پژوهشی نوین از دانشگاه ویتواترزراند آفریقای جنوبی، پیوندی عمیق میان سازوکارهای تکاملی زبان در انسان و عملکرد مدلهای پیشرفته هوش مصنوعی در پردازش زبان برقرار کرده است. این مطالعه با تمرکز بر اصول معماری و تکاملی که نحوه جذب زبان توسط کودکان و شبکههای عصبی مصنوعی را هدایت میکنند، به درک تازهای از پدیده «یادگیری تکرارشونده» (Iterated Learning) دست یافته است. این فرآیند، کلید فهم چگونگی بازآرایی زبان در طول نسلها به منظور افزایش ساختاریافتگی و سهولت یادگیری دادههای ساختاریافته است.
محققان با بهرهگیری از یک شبکه عصبی خطی عمیق که مراحل یادگیری پیشرونده یک کودک را شبیهسازی میکند، اثبات کردهاند که نظمهای ساختاری به طور طبیعی از فشارهای ارتباطی و خطاهای سیستمی انتقال داده نشأت میگیرند. این کشف، دریچهای نو به سوی درک سازوکارهای شناختی و تکاملی پشت زبان میگشاید.
پیوند عمیق بین یادگیری کودکان و هوش مصنوعی
پدیده «یادگیری تکرارشونده» بر این فرض استوار است که زبان انسان، یک ساختار ایستا نیست، بلکه سیستمی پویا است که در طول نسلهای پیاپی، خود را برای حداکثر کردن کارایی ساختاری و کاهش بار شناختی یادگیری، بازآرایی میکند. این پارادایم، نه تنها در تکامل زبان انسانی، بلکه در نحوهی یادگیری مدلهای عظیم هوش مصنوعی مولد نیز نقش کلیدی ایفا میکند. مطالعه حاضر با ساخت یک شبکه عصبی مصنوعی که دارای ویژگیهای یادگیری ساختاری مشابه مغز کودکان است و تغذیه آن با دادههایی که خواص زبان بشری را تقلید میکنند، نشان میدهد که مغزهای کامپیوتری نیز ساختار موجود در دادهها را به همان شیوهای کشف میکنند که کودکان برخی از ویژگیهای زبان را در یادگیری ترجیح میدهند.
نتایج این پژوهش که در مجله معتبر PNAS منتشر شده است، حاکی از آن است که مجموعهی دادهها (زبان) در طول نسلها ساختاریافتهتر میشود، زیرا یادگیری را آسانتر میکند. دکتر دیوِن جارویس، نویسنده اصلی مقاله و مدرس دانشکده علوم کامپیوتر و ریاضیات کاربردی دانشگاه ویتواترزراند، توضیح میدهد که این یافتهها درک ما از چگونگی تکامل زبان و همچنین رفتار مدلهای زبان بزرگ مقیاس در هوش مصنوعی را متحول میسازد.
سازوکار یادگیری تکرارشونده و تکامل زبان
کودکان در مراحل اولیه رشد، توانایی شگفتانگیزی در یادگیری سریع زبان از خود نشان میدهند. آنها جهان را به صورت سلسله مراتبی درک میکنند؛ از مفاهیم پایه شروع کرده و به تدریج به درک پیچیدهتر میرسند. برای مثال، ابتدا تفاوت بین گیاهان و حیوانات را میآموزند، سپس انواع مختلف حیوانات را شناسایی میکنند. این فرآیند یادگیری تدریجی، اما در انتقال زبان از نسلی به نسل دیگر، پیامدهای مهمی دارد. هر نسل، مقداری از زبان را از والدین خود میآموزد و در نهایت آن را به نسل بعدی خود منتقل میکند. پیچیدگی زبان باعث میشود که در این انتقال، اشتباهاتی رخ دهد.
این اشتباهات، برخلاف تصور اولیه، تصادفی نیستند؛ بلکه ناشی از «تعمیم بیش از حد» (Over-generalization) دانش هستند. مثال معروف پنگوئن، این موضوع را روشن میسازد: کودکان میآموزند که پرندگان بال دارند و پرواز میکنند. اما وقتی با پنگوئن مواجه میشوند که پرواز نمیکند، دچار سردرگمی میشوند. این تعمیم بیش از حد، به آنها کمک میکند تا اطلاعات جدیدی را بیاموزند؛ پنگوئنها پرواز نمیکنند، اما شنا میکنند. این فرآیند، به تدریج منجر به ایجاد یک درک ساختاریافته از جهان با دقت فزاینده میشود. نتیجه خالص این فرآیند در سطح نسلها، حفظ شدن بخشهای آسانتر و قابل استفاده مجدد زبان و فراموش شدن بخشهای غیرساختاریافته و دشوار است.
نقش عمق شبکههای عصبی در یادگیری زبان
محققان برای بررسی مبنای عصبی این فرآیند تکاملی، از شبکههای عصبی خطی عمیق (Deep Linear Neural Networks) استفاده کردند؛ این شبکهها مدلهای ریاضی هستند که نحوهی پردازش اطلاعات در مغز را تقلید میکنند. یافتههای کلیدی حاکی از آن است که یادگیری تکرارشونده تنها زمانی به خوبی عمل میکند که شبکه دارای «عمق» کافی، یعنی لایههای پردازشی متعدد، باشد. شبکههای کمعمق (Shallow Networks) با لایههای کمتر، در ثبت نظمهای ساختاری که یادگیری زبان را ممکن میسازند، کاملاً ناکام ماندند.
این موضوع نشان میدهد که معماری یک سیستم یادگیرنده، چه زیستی و چه مصنوعی، و غنای محیط آن، نقش حیاتی در میزان جذب و انتقال ساختار زبان ایفا میکند. این نکته در پیشرفتهای اخیر مدلهای هوش مصنوعی مولد نیز مشهود است، که برای دستیابی به قابلیتهای نوظهور خود، به مقیاس عظیم متکی هستند. دکتر جارویس تأکید میکند که ترکیب مفاهیم شبکههای عصبی خطی عمیق و یادگیری تکرارشونده، که قبلاً در ادبیات علمی جداگانه مطرح بودند، این نکته مهم را آشکار میسازد که زبان به گونهای تکامل مییابد که قابل یادگیری باشد؛ این تکامل بر اساس شیوهی خاص یادگیری مرحلهای کودکان و ترجیح آنها برای استفاده مجدد از اطلاعات استوار است.
همگرایی علوم شناختی و هوش مصنوعی
دکتر دیوِن جارویس، نویسنده اصلی این پژوهش، بیان میدارد که شبکههای عصبی خطی عمیق و مفهوم یادگیری تکرارشونده، هرچند به صورت مفاهیم مجزا در حوزههای علمی مختلف وجود داشتهاند، اما ترکیب آنها نشان میدهد که زبان به طور خاص برای قابل یادگیری شدن تکامل مییابد. این تکامل، مبتنی بر شیوهی مرحلهای پردازش دادهها توسط کودکان و تمایل آنها به استفاده مجدد از اطلاعات است. این یافتهها نه تنها درک ما از توسعه زبان انسانی را عمیقتر میکند، بلکه بینشهای مهمی را در مورد رفتار مدلهای هوش مصنوعی زبانشناس بزرگ مقیاس ارائه میدهد.
تحقیقات نشان میدهد که ساختاریافتگی زبانی، محصول فشارهای ارتباطی و خطاهای سیستمی در طول نسلهاست. این فرآیند، به مرور زمان، زبان را به شکلی بهینه برای یادگیری درآورد. شبکههای عصبی عمیق، با تقلید از این فرآیند، قادر به کشف و انتقال این ساختارها هستند، در حالی که شبکههای کمعمق در این امر ناتوانند. این همگرایی بین اصول شناختی انسان و معماری هوش مصنوعی، نویدبخش پیشرفتهای آتی در هر دو حوزه است.
تحلیل تأثیر
این پژوهش، پایهای علمی برای درک چگونگی شکلگیری و تکامل زبان، هم در ذهن انسان و هم در ماشینها، فراهم میآورد. ارتباطی که میان یادگیری تدریجی کودکان و ظرفیت شبکههای عصبی عمیق در پردازش و انتقال ساختارهای زبانی کشف شده است، پیامدهای گستردهای برای طراحی مدلهای هوش مصنوعی آینده خواهد داشت. این امر میتواند به توسعه سیستمهای زبانی هوشمندتر، کارآمدتر و قابل فهمتر منجر شود که توانایی بیشتری در تعامل با انسان و درک ظرافتهای زبانی دارند. از منظر اقتصادی، درک بهتر سازوکارهای یادگیری زبان میتواند به بهبود فرآیندهای آموزشی و توسعه ابزارهای یادگیری زبان با بهرهوری بالاتر منجر شود و همچنین در طراحی الگوریتمهای پیشرفتهتر برای پردازش زبان طبیعی (NLP) در هوش مصنوعی، نقش بسزایی ایفا کند.
