بسم الله الرحمن الرحیم

جلسات فقه هوش مصنوعي

فقه هوش مصنوعی؛ جلسه 52 8/3/1404

بسم الله الرحمن الرحیم

کثرت عناوین غیر تبویب شده در فقه؛ ضمان حکمی

فرمودند این بحث از نظر کلی مطالب به کجا رسیده است، آن چه که به‌عنوان شروع کار عرض شد این بود که ما در این رشته‌ها وارد نیستیم و درسش را نخوانده‌ایم. ولی خب اندازه‌ای که مباحثه شروع شود، امر کردند صبغه فقهی آن بحث شود. اندازه‌ای که در توان مثل من طلبه بود، آن چه که برای شروع کار به گمانم نیاز بود را عرض کردم. یعنی کسانی که در سن جوانی هستند و همت دارند، آن‌ها می‌توانند این را ادامه بدهند. آن اندازه‌ای که در توان من بوده را عرض کردم. سه بخش هم عرض کردم. در هر سه بخش کلیات مطالبی که به ذهنم آمده بود را عرض کردم. اگر همتی شود ادامه داده شود خیلی خوب است. فقط آن چه که من پیشنهاد دادم، این بود که کتاب ضمان حکمی را بررسی کنیم. در فقه کتاب‌های رسمی کلاسیک داریم. مثلاً شرح لمعه پنجاه و چهار-پنج کتاب است. مبسوط مرحوم شیخ حدود هشتاد کتاب است. این‌ها کتاب‌های رسمی کتب تصنیف شده در فقه است. اما اگر شما بخواهید موضوعات محل ابتلاء و مهم در فقه را منحاز کنید و مطالبش را جمع‌آوری کنید، شاید بالای پانصد کتاب شود. خود من یک وقتی که حال داشتم و در دفتر نوشتم، شاید بالای سیصد کتاب شد. کتاب الحج و کتاب الصلاة یک چیز است، اما یک مطالبی هست که به‌صورت شخصی و جزئی می‌توان کتاب شود. یکی از آن‌ها همین ضمان حکمی است. به‌صورت کتاب نیامده است، احکامش در جاهای مختلف آمده است، در هر کتاب فقهی نگاه می‌کنید می‌بینید کتاب الضمان هست. می‌گویند ضمان چیست؟ انتقال ذمه با توضیح فقهی ای که دارد. اما ضمانی که به حکم شارع یک مسئولیت می‌آورد، بدهکاری می‌آورد، این در جاهای مختلف پخش است. این خودش واقعاً یک کتاب است ولی پخش است. حالا ما چه کار کنیم؟ مواردش را باید بیاورم. مثلاً در فقه کتاب الجنین نداریم. اما خودش واقعاً یک کتاب است. یعنی مطالبی که برای موضوع جنین مطرح است، چقدر در فقه پراکنده است و شما می‌توانید یک جا آن‌ها را جمع کنید. همین‌طور جلو بروید. مثلاً کتاب المجنون که از احکام مجنون بحث می‌کند. ما کتاب المجنون نداریم اما چقدر احکام دارد. کتاب ولد الزنا. قبلاً در جلساتی این‌ها را گفته بودم. این‌ها بالای سیصد مورد است. چون هر چه در فقه راجع به ولدی که از زنا متولد می‌شود، باید متفرد دنبالش بگردیم. اما اگر یک کتاب باشد که هر احکامی در فقه برای آن مطرح است را جمع کرده باشد، خوب است.

حالا هم می‌گوییم کتاب ضمان حکمی. این پیشنهاد من است. خب حالا از کجا شروع کنیم؟ پیشنهادی که محضر شما دادم، کتاب القصاص جواهر است. طبق متون فقهی از کتاب القصاص جواهر شروع می‌کنیم. ابتدای کتاب القصاص یک کلیات بسیار عالی راجع به ضابطه مند کردن مسئولیت بیان کرده‌اند. خب ضمیمه آن کتاب الدیات، کتاب الغصب، کتاب المتاجر و … می‌شود. ولی خب نقطه شروع بحث همین کتاب باشد، خوب است.

پایه محوری در هوش مصنوعی و تفات آن با H₂O

اگر خلاصه این دو سال مباحثه را بخواهم بگویم، این شد: ما مطالب هوش مصنوعی را با نگاه حوزوی و غیر آن در سه بخش بررسی کردیم. قدم اول که خیلی مهم بود و بیشتر هم عینک کلامی بود، این بود که ما هوش را به هوش پایه محور و اشراق محور تقسیم کردیم. این تقسیم فقط در کلام فایده ندارد، شاید آینده بسیار خوبی داشته باشد اگر بتواند درست ارائه شود.

در بخش دوم هوش پایه محور را بررسی کردیم. تحلیل کردیم و توضیحش دادیم. در بخش سوم جایگاه هوش پایه محور در موضوع احکام فقهی را بیان کردیم. بعد از این‌که تصور درستی پیدا کردیم که هوش پایه محور دارد چه کار می‌کند، بعد حالا کارهایی که او انجام می‌دهد را به کلاس فقه می‌بریم. موضوعات فقهی در ادله شرعیه را بالدقه نگاه می‌کنیم و می‌خواهیم ببینیم این هوش پایه محور که این کار را انجام می‌دهد، شارع برای آن چه حکمی از ضمان و غیر آن می‌آورد. این سه بخش مباحثه ما بود.

بخش اول که تفاوت این دو هوش بود، آن چه که اساس عرض من است و روی آن تأکید می‌کنم، این است: ما که پایه محور می‌گوییم مقصود ما از پایه یک معنای تجریدی لطیف است که در ادامه بحث با عناصر اجتماعی‌ای…؛ کسانی که قائل به اصالت فرد بودند و به‌هیچ‌وجه حاضر نبودند زیر بار بروند که ما در اجتماع یک مؤلفه‌هایی داشته باشیم که این از کل ظهور کرده و اصلاً قابل کاهیدن به اجزاء جامعه و افراد نیست؛ از کلمات خودشان و سائرین شاهد آوردم که می‌تواند حتی مثل اجتماع یک لطیف داشته باشد که مثل h₂o سخت نیست، در این پایه لطیف می‌تواند چیزی ظهور کند که واقعاً در این پایه است. اگر این پایه نبود آن هم نبود. ولی خود آن قابل کاستن به افراد جامعه نیست. این کلی بحث بود. بنابراین این‌که پایه محور عرض می‌کنم باید تصور ما از پایه تصور سخت مثل h₂o نباشد. من که این مثال را ده‌ها بار زدم، برای شروع ترسیم بود.

تنظیر پایه محوری به تمثیل نقطه

در مقاله‌ی نکته‌ای در نقطه عرض می‌کردم که نقطه یک مفهومی است که وقتی معلم ریاضی می‌خواهد آن را توضیح بدهد با مداد سر تیز آن را نشان می‌دهد. همان جا عرض کردم که استاد می‌گوید سر مداد شما خیلی کلفت نباشد. تراش بردارید و مداد را خوب تیز کنید. هر چه تیزتر باشد بهتر است. بعد بدون این‌که دستتان تکان بخورد آن را روی کاغذ بگذارید. این نقطه می‌شود. خب وقتی او این نقطه را می‌گوید، می‌خواهد مفهومی را به این‌ها بگوید. می‌خواهد بگوید دستت تکان نخورد، بُعد نداشته باشد. پهن نباشد. یک چیز غیر قابل تجزی را می‌خواهد به طرف بگوید. لذا همان جا در آن مقاله عرض کردم حالا مدادی را که خیلی سر آن را تیز کرده‌اید را اگر زیر میکروسکوپ ببرید. می‌گویید این‌که نقطه نیست، قله دماوند است. طول و عرض دارد. اگر همین چیز باریک را بزرگ کنید، نقطه نیست. ببینید با این‌که آن را زیر میکروسکوپ بردید و سر تیز مداد بزرگ شد و آن را مثل کوه دیدید که جزء دارد، اما مفهومی که معلم گفت سر جایش هست. یعنی متعلم فهمیده و فعلاً در مثال مناقشه دارد. سر مداد تیز آن نقطه‌ای که استاد گفت، نیست. این مثال مشکل دارد. ولی استاد با این مثال ریاضی آن مفهوم را آورد.

حالا در همین فضاها می‌خواهیم مفاهیمی را با مثال عرضه کنیم. عرضه کردن این مفهوم خیلی مهم است. مفهومی است پایه محور در مقابل اشراق محور. این پایه، یک مفهوم عامی دارد. که ما در این بحث با آن کار داریم.

در جلسه قبل مثال‌هایی را عرض کردم. مثال تله پاتی را عرض کردم. آقا فرمودند امواج مغزی تا چهارهزار کیلومتر می‌رود و بحث تا آخر مباحثه به همین مسأله گذشت. نمی‌خواستیم این قدر طولانی شود، ایشان یک جمله گفتند و کل مباحثه رفت. حالا امروز ان شاءالله این جور نیست. ولی از جلسه قبل نکاتی که در خاطرم هست را می‌گویم. آن جا یادم نیامد.

کتاب جهان ریاضی ما و مسأله اشراق محوری

ببینید قبل از این‌که تعطیلی های کرونا پیش بیاید مباحثه‌ای داشتیم. دو-سه تا بحث بود. آن جا من مکرر از یک کتابی اسم بردم. شاید در این مباحثه هم گفتم. آن کتاب حدود ده سال است که نوشته شده است. ما هم در فضای حوزوی نمی‌خواهیم این‌ها را تأیید کنیم. ولی کتاب‌هایی که نوشته می‌شود را وقتی برانداز می‌کنیم، می‌بینیم گاهی در میان این کتاب‌ها جهت‌گیری کتاب، جهت‌گیری خوبی است. اگر ادامه پیدا کند مباحث بسیار خوبی مطرح می‌شود. خیلی هم پیشنهاد دادم و گفتم اگر آقایان دانشگاهی ها نکرده‌اند، در حوزه این را ترجمه کنند. آقای تگمارک کتاب «جهان ریاضی ما» را نوشته است؛ « Our Mathematical Universe ». این کتاب حدود ده سال است که نوشته شده است. چند بار پیشنهاد دادم که این کتاب ترجمه شود. چون جهت‌گیری مهمی دارد. جلسه قبل مطالب ما به این مربوط می‌شد. جلسه قبل مثال اسپاگتی غذای ایتالیایی یادم نیامد. بعد رفتم و مراجعه کردم.

شاگرد: این کتاب ترجمه شده است.

استاد: بله، بعد از چند سال امروز دوباره گشتم خوشحال شدم. یک سال و خرده ای است که کتاب ترجمه شده است. کتاب خوبی است. ششصد صفحه است. این کتاب جهت‌گیری را عوض می‌کند. پارادایم ساز است. اصلاً فضا را عوض می‌کند. ایشان هم نه فیلسوف است و نه روانشناس است. این‌ها علومی است که حال خودش را دارد. این‌ها علومی است که حال خودش را دارد و از سنخ علوم نرم است. ایشان خودشان فیزیک‌دان است. به گمانم نویسنده خودش فیزیک‌دان است. کسی که رشته اش فیزیک بوده وقتی یک کتابی می‌نویسند، خیلی فرق دارد با این که یک فیلسوف یا روان‌شناس بخواهد در این فضا وارد شود. آن‌ها با هم مخلوط می‌شود. ولی وقتی رشته او این است، وقتی فنی دستش هست طور دیگری می‌شود.

علی ای حال ایشان مثالی زده بود که جلسه قبل در فرمایشات آقایان به ذهنم آمد. به پرنده و قورباغه مثال می‌زند. این در بحث‌های ما بسیار مهم است. در این بخش اول خیلی مطالب را عرض کردم. اگر شما برای آن‌ شواهد جمع‌آوری کنید جا دارد.

اشراق محوری در جمله گواس ریاضی دان

آن منطق دان می‌گفت همان‌طور که چشم سرمان امور فیزیکی را می‌بیند، چشم ذهن و چشم عقل هم یک حقائقی را می‌بیند. نه این‌که ایجاد کند یا فرض کند. واقعاً می‌بیند. گودل بود. یکی دیگر هم گواس آلمانی است که از نوابغ ریاضی همه اعصار و قرون است. اسمش خیلی معروف است. این آقای گواس یک مطلب خیلی جالبی دارد. برای همین بخش اول خیلی خوب است. برای بخش تفاوت اشراق محور با پایه محور. انسانی که خدا آفریده بالفعل یک چیزی دارد که در هوش مصنوعی نمی‌تواند باشد. هوش مصنوعی فقط هوش پایه محور است. اما انسان آن را دارد. آن جا که می‌روید یک چیزی هست که باید شما موضع دقیق این تفاوت را نشان بدهید و شواهدش را بیاورید. یکی آن کتاب بود که گفت همه ریاضی دان ها افلاطونی رفتار می‌کنند اما وقتی سر به سر آن‌ها می‌گذاریم به فرمالیسم عقب‌نشینی می‌کنند.

همین آقای گواس در یک فرمولی که در نظریه اعداد ارائه داده، بعداً خودش گفته است؛ الآن هم اگر بزنید می‌آید. از گفتارهای معروف او است. می‌گوید بعد از این‌که حل شد، هر چه بر می‌گردم و فکرش را می‌کنم که آخر چه شد و من چه کار کردم و چطور حل شد، هیچی نمی فهمم. تعبیری که دارد این است: « the grace of the Lord. Like a sudden flash of lightning ». یعنی فقط لطف خدا بود. یک بازاری یا یک بچه نیست که این حرف را بزند. می‌گوید مثل یک برق که می‌زند نمی‌دانم چه شد. نه می‌توانم بگویم فکر کردم، نه وقتی بر می‌گردم می‌توانم راهی برای آن ارائه بدهم. فقط یک برقی زد و لطف خدا آمد. خب این یعنی چه؟ یک بچه این حرف را می‌زند؟ یا بزرگ‌ترین نابغه قرون ریاضیات؟! او می‌گوید یک چیزی آمد و نمی‌دانم چه شد. بچه هم نیست. خودش یکی از بزرگ‌ترین فحل های تاریخ علم است. این‌ها مثال‌های خوبی برای این اشراق محور است.

اشراق محوری در نظریه سلول هوش مصنوعی

یکی دیگر بود که گفته بود بی خوابی به سرم زده بود، در ذهنم می‌دیدم. سال‌ها قبل از این‌که پرسپترون در سلول هوش مصنوعی ابتدائی در بیاید که حافظه را طبق شبکه‌های عصبی جلو می‌برد، او آن وقت گفت که من در حالت بی خوابی دیدم نمادهای ریاضی در ذهنم به هم می‌خورند تا جایی که یکی از آن‌ها مستقر شد. می‌گویند وقتی سلول‌ها به حد تراز رسید شلیک می‌کند؛ به تعبیر خودشان می‌گویند یک آستانه دارد. وقتی به آن آستانه می‌رسد و شلیک می‌کند، این‌طور می‌شود. خدا رحمت کند والده آسید احمد! علویه مکرمه ای بود. خود ایشان هم از اجله هستند؛ حفظه الله! ایشان می‌گفتند وقتی من محضر والده می‌روم، ایشان می‌گویند من اینجا که نشسته ام، تمام چیزهایی که دارد در مغزم رد و بدل می‌شود را می‌بینم. عصب ها و رد و بدل ها را می‌بینم. خب انکار فوری کردن کار ما است! اما ایشان می‌گفت مادر پیر من این‌طور می‌گفت. می‌گوید تبادل هایی که خدای متعال در مغز من قرار داده را می‌بینم. تا من حرف او را دیدم به یاد حرف آسید احمد افتادم که می‌گفت والده من می‌گوید من این‌ها را می‌بینم. او هم می‌گفت من در بی خوابی می‌دیدم. بعد می‌گوید یک رابطه استقرار پیدا می‌کرد. الآن ما تعبیر می‌کنیم به ارتباطاتی که بعد از تکرار، شبکه‌های عصبی مصنوعی پررنگ تر می‌شود. الآن دارند اداء آن‌ها را در می‌آورند.

منظورم این است که هر چه شما بتوانید از این‌ها بیاورید، خوب است. البته خیلی از آن‌ها را نمی‌توانید. جلسه قبل صحبت شد. ولی این کتاب جهان ریاضی ما، اصلاً نگاهتان را عوض می‌کند. می‌گوید شما هر کاری کنید و هر کجا بروید اصلاً پایه فیزیکی جهان بر ریاضیات است. نه بر انرژی و نیرو و ذرات بنیادین. این‌ها ظهور آن پایه است. چقدر فرق دارد تا این‌که بگویید ماتریالیست می‌گوید پایه ماده است و بعد خواصی بر این تراکیب ماده برپا می‌شود. این برای بخش اول عرضم. پس تفاوت بین پایه محور و اشراق محور بسیار مهم است. هر چه خدا توفیق داد و شواهد له و علیه آن را ارائه کنید، جزء باقیات و صالحات است.

انواع زبان‌های «Large»

بخش دوم، تحلیل این هوش پایه محور بود. عرض شد تا الآن مسیرهایی طی شد. اگر یادتان باشد مسیری که ما طی کردیم این بود که از دل سخت‌افزار شروع کردیم. از پیت در سی دی های نوری شروع کردیم و بالا آمدیم. به ترتیب از دل سخت‌افزار آمدیم و آمدیم تا برسیم پایه‌هایی را به‌وضوح ببینیم که در این پایه‌ها ظهور هوش پایه محور تعبیه شده است. این پایه‌ها را کم نگذاریم. ببینیم چه شده است. آن چه که شما در جلسات قبل ارسال کرده بودید، هشت مرحله بود. چیز خوبی بود. هشت مرحله سیر مطالب ریاضی در پدید آمدن این مطالبی که تا الآن هست.

من روی این نکته تأکید کردم که ما می‌توانیم پایه‌ای فراهم کنیم که معنا در آن ظهور کند. دو-سه جلسه راجع به آن صحبت کردیم. از واژه‌ اشاره گر استفاده کردم. تفاوت آن را با هوشی که امروزه هست را عرض کردم. الآن هم خلاصه‌ای از آن را عرض می‌کنم.

آن چه که الآن معروف است و چند جلسه راجع به آن صحبت کردیم «LLM» است. یعنی مدل زبانی بزرگ؛ « Large Language Model ». این کلمه «Large» که الآن خیلی به کار می‌رود، خیال نکنید که یک لغت است؛ یعنی بزرگ؛ نه. « Large » یک روش است. «Large» یعنی بر خلاف آن لجیکی که قبلاً بود، بر خلاف آن روش‌های پیشین که «Role Based» بود و با قواعد و منطق بود….

شاگرد: نماد؟

استاد: بله، سیمبولیک بود. غیر از اتصال گرائی است. نسل اول هوش مصنوعی است. آن فضایی که جلو می‌رفت اول پایه و درخت و ساختار و منطق را درست می‌کردیم و بعد از آن اطلاعات می‌گرفتیم. مدام هم یک چیزهایی به سیستم ها خبره می‌دادیم و از آن‌ها مطالبی را می‌گرفتیم. شاید عرض کردم حدود بیست و پنج-شش سال پیش بود، مؤسسه یس بود. یک نرم‌افزار ارث داده بودند. آن وقت نرم‌افزار خوبی بود. تحت داس اجراء می‌شد. شما اطلاعات خاص مسأله ارث خودتان را به آن می‌دادید و سریع جواب می‌داد. سیستم خبره به این صورت است. یعنی اگر فراموش می‌کردید که وارث چند نفر هستند و چقدر ارث می‌برند، او اشتباه نمی کرد. این یک مبنا بود.

در کلمه «Large» که اینجا به کار می‌رود، درست مسیر برعکس شد. یعنی اول اطلاعات حجیم و وسیع، یک پیکره را به آن می‌دهند، یک پیکره امور زبانی مثل ویکی پدیا است، گاهی پیکره چیزهای دیگری است. مثلاً مفاهیم است. «LCM» است؛ «Large conceptual model»؛ مدل مفهومی است. الآن تازه دیدم که در خبرها آمده «lwm». یعنی «Large World Model»؛ مدل جهانی بزرگ. « Large» یعنی شما از ابتدا انبوهی از اطلاعات را به آن می‌دهید، سرمایه آن همین انبوه است. با آن ضوابط و پارامترهایی که چند میلیارد میلیارد پارامتر است، شروع می‌کند از آن‌ها استفاده می‌کند. حالا یا به نحو نظارت شده یا به نحو غیر نظارت شده. خود این مدل‌ها هم غیر نظارت شده اش هم انجام می‌شود.

چیزی که می‌خواهم عرض کنم، این است: آن چیزی که پارسال برای ظهور معنا عرض کردم با این هایی که الآن هست، تفاوت دارد. این هایی که الآن «Large» است، یعنی چه؟ یعنی شما به آن اطلاعات می‌دهید، آموزش ابتدائی هم به آن می‌دهید، به هر کدام از آن‌ها مراجعه کنید مفصل است. این آموزش ابتدائی که صورت گرفت، او خودش راه می‌افتد. در کل این پیکره وسیعی که به او تعلیم داده‌اید راه می‌افتد و شروع به تولید «generate» می‌کند. نوع این «generator»ها نظارت نشده‌اند. در مقابل روش‌های دیگر هستند. این‌ها شروع می‌کنند و عرضه کردن و تولید کردن مطالب.

این‌ها چه کار می‌کنند؟ اگر یادتان باشد، توضیحش را عرض کردم. کاری که این «Large»ها انجام می‌دهند، بر مبنای جست‌و‌جوی آمارمحور، و تبدیل این‌ها به بردار است. دو-سه جلسه راجع به مبادی این‌ها صحبت کردیم. یعنی در فضایی که الآن ما داریم، این در آن پیکره می‌آید. در مدلی که الآن عرض کردم اگر زبان وسیع به آن بدهیم «llm» می‌شود. کلمه‌های را حدس می‌زند. اگر «lcm» باشد جمله‌ها را حدس می‌زند. الآن شده «lwm» یعنی یک حجم وسیعی از عالم دنیا و همه چیز. نه فقط زبان، زبان و پردازش زبان طبیعی یک بخش کار است؛ هر چه که در دنیا هست. بعداً با این مدل یک پیکره اطلاعات که به آن می‌دهید همه چیز در آن هست. فقط متن نیست. دریافت هایی از سنسورهای بینایی هست. وقتی در یک محیط وارد می‌شود و می‌خواهد بداند چند نفر در این سالن هستند، او که نمی‌تواند به متن نگاه کند. آن هوش مصنوعی که فقط به متون نگاه می‌کند، هرگز نمی‌تواند تعداد افراد در اینجا را بگوید. اما هوشی که «lcm» را اعمال می‌کند، با اطلاعاتی که قبلاً برای شناسایی یک محیط به او داده‌اید، تا وارد سالن می‌شود فوری افراد را می‌شمارد.

این‌ها با آن چیزی که من عرض می‌کردم متفاوت است. این چیزی که الآن انجام می‌دهند، تمام اطلاعات را به نحو خاصی با شماره و آمار، «embedding» می‌کند. بحث ما هم سر همین بود. این‌ها را به بردار تبدیل می‌کند. به تنسور تبدیل می‌کند. دو-سه جلسه راجع به فضای برداری صحبت کردیم. بردار مفهوم بسیار مهمی است. همین زبان‌های «Large» با چقدر درایه، بردار می‌سازد. پنج-شش تا نیست، هزاران درایه برای یک بردار دارد. یعنی یک کلمه تبدیل به بردار می‌شود؛ با نرم خاصی که نوعاً نرم اقلیدسی است. آن را به یک وزن تبدیل می‌کند. بعد با مراحلی که طی می‌شود، روش آماری که برای این زبان تشکیل می‌دهد، صرفاً با همان فلش ها و فاصله‌های برداری ریاضی حوزه‌های کلمات و اوصاف آن را تشخیص می‌دهد. مثال هایش را هم عرض کردم.

ظهور معنا در مراحلی از زبان «Large»

شاگرد: می‌فرمایید این بردارها معد ظهور چیزی نیست؟

استاد: بله، اینجا الآن معنا ظهور نکرده است. عملیات دارای معنا نیست. اتاق چینی سرل را عرض کردم. کنار مثال او به طفل مثال زدم. با او یاد می‌دهید که با انگشتانش کار کند و در جدول ضرب به شما خروجی می‌دهد. و حال آن‌که اصلاً درکی از ضرب و عملیة الضرب ندارد. فقط یک چیزی را به او یاد دادید که با انگشتش انجام بدهد. ولی این انگشت های طفل که تکان می‌خورد، او درکی از معنا ندارد ولی تکان خورد انگشتانش معنا دار است. این «Role Based»ها همه این جور است. یعنی چیزی را به او یاد دادید که معنادار است. اما آن چیزی که در این مدل‌های«Large» که مبتنی‌بر آمار اجراء می‌شود و همه را به بردار تبدیل می‌کند، بردارهایی صرفاً روی فضای درک ریاضی است از آن پیکرهایی که به آن داده‌اید. این‌ها معنادار نیست. خود عملیاتش معنادار نیست. بله، خروجی آن طوری می‌شود که شما می‌توانید در فضای معناداری خودتان استفاده کنید، چون آن پیکره حجیم را به آن داده‌اید. در اتاق چینی فقط نمادها و قواعد را به او می‌دادید. به خلاف این «Large»ها که کل اطلاعات را به او می‌دهید و خود او می‌گردد. به کتاب جواهر مثال زدم. وقتی در جواهر می‌گردد تا ببیند در کتاب‌ها چندبار واژه طواف به کار رفته، او هیچ درکی از طواف ندارد. بعد هم که آمار می‌دهد، این آمار او باز درکی از طواف ندارد. بعد هم که از این بردار، نرم گرفتید، می‌گوید طواف در کتاب جواهر یک برداری با این وزن خاص است. این باز چه معنایی می‌دهد؟! این معنا نداده است، آن فقط تعداد را آمارگیری کرده است.

شاگرد: در هوش مصنوعی وقتی می‌خواست فرایندش را توضیح بدهد مثال زده بود به یک جمله؛ مثلاً فلانی وارد اتاق شد و یک گربه دید، ناگهان… . بعد از این عملیاتی که انجام می‌دهد ظهور پیدا می‌کند که مثلاً ترسید. این‌که جای این معنا هست، ظهور پیدا می‌کند.

استاد: ببینید او بعد از کلمه «ناگهان» را چطور حدس می‌زند؟ او گربه و همه کلمات را در کل اطلاعاتی که به او داده‌اید می‌بیند. آن پیکره مهم بود. در آن‌ها می‌گردد تا ببیند کدام بیشتر هست. تا آخر کار هم چند گزینه رندمی می‌شود. در مواردی هست که رندم انتخاب می‌کند. لذا خودش هم گاهی دو جور جواب می‌دهد. وقتی همین سؤال را از او دو بار بپرسید، چون در انتخاب گر خودش رندم انتخاب می‌کند، جواب های مختلفی می‌دهد.

شاگرد: آن هم می‌توان جواب داد که به‌صورت مساوی است. بالأخره بعد از این عملیات یک معنایی ظهور پیدا کرده که ما قبلاً نمی‌دانستیم. فرض کنید که یک زبانی است که نحوه ترکیب‌های آن را نمی‌دانستیم، الآن فهمیدیم که اینجا مناسب آن است.

استاد: اگر یادتان باشد یکی از بحث‌های خوبی که چند جلسه صحبت شد، این بود: گفتیم ظهور معنا به‌نحوی‌که ناظرمحور است، با ظهور معنا به‌نحوی‌که ناظر محور نیست، تفاوت دارد. گاهی یک معنا ظهور پیدا کرده ولی تا کسی به آن نگاه نکند اصلاً ظهور پیدا نمی‌کند. اما گاهی است که معنا طوری ظهور پیدا می‌کند که در اینجا با این خصوصیات، کار از او می‌آید ولی کاری مبتنی‌بر آمار است. معنایش ناظر محور است. یعنی شما که آن پیکره را بلد هستید، معانی آن را درک می‌کنید، وقتی خروجی آن را می‌بینید، از خروجی آن یک معنا به ذهن شما می‌آید.

شاگرد: فرض کنیم ناظری هم نباشد، یک رابطه نفس الامری بین دیدن گربه و ترسیدن، وجود ندارد؟

استاد: رابطه نفس الامری وجود دارد، او که این رابطه را ملاحظه نمی‌کند. او فقط شماره می‌کند. آمار به این معنا است.

شاگرد: ولی آن معنا ظهور پیدا کرده است. مثل بردار و جدول ضرب است که بالأخره هر کسی نگاه کند، می‌گوید این معنا باید باشد.

استاد: این‌که شما می‌فرمایید برای مبادی ای است که صحبتش نشده است. من توضیح بردار را عرض کردم. مهم تلفیق همه راه‌ها است. تا اینجا که آمدیم بسیار زحمت کشیده شده تا بردار و صرف آمار تبدیل شود به همگرائی و نزدیک شدن فضاها و خصوصیات. در این مسیر خیلی زحمت کشیده شده است. این‌ها مراحل بعدی است. یعنی فعلاً در همین مرحله آمار ما عملیات معنادار نداریم، فقط شماره داریم، از خروجی این کار، چندین گام بعدی جلوتر رفته‌اند. توکن هایی که عرض کردم اولین قدم بود. بعد این‌ها را ریشه یابی (Stem) کرده‌اند. بعد صرف (Morphology) است. بعدش نحو (syntax) است. بعدش پراگماتیکس (Pragmatics) است؛ که کاربردشناسی است. بعد از اعمال این مراتب زبان شناسی… . یک مقاله خوبی هم معرفی کردم؛ مربوط به پیاده‌کردن زبان شناسی جدید برای استفاده آن در مدل‌های زبانی است. کار خیلی خوبی شده است. در فارسی هم چند مقاله خیلی خوب نوشته شده است. زحمات حسابی کشیده‌اند. خودشان می‌گویند بعد از مرحله چهارم «Pragmatics» که کاربرد شناسی بود، پیشرفت از آن جا شد. یعنی اطلاعات بسیار زیادی از زبان بود، هر چه از زبان بود، مثلاً چقدر از روزنامه‌هایی که در زبان فارسی نوشته شده است، همه این‌ها را در یک پیکره به هوش دادند. آن در یک پیکره کاری می‌کند که پردازش زبان طبیعی را به‌نحوی‌که زبان فارسی هم یکی از زبان‌هایی بشود که به سرعت بتوانید به زبان‌های دیگر ترجمه کنید و از زبان‌های دیگر به سرعت به فارسی ترجمه کنید. زحمت‌های بسیاری کشیده‌اند. مراحل خوبی هم پیش رفته‌اند. بنابراین آن چه که شما می‌فرمایید مرحله بعدی است.

شاگرد: مجموع این‌ها است.

استاد: بله، حتی «Reasoning» آن این‌طور است. الآن «Reasoning» در آمار محور ضعیف است. نمی‌تواند استدلال گر باشد. اما مبادی بحث «Reasoning» و استدلال گر شدن آن‌که صبغه منطقی دارد، باید با همه این‌ها تلفیق شود. یعنی از هر بخشی کمک می‌گیریم، با کمک و همیاری همه این‌ها آن وقت چیزی می‌شود که بخشی از آن را شبکه‌های عصبی سامان‌دهی می‌کند. اگر یادتان باشد زیرنماد را عرض کردم. نماد، آن نسل اول هوش مصنوعی بود؛ سیمبولیک بود. دومی «Connectionism» بود؛ اتصال گرائی و شبکه‌های عصبی بود. یک زیرنماد هم بود؛ «Subsymbol». تلفیقی بود بین کارهایی که شبکه عصبی می‌کند و در آموزش عمیقش (Deep Learning) جعبه سیاه داشتیم. جعبه سیاهی که توضیح پذیر نبود، این ضمیمه شود به آن چیزهایی که آن جا هست؛ با هم تلیفیق شوند؛ «Subsymbol»، نه نماد است و نه تماماً شبکه عصبی توضیح ناپذیر است. این‌ها را الآن مفصل مشغول هستند.

این هایی که عرض کردم به اندازه مطالعه مختصری بود که در ذهن طلبگی داشتم تا راه بیافتیم. وقتی دنبالش را گرفتید می‌بینید این مبادی ای که من عرض کردم چقدر با آن چه که الآن عمل می‌شود، یک فاصله مفصلی طی شده است. شاید بالای ده مرحله بالاتر از این چیزی که من عرض می‌کنم باز انجام شده است و این‌ها دارد صورت می‌گیرد.

تفاوت مبنای اشاره گر با زبان‌های «Large»

شاگرد: همه این‌ها می‌تواند به‌معنای غیر ناظر محور برسد؟ فرمایش شما این بود که اصلاً معنای غیرناظر محور لازمه تجرد است. مثلاً تابلو.

استاد: اگر با مبنای درک معنا -نه با مبنای آمار- مطلبی که پارسال عرض کردم را بگوییم…؛ اگر یادتان باشد گفتم با اشاره گر چیزهایی را درست می‌کنیم که شبیه صفر و یک است. گفتم یک صفر و یک ریاضی داریم که باینری است. یک صفر و یک داریم که نوع داده بولی است. صفر یعنی غلط و یک یعنی درست. نه این‌که صفر یعنی صفر و یک یعنی یک. خیلی تفاوت می‌کنند. مفصل راجع به این صحبت کردیم. وقتی جبر بولی آمد و معنا وارد کار شد، آن جا عرض کردم که وقتی می‌خواهیم یک چیزی را معنادار کنیم می‌توانیم بعداً ترکیبی از دو چیز را با یک اشاره گر داشته باشیم. و لذا بعداً وقتی یک اشاره گر به آن مشار الیه اشاره می‌کند، در آن مشار الیه هم طبیعی انسان هست و هم خصوصیات ذیلش. یعنی در بستر کار وقتی به‌عنوان علم، زید می‌گوییم، این اشاره گر می‌داند که زید انسان هم هست، متعجب هم هست، ضاحک هم هست، رنگ پوست هم دارد. چرا؟ چون ما قبلاً همه این‌ها را از پایه جلو رفتیم. این غیر از «Large» الآن است. در «Large» فقط یک چیزی را به آن می‌دهیم و همه هم عدد است و او فقط آمار می‌گیرد. این روش «Large» غیر از اینی است که من عرض می‌کنم. این روش، روش منطقی است؛ به جای «Large»، « Logic» است. اصلاً به آن پیکره نیازی نداریم. یکی از ایراداتی که چامسکی زبان شناس معروف حالا به این روش‌های جدید گرفته، این است که می‌گوید این‌ها -روش «Large» - با فطرت ما انسان‌ها هماهنگ نیست. چون وقتی بچه به دنیا می‌آید، ابتدا هزاران مطلب به او یاد نمی‌دهند بعد بگویند حالا شروع به زندگی کردن کن. نه، اول با یک چیزهای بسیار ساده زبان را یاد می‌گیرد. خودش بعد ادامه می‌دهد. این چه کاری است که شما هوش مصنوعی را انباشته کنید! خب او ایراد بحث‌های خودش را دارد. و الا با اشکالات او قرار نیست از «Large» دست بردارند. مهم‌ترین روشی است که سه-چهار است آن را پیدا کرده‌اند. دیگر از آن دست بردار نیستند. فوائدی از آن دیده‌اند.

منظورم این است که علی ای حال آن چه که ما به‌عنوان ظهور معنا گفتیم، این بود: ما به یک شیئی اشاره گر داریم که مشار الیه آن معنادار است و ظهور معنا در پایه است. بدون این‌که آن ظهور به ناظر مربوط باشد. پارسال توضیح آن را عرض کردم. غیر ناظر محور است. ظهور معنا است، عیناً مثل این‌که آب در پایه H₂O ظهور می‌کند، همان‌طور معنا در مشاره الیه این اشاره گرها ظهور می‌کند. ولذا وقتی در این هوش مصنوعی کار انجام می‌دهد، دارد تبادل معنا می‌شود. دارد کار معنادار انجام می‌دهد. به خلاف این آمارگیری. البته آمارگیری در ابتدای کار.

شاگرد: اگر این آمارگیری پیشرفته بشود می‌تواند به آن جا برسد؟ جنسش با آن فرق می‌کند.

استاد: نه، آن مبادی کار است. اتفاقا نکته سر همین است. دماغ ما را در شبکه‌های عصبی شبیه‌سازی کرده‌اند. دماغ همین کار را می‌کند. یعنی او با روش حسابی فقط تجمیع آمارها می‌کند. کم‌کم بعداً نفس مجرد قدرت پیدا می‌کند…. «وَاللَّهُ أَخْرَجَكُمْ مِنْ بُطُونِ أُمَّهَاتِكُمْ لَا تَعْلَمُونَ شَيْئًا وَجَعَلَ لَكُمُ السَّمْعَ وَالْأَبْصَارَ وَالْأَفْئِدَةَ»¹. فواد چه زمانی فعال می‌شود؟ وقتی چشم و گوش بچه فعال می‌شود اطلاعات می‌دهد، فواد در وجود انسان شروع به فعال شدن می‌کند.

بنابراین عرض من این شد که مقصودی که ما در پایه محور بودن داشتیم، روش آماری نیست. هرچند با این روش آماری بعداً مثل جامعه که قابل کاهیدن نیست، از روش آمار محور به یک اجتماع و پایه لطیفی می‌رسیم که در آن پایه لطیف معانی ظهور می‌کند. آن وقت است که معنا ظهور می‌کند. به صرف آمار ابتدائی معنا ظهور نمی‌کند. کما این‌که در صرف نورون ها و با صرف شلیک نورون‌ها در مرتبه ارتباطاتشان معنا ظهور نمی‌کند. کلاستروم مغز بود. الآن این احتمال را می‌دهند. یعنی خود نورون ها که با هم ارتباطات برقرار می‌کنند -در یک ثانیه هشتاد میلیارد اتصال برقرار می‌شود- کجا معنا به‌عنوان واحد درک می‌شود؟! یکی از کاندیدهایی که الآن می‌گویند تا نظام مغز را سامان‌دهی کنند، کلاستروم است. این جور فضا است. یعنی بعد از آمار آن وقت تازه زمینه فراهم می‌شود برای ظهور معنا. ظهور معنایی که اگر پایه لطیف کل گرای گشتالتی نبود، نمی‌شد.

والحمد لله رب العالمین

کلید: کل گرائی، اشراق محور، هوش اشراق محور، هوش پایه محور، ظهور معنا، معناداری، زبان‌های «Large»، زبان‌های لارج، اشاره گر، عملکرد هوش مصنوعی،