thrive in circumstances that are only partially predictable

[6] https://www.datasciencecentral.com/computing-benchmarks-evaluations-for-superintelligence-alignment-agi-safety/

پس انتشار: راهی برای درک مغز با شبکه‌های عصبی مصنوعی

رابطه بین پس انتشار و مغز موضوع تحقیقات گسترده‌ای بوده است، به‌ویژه در مورد معقول‌پذیری بیولوژیکی استفاده از پس‌انتشار به‌عنوان مدلی برای درک یادگیری در سیستم‌های عصبی. در اینجا بینش‌های کلیدی از بحث‌ها و تحقیقات اخیر در مورد این موضوع آمده است: