پل زدن بر شکاف: چگونه معماری‌های شناختی موج بعدی هوش مصنوعی عمومی را هدایت می‌کنند

در منظر هوش مصنوعی مدرن، مدل‌های زبانی بزرگ (LLMs) سرآمد اخبار بوده‌اند و توانایی‌های شگفت‌انگیزی در پردازش زبان طبیعی و تولید خلاقانه از خود نشان داده‌اند. با این حال، اجمالی حیاتی در میان پژوهشگران در حال شکل‌گیری است: اگرچه LLMها موتورهای آماری قدرتمندی هستند، اما فاقد استدلال ساختاریافته، حافظه پایدار و برنامه‌ریزی هدف‌محور هستند که از ویژگی‌های هوش انسانی محسوب می‌شوند. اینجاست که معماری‌های شناختی وارد عمل می‌شوند. آن‌ها چارچوب‌های ساختاری لازم برای ساخت هوش مصنوعی عمومی (AGI) را نمایندگی می‌کنند؛ سیستم‌هایی که می‌توانند در محیط‌های پیچیده ادراک کنند، بیاموزند و به صورت خودمختار عمل کنند.

معماری شناختی چیست؟

یک معماری شناختی یک چارچوب نظری جامع است که ساختار و عملکرد ذهن انسان را مدل‌سازی می‌کند. این چارچوب مشخص می‌کند که یک سیستم چگونه دانش را نمایندگی می‌کند، چگونه اطلاعات را پردازش می‌کند و چگونه از طریق تجربه یاد می‌گیرد. برخلاف یک شبکه عصبی ساده که عمدتاً به عنوان یک جعبه سیاه عمل می‌کند، یک معماری شناختی طراحی شفاف و ماژولار ارائه می‌دهد.

اجزای کلیدی که معمولاً در این معماری‌ها یافت می‌شوند عبارتند از:

• سیستم‌های حافظه: تمایز بین حافظه حسی، کاری (کوتاه‌مدت) و بلندمدت.
• قواعد تولید: منطق اگر-آنگاه (IF-THEN) که رفتار را بر اساس وضعیت فعلی هدایت می‌کند.
• سیستم‌های کنترل: مکانیسم‌هایی برای حل تعارض و انتخاب عمل.

با ادغام این اجزا، پژوهشگران هدف دارند عامل‌هایی ایجاد کنند که نه تنها کلمه بعدی را پیش‌بینی کنند، بلکه زمینه را درک کرده و اهداف را در طولانی‌مدت حفظ کنند.

معماری‌های پیشرو در پژوهش‌های مدرن

دو مورد از برجسته‌ترین معماری‌هایی که پژوهش‌های فعلی AGI را هدایت می‌کنند، SOAR و ACT-R هستند.

SOAR (حالت، عملگر و نتیجه) یکی از اولین معماری‌هایی بود که شناخت جهانی را پیشنهاد داد. این معماری از روشی به نام «فضاهای مسئله» و «عملگرها» برای حرکت از یک حالت به حالت دیگر استفاده می‌کند. SOAR به ویژه در زمینه یادگیری و تصمیم‌گیری در محیط‌های نامطمئن مورد توجه است.

ACT-R (کنترل تطبیقی فکر-عقلانی) یک معماری شناختی ترکیبی است که پردازش نمادین را با مدل‌های اتصالی ترکیب می‌کند. این معماری در شبیه‌سازی وظایف شناختی انسانی، از بازیابی حافظه تا کنترل حرکتی، موفق بوده است. ادغام‌های اخیر ACT-R با LLMها نتایج امیدوارکننده‌ای در بهبود توانایی‌های استدلالی مدل‌های زبانی نشان داده‌اند.

ادغام LLMها با معماری‌های شناختی

مرز فعلی پژوهش‌های AGI شامل استفاده از LLMها به عنوان موتورهای «ادراک» و «تولید» درون یک معماری شناختی است. معماری ساختار لازم برای حافظه و برنامه‌ریزی را فراهم می‌کند، در حالی که LLM تفسیر داده‌های ساختاریافته نشده را بر عهده دارد.

در اینجا یک مثال مفهومی از نحوه کدنویسی چنین ادغامی در پایتون آورده شده است:

class CognitiveAgent:
    def __init__(self, llm_backend, memory_module):
        self.llm = llm_backend
        self.memory = memory_module
        self.goals = []

    def perceive(self, raw_input):
        # استفاده از LLM برای تفسیر ورودی ساختاریافته نشده
        interpretation = self.llm.generate_interpretation(raw_input)
        self.memory.store_factual(interpretation)
        return interpretation

    def plan(self):
        # بازیابی حافظه‌های مرتبط برای تشکیل یک برنامه
        context = self.memory.get_recent_context()
        # برنامه‌ریز معماری با استفاده از قواعد، اقدامات را انتخاب می‌کند
        plan = self.architecture.plan_action(context)
        return plan

    def act(self, plan):
        # اجرای برنامه
        return self.llm.execute_action(plan)

در این طرح ساده‌شده، روش perceive درک معنایی را به LLM واگذار می‌کند، در حالی که روش plan از منطق سخت‌گیرانه و مبتنی بر قاعده معماری شناختی برای اطمینان از دستیابی هماهنگ به اهداف بلندمدت استفاده می‌کند.

نتیجه‌گیری

معماری‌های شناختی صرفاً تمرین‌های آکادمیک نیستند؛ آن‌ها داربست‌های ضروری برای توسعه AGI قوی و قابل اعتماد هستند. با عبور از عصر پیش‌بینی صرفاً آماری، نیاز به سیستم‌هایی که بتوانند استدلال کنند، به یاد بسپارند و برنامه‌ریزی کنند، حیاتی می‌شود. با ترکیب هوش سیال شبکه‌های عصبی با منطق ساختاریافته معماری‌های شناختی، ما مهم‌ترین گام‌های خود را به سمت ماشین‌هایی برمی‌داریم که می‌توانند جهان را همان‌طور که انسان‌ها درک و با آن تعامل دارند، واقعاً درک کنند.