چالش های هوش مصنوعی مولد در حل مسائل پیچیده از نگاه پژوهش اپل

مطالعه اپل بر محدودیت‌های هوش مصنوعی مولد در مسائل پیچیده

تحقیقات جدید اپل نشان می‌دهد مدل‌های پیشرفته هوش مصنوعی مولد همچنان در حل مسائل پیچیده محدودیت‌های قابل توجهی دارند. این پژوهش روشن می‌کند که اگرچه هوش مصنوعی می‌تواند برخی وظایف با پیچیدگی متوسط را مدیریت کند، اما در رویارویی با چالش‌های دشوارتر دچار ضعف می‌شود. این موضوع تفاوت اساسی میان پردازش ماشینی و استدلال انسانی را برجسته می‌کند.

ارزیابی عملکرد هوش مصنوعی در سطوح مختلف پیچیدگی

تیم پژوهشی اپل عملکرد مدل‌های استدلال بزرگ (Large Reasoning Models) مانند Claude 3.7 Sonnet Thinking و DeepSeek-R1 را مورد بررسی قرار داد. این مدل‌ها در محیط‌های کنترل‌شده، با انواع پازل‌های کلاسیک مثل برج هانوی و مسائل عبور از رودخانه آزمایش شدند. هدف ارزیابی نه تنها پاسخ‌های نهایی ارائه‌شده توسط مدل‌ها، بلکه روند استدلال داخلی آن‌ها بود.

یافته‌ها نشان داد که در وظایف ساده‌تر، مدل‌های پایه زبانی (Language Models) بدون سازوکارهای استدلال خاص، با دقت و سرعت بیشتری کار کرده و منابع کمتری مصرف می‌کنند. با افزایش پیچیدگی وظایف، مدل‌هایی که از ساختارهای استدلالی مانند رویکرد «زنجیره‌ای از افکار» (Chain of Thought) بهره می‌برند، عملکرد بهتری داشتند. اما با رسیدن به مسائل بسیار پیچیده، دقت تمامی مدل‌ها به طور کامل کاهش یافت، حتی زمانی که منابع محاسباتی فراوان در دسترس بود.

الگوهای رفتاری غیرمنتظره در استدلال هوش مصنوعی

تحقیقات عمیق‌تر بر روند استدلال مدل‌ها، رفتارهای غیرمنتظره‌ای را آشکار کرد. در ابتدا، با افزایش پیچیدگی، طول فرآیند استدلال بیشتر می‌شد، اما نزدیک نقطه شکست، این روند برعکس شده و مدت استدلال کوتاه‌تر گردید، با وجود منابع افزوده.

همچنین، مدل‌های هوش مصنوعی حتی زمانی که راهنمایی گام‌به‌گام و صریح دریافت می‌کردند، در انجام صحیح آن‌ها در سناریوهای پیچیده موفق نبودند. این مسئله، ضعف بنیادی مدل‌های مولد در محاسبات منطقی را نشان می‌دهد. افزون بر این، عملکرد هوش مصنوعی در پازل‌های آشنا به‌مراتب بهتر از مسائل کمتر شناخته‌شده بود که وابستگی عمیق این مدل‌ها به داده‌های آموزش و نه استدلال واقعی و قابل تعمیم را آشکار می‌سازد.

جمع‌بندی

تحقیق اپل به وضوح نشان می‌دهد که هوش مصنوعی مولد در تقلید از استدلال انسانی، به‌ویژه هنگام مواجهه با مسائل پیچیده، هنوز با محدودیت‌های جدی مواجه است. این نتایج بر ضرورت پیشرفت بیشتر در هوش مصنوعی برای کاهش فاصله میان پردازش ماشینی و توانایی‌های شناختی انسان تاکید می‌کند.