«ادراک» (مسئله دیجیتالی‌سازی و کیفیّت داده)

  

نقد پژوهشی از منظر متخصص هوش مصنوعی

۱. مغالطه «دسترسی» به جای «ادراک» (مسئله دیجیتالی‌سازی و کیفیّت داده)
حجم عظیمی از متون خطی توسط هوش مصنوعی  خوانده نشده باقی مانده است. اما پیش‌فرض مبنی بر اینکه «یک مدل زبانی بزرگ می‌تواند همه آنها را بخواند و حفظ کند»، ساده‌انگارانه است. چالش اصلی نه در ظرفیت ذخیره‌سازی، بلکه در فرایند «استخراج داده»  نهفته است. متون خطی قرون وسطی مملو از اختصارات، حروف محو، حاشیه‌نویسی‌های درهم‌تنیده، و زبان‌های مرده‌ای هستند که فاقد لغت نامه\ دیکشنری استانداردند. فناوری تشخیص حروف نوری (OCR) برای چنین آثاری نرخ خطایی بالای ۴۰٪ دارد. اگر دادهٔ ورودی «نویز» (Noise) باشد، مدل صرفاً «نویز» را فشرده‌سازی می‌کند و توهمات  تاریخی تولید خواهد کرد، نه دانشی نو. پژوهشگران نویسنده هزینهٔ دیجیتال‌سازی را «ناچیز» می‌خوانند، در حالی که این پروژه‌ای چنددهه‌ای و میلیارددلاری است.

۲. اشتباه گرفتن «همبستگی آماری» با «درک علیت تاریخی»
نویسندهگان  ادعا می‌کنند که LLM می‌تواند «فرضیات رایج در مورد منشأ مفاهیمی مانند اختیار» را به چالش بکشد. اما به‌عنوان یک پژوهشگر یادگیری ماشین، باید تأکید کنم که مدل‌های زبانی بزرگ، «عامل‌های تاریخی» (l Agents) نیستند؛ آنها «توزیع‌های زبانی» (Language Distributions) را مدل می‌کنند. اگر ۹۰٪ متون موجود در داده‌ها، آغاز روشنگری را قرن هجدهم بدانند و ۱۰٪ قرن هفدهم، مدل آماری-به‌احتمال-گزینهٔ اول را برمی‌گزیند، در حالی که حقیقت تاریخی ممکن است به یک سندِ مغفول‌ماندهٔ قرن شانزدهم وابسته باشد که استدلالی کیفی و بی‌نظیر ارائه می‌دهد. هوش مصنوعی فعلی قادر به «سنجش اعتبار» (Verification) یا «اولویت‌دهی معرفت‌شناختی» (Epistemic Prioritization) نیست؛ آنچه تولید می‌کند، «میانگینِ نوشته‌ها» است، نه «نقدِ نوشته‌ها».

۳. پارادوکس «معنا» و دور باطل هرمنوتیکی
تحسین‌برانگیز است که نویسندهگان  نقش انسان را «تصمیم‌گیری دربارهٔ ارزش واقعی» می‌دانند. اما پرسش کلیدی اینجاست: اگر ما به‌عنوان انسان، تمام آن متون ناشناخته را نخوانده‌ایم، چگونه می‌توانیم درستیِ سنتزِ انجام‌شده توسط ماشین را داوری کنیم؟ نویسندهگان پیشنهاد می‌دهند که ماشین داده‌ها را جمع‌آوری کند و انسان معنا را استخراج کند. این یک «دور باطل روش‌شناختی» (Methodological Circularity) است؛ زیرا ما برای ارزیابی خروجی ماشین، نیاز به معیاری داریم که خودِ آن معیار، باید از دل همان متونِ خوانده‌نشده استخراج می‌شد. ماشین نمی‌تواند «نظریهٔ انتقادی» یا «هرمنوتیک» را به کار گیرد؛ چارچوبی که به ما می‌گوید چرا یک متن در بستر خودش مهم است.

۴. محدودیت‌های فنی ذاتی (مقیاس‌پذیری در برابر حجم بی‌نهایت)
نویسندهگان  معتقدند که تاریخ بشر «فراتر از ظرفیت کلود یا چت‌جی‌پی‌تی نیست». از نظر تئوری اطلاعات، بله، داده‌های متنی بشر محدود است. اما از نظر عملیاتی، «پنجرهٔ زمینه» (Context Window) و «هزینهٔ محاسباتی» (Compute Cost) برای آموزش مجدد یا تنظیم دقیق (Fine-tuning) روی چنین کلان‌داده‌ای، به‌شدت افزایشی است. به‌علاوه، مدل‌های فعلی برای بازیابی اطلاعات (RAG) طراحی شده‌اند، نه برای درک‌همزمانِ کلّیتِ یک تمدن. صرفِ ذخیرهٔ تمام متون در حافظهٔ بلندمدت، به معنای «درکِ ربط‌های درونی» (Internal Relevance) نیست. این پیشنهاد بیشتر به «ایجاد یک موتور جستجوی پیشرفته» شبیه است .

---

جمع‌بندی نهایی نقد

این مقاله رویای «دموکراتیزه‌سازی دانش» را به زیبایی به تصویر می‌کشد و به‌حق به نقدِ سوگیری‌های غربی-مسیحی در پژوهش‌های تاریخی می‌پردازد. اما از منظر مهندسی هوش مصنوعی، این رویا فاقد نقشهٔ راهی برای عبور از موانع «نویز داده‌ها»، «سوگیریِ ترجمه‌ای»، «تاریخ‌گذاری گسسته» و «تشخیص علیت» است. تا زمانی که معماری مدل‌ها به سمت «استدلال نمادین» (Symbolic Reasoning) و نه صرفاً «پردازش آماری» (Statistical Parsing) حرکت نکنند، این پروژه به تولید «روایت‌های هموارکننده» (Smoothing Narratives) منجر خواهد شد که تناقضات بنیادین تاریخ را نادیده می‌گیرند. بهترین کاربرد فعلی هوش مصنوعی در این حوزه، «نقشه‌برداری مفهومی» (Conceptual Mapping) و «کشف ارجاعات نادیده» است، نه بازنویسی کلان‌روایتِ تاریخ.

---

پرامت‌های پرسشگر برای پژوهشگران و منتقدان (در خاتمه)

برای عبور از کلی‌گویی‌های این مقاله و ورود به عرصهٔ عملیاتی، پژوهشگران می‌توانند سوالاتِ ماشینیِ دقیق‌تری را طراحی کنند. در زیر چند پرامت کاربردی برای مواجههٔ انتقادی با این ایده ارائه می‌شود:

1. پرامت روش‌شناختی (نقد داده):
   «با در نظر گرفتن نرخ خطای OCR در نسخ خطی قرون ۱۴ تا ۱۶ میلادی، لطفاً یک چارچوب اعتبارسنجی برای داده‌های ورودی پیشنهاد بده که تشخیص دهد کدام متون برای آموزش مدل مناسب‌اند و کدام یک به دلیل نویز بالا باید کنار گذاشته شوند. آستانهٔ تحمل خطا را بر اساس حوزهٔ فلسفه محاسبه کن.»
2. پرامت معرفت‌شناختی (مسئلهٔ علیت):
   «فرض کن من ۵۰۰۰ متن دربارهٔ مفهوم "ارادهٔ آزاد" از سنت‌های اسلامی، هندی و اروپایی به مدل می‌دهم. چگونه می‌توانی شبکه‌ی ارجاعات را به‌گونه‌ای استخراج کنی که نشان دهندهٔ "تغییر مفهومی" (Conceptual Shift) در طول زمان باشد، نه صرفاً تکرار آماری واژگان؟ الگوریتم پیشنهادی تو برای تشخیص نوآوریِ گفتمانی چیست؟»
3. پرامت اجرایی (محدودیت‌های عملی):
   «با توجه به محدودیت ۲۰۰ هزار توکنی مدل‌های فعلی، چگونه می‌توانی سنتزِ مقایسه‌ایِ بین ۱۰۰ متن بنیادین از تمدن‌های مختلف را در یک خروجی منسجم انجام دهی، بدون اینکه به خلاصه‌سازیِ تقلیل‌گرایانه دچار شوی؟ معماری توجه (Attention) را چگونه بازطراحی می‌کنی تا اولویت را به متونِ کمترارجاع‌داده‌شده بدهد؟»
4. پرامت انتقادی (نقش محقق انسانی):
   «با فرض اینکه خروجی نهایی مدل، ۵ روایت متفاوت از آغاز روشنگری به من ارائه می‌دهد. لطفاً یک "درختِ استدلال" (Tree of Arguments) ترسیم کن که نقاط کور هر روایت را نشان دهد و پیشنهاد بده که من به‌عنوان مورخ، برای تأیید یا ابطال هر کدام، به چه منابع دسته‌اولِ خاصی (که در مجموعهٔ آموزشی نبوده‌اند) مراجعه کنم.»
5. پرامت اخلاقی (عدالت معرفتی):
   «چگونه تضمین می‌کنی که مدل، زبانِ چینی کلاسیک یا سانسکریت را با همان "وزنِ معرفتی" زبان لاتین پردازش کند، در حالی که حجم دادهٔ آموزشیِ زبانِ اولی به‌مراتب کمتر از دومی است؟ راهکارت برای تنظیمِ وزن‌دهی (Weight Adjustment) به نفع فرهنگ‌های کم‌بازنموده‌شده چیست؟»