آیا هوش مصنوعی می‌تواند نظریه‌ی نسبیت عام را کشف کند؟مقاله‌ای جدید با عنوان Position: LLMs can't jump به بررسی این سؤال بنیادین پرداخته که آیا مدل‌های زبانی بزرگ (LLM) توانایی کشف علمی در سطح انیشتین را دارند؟ پاسخ نویسندگان، «نه» است.
---
سه نوع استدلال در علمبرای درک این پاسخ، باید سه نوع استدلال را بشناسیم:
استقراء (Induction) : از مشاهدات جزئی به قوانین کلی می‌رسیم. مثلاً دیدن چندین قوی سفید و نتیجه‌گیری که «همه‌ی قوها سفیدند». این روش وقتی داده‌ی کافی داشته باشیم، خوب عمل می‌کند. قیاس (Deduction) : از قوانین کلی به نتیجه‌های جزئی می‌رسیم. مثلاً «همه‌ی انسان‌ها فانی‌اند و سقراط انسان است، پس سقراط فانی است». این روش وقتی قوانین را داشته باشیم، منطقی و قطعی است. ابداکشن (Abduction) : بهترین توضیح را برای یک مشاهده‌ی شگفت‌انگیز پیدا می‌کنیم. مثلاً وقتی پزشک بر اساس علائم، بیماری را تشخیص می‌دهد، در حال استفاده از ابداکشن است.---
نظریه‌ی نسبیت عام و پرش انیشتیننویسندگان با بررسی تاریخچه‌ی کشف نسبیت عام نشان می‌دهند که انیشتین با استفاده از یک «پرش» ذهنی (Jump) ، قوانین جدیدی را خلق کرد که از داده‌های موجود قابل استخراج نبودند. در آن زمان، قانون گرانش نیوتن با دقت بالایی کار می‌کرد و تنها یک ناهنجاری کوچک در مدار عطارد وجود داشت که بیشتر دانشمندان آن را به وجود سیاره‌ای ناشناخته نسبت می‌دادند.
انیشتین اما با یک آزمون فکری (Thought Experiment) ، خود را به جای ناظری در حال سقوط آزاد تصور کرد و دریافت که در یک محیط بسته، تفاوتی بین سقوط آزاد در میدان گرانش و بودن در یک فضاپیما با شتاب ثابت وجود ندارد. این «شادترین فکر زندگی‌اش» بود که به اصل هم‌ارزی (Equivalence Principle) منجر شد؛ اصلی که زیربنای نسبیت عام را تشکیل داد.
---
مشکل اصلی مدل‌های زبانی بزرگ چیست؟ مدل‌های زبانی بزرگ در استقراء (یافتن الگو در داده) و قیاس (استنتاج منطقی) بسیار قوی هستند، اما در ابداکشن ضعیف عمل می‌کنند. این مدل‌ها فاقد درک حسی و بدنی (Embodied Simulation) هستند. انیشتین برای کشف اصل هم‌ارزی، از حس فیزیکی سقوط و شتاب استفاده کرد؛ چیزی که یک مدل زبانی هرگز تجربه نکرده است. مدل‌های زبانی مانند اتاق چینی (Chinese Room) عمل می‌کنند: نمادها را دستکاری می‌کنند، اما به معنا و مرجع فیزیکی آنها دسترسی ندارند. آنها متن‌های فیزیک را می‌خوانند، اما جهان فیزیکی را درک نمی‌کنند.---
راه حل چیست؟نویسندگان معتقدند که برای دستیابی به هوش مصنوعی capable of invention، باید به سمت World Models (مدل‌های جهانی) حرکت کنیم که بتوانند:- محیط‌های فیزیکی را شبیه‌سازی کنند (نه فقط ویدیو تماشا کنند).- اقدامات کنترلی داشته باشند تا بتوانند آزمایش‌های ذهنی انجام دهند.- شبیه‌سازی‌های شرطی (Counterfactual) اجرا کنند تا بتوانند «چه می‌شد اگر» را بررسی کنند.
امروزه مدل‌هایی مثل Genie از گوگل دیپ‌مایند گام‌هایی در این جهت برداشته‌اند، اما هنوز تا رسیدن به سطح انیشتین فاصله زیادی دارند.
---
خلاصه و نتیجه‌گیری- مدل‌های زبانی بزرگ در یافتن الگو و استنتاج منطقی عالی هستند، اما در خلق قوانین جدید ناتوان‌اند.- کشف علمی بزرگ، نیازمند پرش ابداکتیو (Abductive Jump) است که از طریق شبیه‌سازی‌های حسی و تعامل با جهان ممکن می‌شود.- آینده‌ی هوش مصنوعی در علم، در World Models نهفته است که بتوانند جهان را شبیه‌سازی کرده و در آن مداخله کنند.
---
مقاله‌ی کامل: Position: LLMs can't jumpتوضیح:پوزیشن پیپر نوعی مقاله‌ی علمی است که در آن نویسنده (یا نویسندگان) یک موضع یا دیدگاه مشخص را درباره‌ی یک موضوع بحث‌برانگیز یا نوظهور ارائه می‌دهد. هدف آن لزوماً ارائه‌ی داده‌های تجربی جدید نیست، بلکه متقاعد کردن خواننده برای پذیرش یک چارچوب فکری، اولویت‌بندی یک رویکرد خاص، یا تغییر نگاه به یک مسئله است. این مقالات اغلب در ابتدای یک حوزه یا برای شکل‌دهی به جهت‌گیری پژوهش‌های آینده منتشر می‌شوند.--- #پژوهش_هوش_مصنوعی #فلسفه_علم #نسبیت_عام #WorldModels
@asrgooyeshpardaz۱