پایگاه خبری تحلیلی انتخاب (Entekhab.ir) :
زومیت: هوش مصنوعی با تحلیل سریع الگوها و آزمودن فرضیهها به کمک زبانشناسان آمده است، اما موفقیت آن همچنان به حدس و گمانهای انسانی بستگی دارد.
برای رمزگشایی هر زبان باستانی که تا به امروز با موفقیت خوانده و رمزگشایی شده، همواره وجود نقطهی اتکا یا لنگر راهنما الزامی بوده است؛ این لنگر معمولاً یا در قالب یک متن دوزبانه مانند سنگ روزتا یا به شکل یک زبان خویشاوند و شناختهشده برای مقایسه در دسترس قرار میگیرد. بااینحال، «خط یک» که نظام نوشتاری تمدن مینوسی در عصر برنز در جزیرهی کرت یونان است، هیچیک از این دو امکان حیاتی را در اختیار ندارد.
خط یک به عنوان زبانی ایزوله شناخته میشود، زیرا هیچ پیوند تأییدشدهای میان آن و دیگر زبانهای شناختهشدهی جهان وجود ندارد. همین ویژگی در طول یک قرن گذشته، این زبان را به یکی از دشوارترین معماها برای زبانشناسان تبدیل کرده است. در این میان، زبان اتروسکی که پیش از قدرت گرفتن امپراتوری روم در ایتالیا رواج داشت، وضعیت به نسبت بهتری دارد؛ هرچند بخشی از واژگان این زبان از روی کتیبههای کوتاه تدفینی گردآوری شده، دستور زبان و درک عمیق مفاهیم آن همچنان از دسترس پژوهشگران دور مانده است.
دقیقاً همینجاست که هوش مصنوعی وارد ماجرا میشود؛ البته نه برای جایگزینی زبانشناسان، بلکه برای تقویت حدسها و سرعت دادن به آزمون فرضیهها. پرسش اصلی نیز همین است که آیا هوش مصنوعی واقعا شانس دارد کاری را تمام کند که تلاشهای انسانی در یک قرن از پسش برنیامده است؟
بررسی پروندهای جدید به وضوح نشان میدهد که این مسیر مشخص، در عین حال که جذابیتهای خاص خود را دارد، با محدودیتهای جدی و مشخصی نیز همراه است. بهگزارش ارزتکنیکا، در ژوئن سال ۲۰۲۶، یک مهندس هوش مصنوعی که مهارتهای خود را به شکل خودآموخته فراگرفته بود و به عنوان زبانشناس آماتور فعالیت میکرد، مدعی شد که به پیشرفت و گشایشی مهم در زمینهی خط یک دست یافته است.
نقطهی آغازین این ادعا، تنها حدس و گمان اولیه بود؛ این فرد چنین فرض کرد که یک واژهی ناشناخته و مبهم در یک کتیبهی دعایی و نیایشی، از ریشهای سامی مشتق شده است که مفهوم آن به معنای «سکونت کردن» یا «ساکن بودن» اشاره دارد.
در مرحلهی بعدی، او به سراغ اسکریپتها و کدهای برنامهنویسی توسعهیافته توسط هوش مصنوعی رفت تا با بهرهگیری از آنها، همان الگوی آوایی بهدستآمده را روی بخشهای باقیمانده از کل پیکرهی متنی گردآوریشده از خط یک آزمایش و ارزیابی کند.
بر اساس گزارشهای موجود، فرایند به او امکان داد تا برای ۴۰ نشانهی مختلف ارزش و معنا تعیین کند و در نهایت، موفق شد واژهنامهای کامل شامل ۴۰۸ واژه را تدوین و گردآوری کند. بهدستآمدن این دستاورد علمی، از دیدگاه خود او نشاندهندهی این واقعیت بود که «خط یک» عضوی منقرضشده و قدیمی از خانوادهی زبانهای سامی است؛ گروه زبانیِ بزرگی که زبانهای دیگری مانند عبری و آرامی را نیز در بر میگیرد.
اما در این میان، نکتهی کلیدی و حائز اهمیت، سنجش و درک سهم واقعی هوش مصنوعی در پیشبرد فرایند بود. واقعیت این است که هوش مصنوعی وظیفهی خلق یا ارائهی ایده را بر عهده نداشت و ایدهی اولیه بهطور کامل از سوی مهندس مطرح شده بود. در واقع، نقش ماشین و فناوری بیشتر در قالب ابزاری برای آزمودن سریع فرضیههای گوناگون، نظمدهی و ساماندادن به الگوهای بهدستآمده و همچنین، گسترش دامنهی جستوجوها تعریف شد. در نتیجه، این ابزار هوشمند نقشی در زایش و شکلگیری جرقهی نخستین و اصلی طرح ایفا نکرد.
هوش مصنوعی در چنین فرایندی بیشتر نقش دستیار پژوهشی را ایفا میکند. این سامانه میتواند یک فرضیهی انسانی را در مدت کوتاهی روی هزاران نویسه آزمایش کند؛ کاری که در صورت انجام دستی، ممکن است ماهها زمان ببرد. تقسیم کار، الگویی است که شاید بیش از هر ادعای منفردی درباره رمزگشایی زبانهای ناشناخته شایسته توجه باشد؛ ادعاهایی که هنوز نیازمند بررسی و راستیآزماییاند.
اما هوش مصنوعی دقیقاً کجا کمک میکند و کجا با محدودیت روبهرو میشود؟ این فناوری در آزمودن الگوها در مقیاس بزرگ توانایی چشمگیری دارد. برای مثال، میتواند در چند دقیقه بررسی کند که آیا فرضیهای درباره یک نشانه یا واژه در سراسر یک پیکره متنی معتبر است یا خیر؛ کاری که ممکن است برای پژوهشگر انسانی سالها زمان ببرد. همچنین میتواند توالیهای تکرارشوندهای را شناسایی کند که از چشم انسان پنهان میمانند و در برخی موارد، با پیشبینی نویسههای گمشده، به بازسازی کتیبههای آسیبدیده یا ناقص کمک کند.
یکی دیگر از قابلیتهای مهم هوش مصنوعی، «انتقال میانزبانی» است؛ فرایندی که در آن مدلی آموزشدیده بر یک زبان شناختهشده، میتواند از الگوهای آن برای استنتاج ویژگیهایی در زبانی ناشناخته اما خویشاوند استفاده کند. این فرایند تا حدی شبیه آن است که دانستن زبان اسپانیایی، در تشخیص برخی الگوهای زبان پرتغالی به فرد کمک کند.
پژوهشگران پیشتر رویکردهای مشابهی را با موفقیت روی خط اوگاریتی به کار بردهاند؛ زیرا زبان اوگاریتی به خانوادهی زبانی شناختهشدهای تعلق دارد. اوگاریتی زبانی سامی و منقرضشده است که در اواخر عصر برنز، حدود ۱۳۰۰ تا ۱۱۹۰ پیش از میلاد، در شهر ساحلی باستانی اوگاریت، در سوریه امروزی، به کار میرفت.
بااینحال، یک محدودیت بنیادی وجود دارد: تطبیق آماری الگوها نمیتواند معنا را از هیچ ایجاد کند. چنین فرایندی به یک نقطه اتکای مستقل نیاز دارد؛ برای مثال، یک زبان خویشاوند شناختهشده یا متنی دوزبانه که بتواند مشخص کند کدام الگوها معنادارند و کدامیک صرفاً حاصل تصادف آماریاند. دشواری خط یک و اتروسکی دقیقاً از همینجا ناشی میشود. برای این زبانها چنین نقطه اتکایی وجود ندارد یا شواهد موجود کافی نیست. در نتیجه، حتی افزایش چشمگیر قدرت محاسباتی نیز نمیتواند بهتنهایی خلأ را پر کند.
اگر پیکرهای بزرگ در اختیار باشد، یک مدل هوش مصنوعی از نظر آماری میتواند آنقدر با الگوهای یک زبان سازگار شود که بتواند ساختارهای تکرارشوندهی آن را شناسایی و در بافتهای جدید بازآفرینی کند؛ قابلیتی که در ظاهر ممکن است شبیه توانایی برقراری نوعی «گفتوگو» با یک گویشور فرضی مینوسی یا اتروسکی به نظر برسد.
بااینحال، چنین عملکردی به معنای ترجمهی واقعی نیست. یک مدل میتواند یاد بگیرد کدام نشانهها معمولاً پس از یکدیگر ظاهر میشوند و کدام واژهها در کنار هم قرار میگیرند، بدون آنکه بداند این نشانهها یا واژهها در جهان واقعی به چه چیزی اشاره دارند. به بیان دیگر، توانایی پیشبینی الگوهای زبانی لزوماً به معنای درک معنا نیست.
همین مسئله، راستیآزمایی ادعاهای مبتنی بر هوش مصنوعی درباره زبانهای رمزگشایینشده را دشوار میکند. در شرایط معمول، میتوان ترجمه یا تفسیر پیشنهادی را با کمک گویشوران بومی، متون دیگر یا دانش تخصصی انباشتهشده طی دههها ارزیابی کرد. اما دربارهی زبانی که هنوز رمزگشایی نشده است، چنین معیارهای مستقلی در دسترس نیستند. به همین دلیل، تشخیص اینکه یک الگوی آماری واقعاً معنادار است یا صرفاً حاصل همآیندی، بسیار دشوار میشود.
پیکرهی اندک موجود نیز این مشکل را تشدید میکند. کل پیکرهی شناختهشده از خط یک تنها حدود ۷٬۵۰۰ نویسه دارد؛ دادهای که برای آموزش و آزمودن فرضیههای پیچیده بسیار اندک است. در چنین مجموعهی کوچکی، احتمال یافتن تطابقهای ظاهراً معنادار اما در واقع تصادفی افزایش مییابد و تقریباً هر فرضیهای ممکن است بتواند نمونههایی برای تأیید خود پیدا کند.
به همین دلیل، ادعاها در این حوزه نمیتوانند صرفاً بر امتیازهای اطمینان آماری تکیه کنند و همچنان به بررسی مستقل متخصصان و داوری همتا نیاز دارند. همین موضوع نشان میدهد که میان دو گزاره «هوش مصنوعی الگویی پیدا کرده است» و «هوش مصنوعی معنای درست را کشف کرده است» فاصله زیادی وجود دارد؛ دو ادعایی که بهراحتی ممکن است با یکدیگر اشتباه گرفته شوند.
با این همه، محدودیتها به معنای بنبست هوش مصنوعی در مطالعهی زبانها نیست. برعکس، این فناوری میتواند شتابدهندهای قدرتمند برای پژوهشها نیز باشد؛ سالها بررسی و تطبیق دستی را به فرایندی بسیار سریعتر تبدیل کند و امکان جستوجوی فرضیههایی را فراهم آورد که پیشتر بهدلیل محدودیت زمان و نیروی انسانی عملی نبودند.
با وجود این، دو رکن اصلی رمزگشایی همچنان پابرجا هستند: نخست، وجود یک نقطه اتکای مستقل برای تطبیق و تفسیر و دوم، بازبینی دقیق انسانی برای تشخیص یک پیشرفت واقعی از یک همآیندی فریبنده. برای مثال، تا زمانی که چنین نقطه اتکایی برای خط یک یا اتروسکی پیدا نشود، نقش هوش مصنوعی در رمزگشایی این زبانها همان چیزی خواهد بود که امروز هست: دستیاری بسیار سریع برای بررسی معمایی بسیار کهن که حل نهایی آن همچنان به شواهدی فراتر از توان محاسباتی نیاز دارد.
