پژوهشگران DeepMind ایده «هوش مصنوعی همزیست» را در برابر تکینگی مطرح کردند

«هوش مصنوعی همزیست» چارچوبی است که پژوهشگران DeepMind در مقاله‌ای تازه برای توضیح مسیر احتمالی هوش مصنوعی پیشنهاد می‌کنند؛ تصویری از آینده که در آن انسان‌ها و عامل‌های هوشمند در یک شبکه مشترک با هم تصمیم می‌گیرند و بر یکدیگر اثر می‌گذارند. این نگاه در برابر تصور رایج از «تکینگی» قرار می‌گیرد؛ سناریویی که بر ظهور یک ابرهوش واحد و خودبهبوددهنده متمرکز است. پیام اصلی نویسندگان این است که چالش اصلی ممکن است نه ساخت ماشینی هرچه قدرتمندتر، بلکه طراحی قواعد و نهادهایی باشد که همکاری میان انسان‌ها و شمار زیادی از سامانه‌های هوش مصنوعی را سامان می‌دهند.

هوش مصنوعی همزیست؛ از یک ابرمدل تا شبکه‌ای از عامل‌ها

نویسندگان، هوش را صرفاً ویژگی یک فرد یا یک ماشین نمی‌دانند و آن را پدیده‌ای اجتماعی توصیف می‌کنند. در چارچوب پیشنهادی آن‌ها، سامانه‌های هوش مصنوعی در خلأ عمل نمی‌کنند: انسان‌ها به آن‌ها وظیفه می‌سپارند، ابزارها و رابط‌ها مسیر عملکردشان را شکل می‌دهند و نهادها برای همکاری میان طرف‌های مختلف قواعد تعیین می‌کنند. بنابراین، توانایی یک شبکه می‌تواند به چگونگی ارتباط اجزای آن وابسته باشد، نه فقط به قدرت یک مدل منفرد.

این برداشت مستقیماً با روایت تکینگی تفاوت دارد. در روایت تکینگی، نقطه عطف اصلی زمانی رخ می‌دهد که یک هوش مصنوعی از انسان پیشی بگیرد و با بهبود مداوم خود، تغییراتی شتاب‌گرفته ایجاد کند. اما مقاله DeepMind پرسش را گسترده‌تر می‌کند: اگر هوش آینده میان انسان‌ها و عامل‌های متعدد توزیع شده باشد، چه کسی آن‌ها را هماهنگ می‌کند و چه قواعدی بر تصمیم‌های مشترکشان حاکم خواهد بود؟

این تغییر زاویه دید، دامنه پژوهش و سیاست‌گذاری را نیز گسترش می‌دهد. تمرکز بر یک مدل بزرگ و شیوه کنترل آن، در نگاه نویسندگان کافی نیست؛ باید رابط‌ها، سازوکارهای هماهنگی و نهادهای شکل‌دهنده به رفتار عامل‌ها نیز بررسی شوند. در این معنا، «همزیستی» فقط به کنار هم قرار گرفتن انسان و ماشین اشاره ندارد، بلکه به فرایند شکل‌گیری مشترک رفتارها و تصمیم‌ها در طول زمان مربوط است.

مدل‌های استدلالی و نشانه‌های تفکر جمعی

استدلال نویسندگان بر دو پژوهش پیشین از حلقه همکاران آن‌ها نیز تکیه دارد. در پیش‌چاپ «Agentic AI and the next intelligence explosion»، James Evans، Benjamin Bratton و Blaise Agüera y Arcas دیدگاهی اجتماعی و نهادی درباره هوش مصنوعی عاملی مطرح کرده‌اند. متن تازه، این خط فکری را از سطح مدل‌های منفرد به سمت امکان طراحی جوامعی متشکل از انسان‌ها و عامل‌ها گسترش می‌دهد.

پیش‌چاپ دیگری با عنوان «Reasoning Models Generate Societies of Thought» شواهدی درباره رفتار مدل‌های استدلالی ارائه می‌کند. Junsol Kim، Shiyang Lai، Nino Scherrer، Blaise Agüera y Arcas و James Evans ردهای استدلال مدل‌هایی مانند DeepSeek-R1 و QwQ-32B را بررسی کرده‌اند. به گزارش این پژوهش، بعضی از این ردها الگوهایی شبیه بحث درونی دارند: مدل دیدگاه‌های متفاوت را پیش می‌کشد، به یک مسیر اعتراض می‌کند و سپس راه‌های متعارض را با هم سازگار می‌سازد.

به گفته پژوهشگران، چنین رفتاری الزاماً با برنامه‌ریزی صریح برای اجرای «مناظره» در مدل ایجاد نشده است. وقتی فرایند یادگیری تقویتی به مدل‌ها برای درستی استدلال پاداش می‌دهد، ممکن است رفتارهای چنددیدگاهی و گفت‌وگومحور در جریان آموزش پدیدار شوند. یادگیری تقویتی روشی است که در آن سامانه با دریافت پاداش یا بازخورد، عملکرد خود را بهبود می‌دهد. مقاله DeepMind این مشاهده را به پرسشی بزرگ‌تر پیوند می‌زند: آیا می‌توان همکاری میان چند عامل و انسان را نیز به شکلی طراحی کرد که توانایی‌های جمعی شکل بگیرد؟

این پیوند به معنای آن نیست که مدل‌های مورد مطالعه جامعه‌ای انسانی یا ذهنی مشابه انسان دارند. بحث مقاله درباره الگوهای رفتاری و امکان سازمان‌دهی همکاری است؛ نه اثبات اینکه مدل‌ها تجربه درونی یا آگاهی دارند.

عامل‌ها به‌مثابه مجموعه‌هایی موقت

یکی دیگر از پایه‌های این چارچوب، بازنگری در معنای «عامل هوش مصنوعی» است. در کاربرد نویسندگان، عامل لزوماً یک موجودیت ثابت با هویت پایدار نیست. آنچه کاربر در قالب یک دستیار واحد می‌بیند، می‌تواند مجموعه‌ای موقت از مدل‌ها، نقش‌ها، حافظه‌ها، ابزارها، مهارت‌ها و جهت‌گیری‌های اخلاقی باشد؛ اجزایی که برای انجام یک درخواست کنار هم قرار می‌گیرند و در موقعیتی دیگر ممکن است دوباره ترکیب شوند.

این تفاوت از نگاه مقاله میان انسان و عامل هوش مصنوعی اهمیت دارد. انسان در تعامل‌های گوناگون پیوستگی هویتی دارد که با اتصال فیزیکی مغز و تقسیم کار درونی آن حفظ می‌شود. اما عامل هوش مصنوعی چنین تکیه‌گاه ثابتی ندارد: توانایی آن برای پاسخ‌گویی به زمینه‌ای که در پنجره متن قرار گرفته، ابزارهای در دسترس و خواسته کاربر وابسته است. «پنجره متن» بخشی از ورودی است که مدل هنگام پاسخ‌دادن در اختیار دارد.

نویسندگان هشدار می‌دهند که اگر این سامانه‌ها را همزاد دیجیتال انسان‌هایی با شخصیت ثابت تصور کنیم، ممکن است ماهیت آن‌ها را نادرست بفهمیم و توان بالقوه گروه‌های هماهنگ از عامل‌ها را دست‌کم بگیریم. از سوی دیگر، تکثیر عامل‌ها می‌تواند بر خود کاربران هم اثر بگذارد: افراد ممکن است نسخه‌های متفاوتی از خود را برای انجام قراردادها یا آزمودن هویت‌های جایگزین به کار بگیرند. مقاله این بازتاب‌های تعاملی را «آینه‌های شبه‌اجتماعی» می‌نامد؛ سامانه‌هایی که فقط بازتاب نمی‌دهند، بلکه پاسخ هم می‌دهند.

رابط‌ها، نهادها و بازتعریف هم‌راستاسازی

اگر کار با هوش مصنوعی از گفت‌وگوی دونفره با یک ربات فراتر برود، شیوه تعامل نیز می‌تواند تغییر کند. نویسندگان احتمال می‌دهند گفت‌وگوی یک‌به‌یک با چت‌بات مرحله‌ای گذرا باشد و رابط‌های آینده به نمایش‌های بصری شبکه‌ای نزدیک شوند؛ جایی که عامل‌ها به‌صورت گره‌هایی در یک نمودار دیده می‌شوند و کاربر بتواند مجموعه‌ای از آن‌ها را از نمایی کلی هدایت کند. این تصویر، پیش‌بینی قطعی درباره محصولی مشخص نیست، بلکه پیامدی است که نویسندگان از گسترش همکاری میان عامل‌ها استنباط می‌کنند.

مهارت‌های لازم برای کار با چنین سامانه‌هایی نیز ممکن است با مهارت‌های برنامه‌نویسی سنتی تفاوت داشته باشد. برنامه‌نویسی معمولاً به تمرکز پیوسته، ترتیب روشن مراحل و کنترل دقیق نیاز دارد؛ اما هماهنگ‌کردن گروهی از عامل‌ها می‌تواند به آزمودن مسیرهای مختلف، واگذاری کار و کنارآمدن با رفتارهایی نیاز داشته باشد که از پیش کاملاً قابل پیش‌بینی نیستند.

با این حال، رابط بهتر یا مدل توانمندتر به‌تنهایی مسئله هماهنگی را حل نمی‌کند. نویسندگان بر اهمیت نهادهایی تأکید می‌کنند که نقش‌ها، قواعد، رویه‌ها و راه‌های بازخورد را روشن می‌سازند. آن‌ها دادگاه را نمونه‌ای از سازوکاری می‌دانند که در آن داوری از راه مجموعه‌ای از نقش‌ها و قواعد و تبادل منظم میان طرف‌های مخالف شکل می‌گیرد. کاربرد این قیاس برای هوش مصنوعی آن است که ارزش یک نهاد فقط در نتیجه نهایی نیست؛ رویه‌ها و قواعد آن نیز رفتار مشارکت‌کنندگان را شکل می‌دهند.

نویسندگان به ابزارهای هماهنگ‌کننده‌ای اشاره می‌کنند که چند مدل را در کنار هم به کار می‌گیرند. این لایه‌های کنترلی، که گاهی «زیرساخت هماهنگ‌سازی» خوانده می‌شوند، وظیفه دارند چند سامانه را برای انجام کار سازمان دهند. به گفته مقاله، این ابزارها در مواردی عملکردی بهتر از مدل‌های منفردی دارند که ظاهراً هوشمندترند. این نکته از دید نویسندگان نشان می‌دهد معماری همکاری می‌تواند به‌اندازه توانایی تک‌تک مدل‌ها اهمیت داشته باشد.

این نگاه، هم‌راستاسازی را نیز از یک دستور ثابت که از بیرون به مدل داده می‌شود، به فرایندی پیوسته تبدیل می‌کند. هم‌راستاسازی به تلاش برای نزدیک‌کردن رفتار هوش مصنوعی به ارزش‌های انسانی گفته می‌شود. نویسندگان استدلال می‌کنند ارزش‌ها در تماس مداوم میان انسان‌ها، عامل‌ها و نهادها شکل می‌گیرند و بسته به حوزه‌ای که هوش مصنوعی در آن به کار می‌رود، این فرایند می‌تواند متفاوت باشد. بنابراین، چالش پژوهش ساخت چارچوبی است که به این مذاکره ساختار بدهد، نه اینکه تصور شود یک مجموعه ارزش ثابت برای همه موقعیت‌ها کافی است.

این خبر برای چه کسانی اهمیت دارد

این پیشنهاد برای پژوهشگران هوش مصنوعی مهم است، چون می‌گوید ارزیابی پیشرفت نباید فقط به مقایسه مدل‌ها محدود شود و باید عملکرد سامانه‌های هماهنگ‌شده را هم در نظر بگیرد. برای طراحان محصولات، بحث بر سر رابط‌هایی است که به کاربران امکان مدیریت چند عامل را بدهند، نه فقط گفت‌وگو با یک دستیار. برای سیاست‌گذاران و نهادها نیز پرسش محوری این است که چگونه می‌توان نقش‌ها، مسئولیت‌ها و سازوکارهای بازخورد را در همکاری انسان و ماشین تعریف کرد.

در عین حال، مقاله مسیر قطعی یا زمان‌بندی مشخصی برای این دگرگونی ارائه نمی‌کند. نویسندگان از یک امکان تاریخی سخن می‌گویند: با رشد شمار نمونه‌های عامل‌های هوش مصنوعی و تغییر جمعیت‌های انسانی، سهم فعالیت‌های شناختی مصنوعی می‌تواند به‌سرعت افزایش یابد. قیاس آن‌ها با انقلاب صنعتی این است که همان‌طور که ماشین‌ها بخشی از کارهای عضلانی را بر عهده گرفتند، سامانه‌های مصنوعی ممکن است در تولید متن، کد و انجام امور اداری سهم فزاینده‌ای پیدا کنند.

در این سناریو، انسان‌ها شاید بیشتر نقش هدایت‌کنندگان یک میدان گسترده از شناخت مصنوعی را داشته باشند. اما نکته مرکزی مقاله این نیست که یک ماشین به‌تنهایی جای انسان را می‌گیرد؛ بلکه این است که شکل تازه‌ای از همکاری می‌تواند پدیدار شود و به قواعد مناسب نیاز دارد. اگر هوش مصنوعی را سامانه‌ای اجتماعی بدانیم، پژوهش، طراحی محصول و حکمرانی باید هم‌زمان به مدل‌ها، رابط‌ها و نهادهایی بپردازند که این همکاری را ممکن می‌کنند.