صوری‌سازی تعامل انسان و ماشین در نظریه پیچیدگی جدید؛ مقدمه‌ای برای تعریف مسائل AI-Complete

شکاف نظری در قلب هوش مصنوعی

هوش مصنوعی طی دهه‌های اخیر پیشرفت‌های خارق‌العاده‌ای داشته است. از دستیارهای صوتی در گوشی‌های هوشمند گرفته تا سیستم‌های پیش‌بینی مالی، همه‌جا حضور دارد. اما با وجود این پیشرفت‌ها، هنوز یک سوال اساسی بی‌پاسخ مانده: چرا نمی‌توان بسیاری از وظایف هوش مصنوعی را در چارچوب نظریه پیچیدگی محاسباتی تعریف کرد؟ دلیل اصلی این است که بسیاری از این مسائل هنوز به‌صورت صوری (formal) تعریف نشده‌اند. نظریه کلاسیک پیچیدگی، با آن‌که ستون فقرات علم محاسبات است، با این حوزه‌های تعریف‌نشده، کاری ندارد.

نظریه پیچیدگی کلاسیک و محدودیت‌های آن

نظریه پیچیدگی محاسباتی، در اصل برای اندازه‌گیری سختی مسائل قابل محاسبه طراحی شده است؛ مسائلی که ورودی مشخص، خروجی دقیق، و الگوریتمی معین دارند. این نظریه کلاس‌هایی چون P، NP، PSPACE و EXPTIME را تعریف می‌کند و عملکرد الگوریتم‌ها را در چارچوب زمان یا حافظه مورد نیاز می‌سنجد.

اما مشکل اینجاست که بسیاری از مسائل هوش مصنوعی هنوز تعریف مشخصی ندارند. آیا می‌توان «درک زبان طبیعی» یا «همدلی انسانی» را مثل حل یک معادله ریاضی صوری‌سازی کرد؟ نظریه پیچیدگی نمی‌تواند وارد تحلیل مسائلی شود که هنوز صورت‌بندی ریاضی ندارند.

صوری‌سازی؛ شرط ورود به تحلیل نظری

صوری‌سازی، فرآیندی است که در آن یک مسئله واقعی با تمام پیچیدگی‌هایش به صورت مجموعه‌ای از نمادها، قواعد و داده‌های قابل اندازه‌گیری تبدیل می‌شود. تا وقتی این اتفاق نیفتد، نمی‌توان درباره سختی یا امکان‌پذیری حل آن حرفی زد. مثلاً برای آموزش ماشینی، اگر تعریف مشخصی از هدف یادگیری نداشته باشیم، نمی‌توانیم زمان یا منابع مورد نیاز آن را تحلیل کنیم.

در حوزه‌هایی مانند ترجمه ماشینی، تشخیص احساسات، یا تعامل انسان و ربات، هنوز نمی‌دانیم دقیقاً چه تابعی قرار است محاسبه شود. در نتیجه، نظریه پیچیدگی هم سکوت می‌کند.

تعامل انسان و ماشین؛ فراتر از مدل تورینگ

مدل تورینگ که بنیان بسیاری از تعاریف پیچیدگی است، برای حل مسائل با ورودی مشخص و خروجی نهایی طراحی شده. اما تعامل انسان و ماشین چیزی فراتر است؛ فرآیندی پویاست، بازخوردی است، و با یادگیری مداوم همراه است.

در واقع، نمی‌توان یک «ماشین تورینگ کلاسیک» را تصور کرد که بتواند تمام ویژگی‌های گفت‌وگوی یک انسان با یک دستیار هوشمند را مدل کند. اینجاست که نیاز به مدل‌های جدیدتر مانند ماشین‌های تورینگ تعاملی (Interactive Turing Machines) یا سیستم‌های محاسباتی چندعاملی (Multi-agent Systems) احساس می‌شود.

تعریف AI-Complete و بن‌بست نظری فعلی

اصطلاح “AI-Complete” برای مسائلی به کار می‌رود که نیاز به درک و توانایی‌هایی هم‌تراز با هوش انسانی دارند؛ مسائلی مثل تشخیص کنایه در زبان، تصمیم‌گیری اخلاقی، یا طراحی خلاقانه. این وظایف تنها در صورتی حل می‌شوند که ماشین دارای “هوش عمومی” باشد. اما نظریه پیچیدگی فعلی، به دلیل نیاز به تعریف دقیق، قادر به طبقه‌بندی این مسائل نیست.

برای مثال، نمی‌توان به سادگی گفت که «همدلی با کاربر» در کدام کلاس پیچیدگی جای می‌گیرد؛ چون اصلاً معلوم نیست تابع محاسبه‌پذیر مربوطه چیست.

آینده: گسترش نظریه پیچیدگی به سوی تعامل و تجربه

برای تحلیل مسائل هوش مصنوعی واقعی، باید نظریه پیچیدگی را فراتر ببریم؛ باید به جای فقط ورودی و خروجی، به «تعامل» و «تجربه» توجه کنیم. مدل‌های جدید باید بتوانند یادگیری تدریجی، تغییر شرایط، و چندمرحله‌ای بودن تعامل را لحاظ کنند. تنها در این صورت می‌توانیم مرز واقعی بین مسائل ساده و AI-Complete را مشخص کنیم.

چرا چت بات ها هنوز اشتباه می کنند؟

چرا پیشرفته ترین مدل های هوش مصنوعی محاوره ای (Conversational AI) گاهی در پاسخ به ساده ترین سوالات ما شکست می خورند؟ پاسخ، فراتر از کدنویسی ضعیف یا کمبود داده است؛ این مسئله ریشه در یک شکاف نظری عمیق دارد: ناتوانی ما در صوری سازی (Formalization) کامل پیچیدگی های تعامل انسانی. این شکست ها خود را در چند سناریوی ملموس نشان می دهند.

 مشکل درک بافت مکالمه (Context)

اولین و رایج ترین مشکل، درک بافت است. چت بات ها حافظه کوتاه مدت بسیار محدودی دارند. شما ممکن است بپرسید: «مدیرعامل مایکروسافت کیست؟» و پاسخ صحیح «ساتیا نادلا» را دریافت کنید. اما اگر بلافاصله بپرسید: «او کجا متولد شده؟»، بسیاری از سیستم ها دچار سردرگمی می شوند و می پرسند: «منظورتان چه کسی است؟». آن ها نمی توانند ضمیر «او» را به «ساتیا نادلا» در جمله قبلی متصل کنند. این ناتوانی در حفظ یک رشته مکالمه منسجم، نتیجه مستقیم شکست در مدل سازی ریاضی جریان طبیعی یک گفتگو است. در واقع، سیستم هر پرسش را یک جزیره جداگانه می بیند، نه بخشی از یک مجمع الجزایر به هم پیوسته.

 چالش درک قصد کاربر (User Intent)

دومین چالش بزرگ، درک قصد کاربر در برابر معنای تحت اللفظی کلمات است. انسان ها استاد استفاده از کنایه (sarcasm)، استعاره (metaphor) و بیان های غیرمستقیم هستند. وقتی کاربری در یک روز گرم تابستان می گوید: «عجب هوای خنکی!»، انسان بلافاصله کنایه را درک می کند. اما یک مدل زبانی بزرگ (LLM) که بر اساس الگوهای آماری آموزش دیده، ممکن است این جمله را به معنای واقعی کلمه در نظر گرفته و پاسخ دهد: «خوشحالم که از هوا لذت می برید.» این شکاف بین «آنچه گفته می شود» و «آنچه منظور است»، یکی از سخت ترین موانع برای صوری سازی است، زیرا به درکی فراتر از کلمات و مبتنی بر تجربیات مشترک انسانی نیاز دارد.

 فقدان دانش عمومی (Common Sense)

سومین و شاید عمیق ترین مشکل، فقدان دانش عمومی (Common Sense Knowledge) است. این دانش، مجموعه عظیمی از حقایق ناگفته و بدیهی درباره جهان است که ما انسان ها از طریق تجربه به دست می آوریم؛ مثلا می دانیم که «طناب برای کشیدن است، نه هل دادن» یا «شیشه می شکند». یک مدل هوش مصنوعی ممکن است این بدیهیات را نداند و در نتیجه دچار پدیده ای به نام هذیان گویی (Hallucination) شود؛ یعنی با اعتماد به نفس کامل، اطلاعات غلط یا بی معنی تولید کند. وقتی از یک چت بات می پرسید: «آیا می توانم با یک پر، یک میخ را به دیوار بکوبم؟»، پاسخ های عجیب و غیرقطعی آن نشان دهنده همین خلاء است. تا زمانی که نتوانیم این لایه عظیم از دانش ضمنی را به مدل های خود تزریق کنیم، قابلیت اطمینان (Reliability)  آن ها همیشه زیر سوال خواهد بود. این اشتباهات صرفا باگ های فنی نیستند، بلکه نشانه هایی از یک چالش بنیادی در مرزهای دانش ما هستند.

همیار آکادمی یک پلتفرم پیشرو در زمینه ارائه آموزش های تخصصی و کاربردی در حوزه هوش مصنوعی و علوم داده در ایران است. این مجموعه با تمرکز بر تولید محتوای باکیفیت به زبان فارسی و برگزاری دوره های پروژه محور، به افراد کمک می کند تا مهارت های لازم برای ورود به بازار کار این حوزه روبه رشد را کسب کنند. دوره های همیار آکادمی توسط متخصصان صنعت طراحی شده و شکاف بین دانش تئوریک دانشگاهی و نیازهای عملی شرکت ها را پر می کند.

نتیجه‌گیری

تا زمانی که تعامل انسان و ماشین به‌طور صوری مدل نشود، نمی‌توان از نظریه پیچیدگی برای تحلیل بسیاری از مسائل هوش مصنوعی استفاده کرد. این مقاله تلاش کرد نشان دهد که شکاف میان هوش مصنوعی و نظریه محاسبات، صرفاً یک مسأله تکنیکی نیست؛ بلکه نیاز به بازنگری بنیادی در ساختار نظریه داریم. شاید وقت آن رسیده که به جای مدل‌های ایستا، مدل‌هایی را بپذیریم که پویایی و تعامل را در مرکز خود قرار داده‌اند.

این مسیر می‌تواند راه را برای تعریف علمی‌تر و عملی‌تر مفاهیمی چون AI-Complete باز کند؛ مفاهیمی که آینده علم کامپیوتر و کسب‌وکارهای مبتنی بر هوش مصنوعی را شکل خواهند داد.