در سه سال گذشته، دنیای فناوری با سرعتی سرسامآور به سمت توسعه مدلهای بزرگ زبانی (LLM) حرکت کرده است. این ابزارها اکنون در نگارش متن، برنامهنویسی و حتی تصمیمگیریهای پیچیده به دستیار اول انسانها تبدیل شدهاند. با این حال، یک پژوهش علمی جدید و تکاندهنده نشان میدهد که پشت این پیشرفتهای فنی ظاهری، یک بحران جدی در جریان است: هوش مصنوعی مولد هر روز بیش از دیروز در حال از دست دادن خلاقیت، تنوع و اصالت خود است و خروجی مدلهای مختلف به شکلی نگرانکننده به یکدیگر شبیه شده است.
پژوهش جدید آرکایو (arXiv): زنگ خطری برای خلاقیت هوش مصنوعی
پژوهشی که اخیراً تحت عنوان «آیا خلاقیت مدلهای زبانی در حال شبیهشدن به یکدیگر است؟ شواهدی از سه سال توسعه مدلها» در پایگاه علمی arXiv منتشر شده، پرده از یک واقعیت نگرانکننده برمیدارد. محققان با بررسی رفتار و خروجیهای دهها مدل زبانی بزرگ که در طول سه سال گذشته (از سال ۲۰۲۳ تا ۲۰۲۶) عرضه شدهاند، دریافتند که تنوع ایدهها و اصالت پاسخهای این مدلها به شکل معناداری کاهش یافته است.
در حالی که اکثر بنچمارکهای سنتی هوش مصنوعی روی سنجش پاسخهای دقیق و قطعی (مانند حل مسائل ریاضی یا تستهای چندگزینهای) تمرکز دارند، این پژوهش روی وظایف باز (Open-ended Tasks) تمرکز کرده است؛ یعنی سناریوهایی که در آنها خلاقیت، تفکر جانبی و ارائه ایدههای متنوع اهمیت بسیار بیشتری نسبت به یک پاسخ درستِ واحد دارد.
روششناسی تحقیق: دانشمندان چگونه خلاقیت هوش مصنوعی را سنجیدند؟
برای ارزیابی دقیق این روند تحولی، تیم پژوهشگران از دو ابزار و رویکرد استاندارد برای سنجش خلاقیت استفاده کردند:
- مجموعه داده Infinity-Chat100: این مجموعه شامل پرسشهای واقعی کاربران در دنیای واقعی است که پاسخ به آنها نیازمند استدلالهای باز، خلاقیت کلامی و ارائه راهحلهای نوآورانه است.
- آزمون کاربردهای جایگزین (Alternate Uses Task – AUT): یک آزمون روانشناختی استاندارد برای سنجش تفکر واگرا (Divergent Thinking). در این آزمون از مدلها خواسته میشود تا کاربردهای غیرمعمول و خلاقانهای برای اشیای روزمره (مانند یک آجر یا گیره کاغذ) پیشنهاد دهند.
محققان با استفاده از تکنیکهای پیشرفته سنجش شباهت معنایی (Sentence-Embedding Similarity)، خروجی مدلهای مختلف را در طول این سه سال با یکدیگر مقایسه کردند. نتیجه شگفتانگیز و در عین حال ناامیدکننده بود: پاسخهای تولیدشده توسط مدلهای جدیدتر، شباهت معنایی بسیار بالایی به یکدیگر دارند و فضای خلاقیت آنها به شدت محدود و متمرکز شده است.
جدول مقایسه روند تحول خلاقیت در مدلهای زبانی (۲۰۲۳ تا ۲۰۲۶)
| شاخص ارزیابی | نسلهای اولیه مدلها (۲۰۲۳) | نسلهای میانی (۲۰۲۴ – ۲۰۲۵) | نسلهای مدرن و پیشرفته (۲۰۲۶) |
|---|---|---|---|
| تنوع ایدهها در آزمون AUT | بسیار بالا؛ ارائه ایدههای عجیب، فانتزی و غیرمنتظره | متوسط؛ گرایش به سمت پاسخهای استانداردتر | بسیار پایین؛ تکرار ایدههای مشابه و کلیشهای در تمامی مدلها |
| شباهت معنایی خروجیها | پایین (مدلهای مختلف پاسخهای کاملاً متفاوتی داشتند) | متوسط به بالا | بسیار بالا (همگرایی شدید در ساختار و محتوای پاسخها) |
| میزان محافظهکاری در تفکر واگرا | بسیار کم؛ ریسکپذیری بالا در تولید متن | متوسط؛ فیلتر شدن برخی پاسخهای نامتعارف | بسیار بالا؛ تمرکز روی پاسخهای امن، تکراری و بهینهسازیشده |
چرا مدلهای جدیدتر شبیه به هم فکر میکنند؟ ریشهیابی بحران
بسیاری از کاربران تصور میکنند مدلهای جدیدتر به دلیل داشتن پارامترهای بیشتر و دادههای آموزشی گستردهتر، باید خلاقتر باشند. اما پژوهش اخیر نشان میدهد که فرآیند توسعه و تجاریسازی هوش مصنوعی، اثر معکوسی روی خلاقیت گذاشته است. دلایل اصلی این پدیده عبارتند از:
۱. همترازی بیش از حد و سیستمهای پاداش انسانی (RLHF)
امروزه تقریباً تمام شرکتهای بزرگ فناوری از روش یادگیری تقویتی با بازخورد انسانی (RLHF) برای همترازی (Alignment) مدلهای خود استفاده میکنند. در این فرآیند، انسانها به پاسخهایی پاداش میدهند که «مفید، مؤدبانه، ساختاریافته و بیخطر» باشند. این موضوع باعث میشود مدلها یاد بگیرند که برای جلب رضایت کاربر، فرمولهای تکراری و ساختارهای متنیِ ازپیشتاییدشده را تکرار کنند و از ارائه ایدههای جسورانه و غیرمعمول خودداری نمایند.
۲. اشباع دادههای آموزشی و استفاده از دادههای سنتتیک
بسیاری از مدلهای جدید با دادههای تولیدشده توسط مدلهای قبلی (Synthetic Data) آموزش میبینند. این چرخه بازخورد باعث میشود که الگوهای زبانی خاصی بارها و بارها تکرار و تقویت شوند. در نتیجه، ویژگیهای منحصربهفرد زبانی و ایدههای نوآورانه که در گوشههای تاریک وب وجود داشتند، جای خود را به یک «میانگین آماری بیروح» میدهند.
۳. همگرایی در معماری و روشهای بهینهسازی
رقابت شدید در بازار فناوری موجب شده است که شرکتهای مختلف از معماریهای مشابه، روشهای توکنایزیشن یکسان و استراتژیهای بهینهسازی مشترک استفاده کنند. وقتی ورودیها، ابزارها و اهداف یکسان باشند، طبیعتاً خروجیها نیز به سمت یکسانی میل خواهند کرد.
پیامدهای همگرایی هوش مصنوعی بر بازار و آینده آفرینش هنری
این همگرایی و کاهش تنوع، صرفاً یک بحث آکادمیک نیست؛ بلکه تأثیرات عمیقی روی بازار کار، صنایع خلاق و کسبوکارهایی دارد که به هوش مصنوعی تکیه کردهاند:
- کاهش نقش عامل انسانی در همکاریهای مشترک (Co-creation): اگر نویسندگان، طراحان و ایدهپردازان برای طوفان فکری (Brainstorming) به سراغ هوش مصنوعی بروند و همگی با پاسخهای یکسانی روبهرو شوند، خلاقیت جمعی جامعه به شدت افت خواهد کرد و شاهد یکپارچهسازی و یکنواختی در محتوای وب، کتابها و کمپینهای تبلیغاتی خواهیم بود.
- چالش تمایز برای استارتاپها: شرکتهایی که محصولات خود را بر پایه APIهای مدلهای بزرگ زبانی توسعه میدهند، به سختی میتوانند ارزش افزودهای منحصربهفرد خلق کنند؛ چرا که خروجی ابزار آنها تفاوت چندانی با رقبایشان نخواهد داشت.
- مرگ تدریجی تفکر جانبی: تکیه بیش از حد به هوش مصنوعی همگرا، ممکن است مهارت حل مسئله به روشهای غیرسنتی را در نسلهای جدید کاربران تضعیف کند.
چگونه میتوان موتور خلاقیت هوش مصنوعی را دوباره روشن کرد؟
برای رهایی از این یکنواختی، پژوهشگران پیشنهاد میکنند که توسعهدهندگان باید بازنگری جدی در استراتژیهای آموزش مدلها داشته باشند. تنظیم پارامترهایی مانند دما (Temperature) برای افزایش تصادفیبودن پاسخها کافی نیست؛ بلکه نیاز به بازتعریف توابع پاداش در فرآیند RLHF داریم تا مدلها برای تولید پاسخهای «منحصربهفرد و متنوع» نیز پاداش دریافت کنند، نه فقط برای پاسخهای «مطمئن و استاندارد».
جمعبندی
یافتههای پژوهش اخیر زنگ خطری جدی برای آینده تعامل انسان و هوش مصنوعی است. اگر روند همگرایی و کاهش تنوع خروجیهای LLM ادامه یابد، این ابزارها به جای تقویت خلاقیت انسان، به عامل یکنواختی و کلیشهسازی در محتوا تبدیل خواهند شد. برای حفظ پویایی و نوآوری در عصر هوش مصنوعی، توسعهدهندگان باید تعادلی منطقی میان «امنیت و همترازی مدل» با «آزادی عمل و تفکر واگرا» ایجاد کنند تا هوش مصنوعی بتواند همچنان به عنوان یک شریک خلاق واقعی در کنار انسان ایفای نقش کند.
سؤالات متداول
چرا مدلهای هوش مصنوعی جدید با وجود پیشرفتهتر بودن، خلاقیت کمتری دارند؟
دلیل اصلی این امر، فرآیند همترازی با بازخورد انسانی (RLHF) و آموزش روی دادههای مشابه است. این فرآیندها مدلها را به سمت تولید پاسخهای امن، استاندارد و تکراری سوق میدهند و ایدههای عجیب یا غیرمعمول را فیلتر میکنند.
آزمون کاربردهای جایگزین (AUT) چگونه خلاقیت هوش مصنوعی را میسنجد؟
در این آزمون روانشناختی، از هوش مصنوعی خواسته میشود کاربردهای غیرمنتظره و خلاقانهای برای اشیای ساده مثل آجر یا گیره کاغذ ارائه دهد. تنوع و نوآورانه بودن پاسخها، معیار سنجش تفکر واگرا در مدل است.
همگرایی هوش مصنوعی چه خطری برای تولیدکنندگان محتوا دارد؟
اگر همه تولیدکنندگان محتوا از ابزارهایی استفاده کنند که پاسخهای مشابهی تولید میکنند، خروجی نهایی وبسایتها، کتابها و تبلیغات به شدت یکنواخت، کلیشهای و فاقد اصالت هنری خواهد شد.
چگونه میتوان تنوع پاسخهای خلاقانه را در هوش مصنوعی افزایش داد؟
توسعهدهندگان باید توابع پاداش جدیدی تعریف کنند که به پاسخهای منحصربهفرد و غیرتکراری پاداش دهد. همچنین استفاده از دادههای آموزشی متنوعتر و بازنگری در روشهای همترازی سختگیرانه ضروری است.
