کلمات معنی زیادی دارند. ما انسان ها می توانیم معانی و معانی کلمات را به خوبی تعریف کنیم. اما آیا کامپیوترها با ورود به عصر هوش مصنوعی می توانند معانی مختلف و پیچیده پشت هر کلمه را درک کنند؟
در پایان ماجراهای آلیس در سرزمین عجایب – به ویژه در فیلم «در میان آینه و آنچه آلیس آنجا پیدا کرد»، «احمق من» با تمسخر گفت: «وقتی از یک کلمه استفاده میکنم، معنی آن فقط همان چیزی است که میخواستم، نه کمتر و نه بیشتر». آلیس پاسخ می دهد، “بنابراین سوال این است که چقدر می توانید کلمات را به معنای چیزهای مختلف تبدیل کنید.”
یک معنا یا معانی متفاوت؟
واژه ها دارای معانی بسیاری هستند که به «ابهام معنایی» معروف است. ذهن انسان باید شبکه پیچیده ای از اطلاعات را تجزیه و تحلیل کند و از شهود صحیح برای درک معانی دقیق این کلمات استفاده کند.
موتورهای جستجو، برنامه های کاربردی ترجمه و دستیارهای صوتی امروزی قادر به درک و درک منظور ما هستند، به لطف برنامه های پردازش زبان که به تعداد شگفت انگیزی از کلمات معنا می بخشد، بدون اینکه ما به صراحت معنای آنها را بگوییم. این برنامهها از آمار و الگوریتمهایی که استفاده میکنند معنا پیدا میکنند.
اما اکنون با عصر جدیدی از هوش مصنوعی روبرو هستیم که در آن ماشین و کامپیوتر قادر به درک، تجزیه و تحلیل و پیشبینی دادههای پیچیده و پیشبینی نتایج آینده آن بودهاند. اینجاست که مشکل پیچیده دیگری در رابطه با معانی کلمات درک شده توسط هوش مصنوعی مطرح می شود: آیا می تواند معانی مختلف کلمات را تشخیص دهد؟
به همین دلیل است که دانشمندان در حال مطالعه هستند که آیا هوش مصنوعی می تواند مغز انسان را در درک کلمات به همان روشی که انسان انجام می دهد تقلید کند یا خیر.
این موضوع یک مطالعه تحقیقاتی بود که توسط محققان دانشگاه بیوند و موسسه فناوری ماساچوست انجام شد که در 14 آوریل گذشته در مجله Nature Human Behavior منتشر شد.
هوش مصنوعی شبیه انسان
بر اساس یک بیانیه مطبوعاتی منتشر شده توسط دانشگاه، این مطالعه گزارش داد که سیستم های هوش مصنوعی می توانند معانی بسیار پیچیده ای را یاد بگیرند. این مطالعه همچنین نشان داد که سیستم هوش مصنوعی مورد مطالعه قادر به رمزگذاری معانی کلمات به گونهای است که با تخمینهای انسان از معنایی این کلمات مرتبط است.
بنابراین، طبق بیانیه مطبوعاتی MIT، این رویکرد می تواند به اندازه مغز انسان به هر کلمه اطلاعات اختصاص دهد.
مدلهای زبانی با تجزیه و تحلیل تعداد دفعاتی که جفتهای کلمه در متون مختلف جفت شدهاند، معنا را به دست میآورند. سپس این مدلها از این روابط برای ارزیابی شباهتهای بین معانی کلمات استفاده میکنند.
به عنوان مثال، این مدل ها به این نتیجه می رسند که کلمه «نان» و کلمه «سیب» بیشتر به یکدیگر شباهت دارند تا کلمه «نوت بوک». این به این دلیل است که «نان» و «سیب» اغلب با کلمات دیگری مانند «خوردن» یا «میانوعده» همراه میشوند، برخلاف کلمه «نوتبوک» که با آنها جفت نمیشود.