مقدمه: از علوم شناختی تا مهندسیِ هوش
یان لکان در مقاله‌ی "A Path Towards Autonomous Machine Intelligence" (۲۰۲۲)، نه با یک مسئله‌ی صرفاً مهندسی، بلکه با یک پرسشِ شناختی آغاز می‌کند:
«انسان چگونه به موجودی تبدیل شد که می‌تواند پیش‌بینی کند، استدلال کند، برنامه‌ریزی کند و دنیا را بفهمد؟»
پاسخ به این پرسش، هسته‌ی فلسفیِ معماریِ پیشنهادیِ او را شکل می‌دهد. لکان به‌جای آنکه از صفر یک معماری طراحی کند، از مشاهداتِ علوم شناختی و روان‌شناسیِ رشد الهام گرفته است. در این مقاله، من این ایده‌ها را در قالب یازده اصلِ تحلیلی کنار هم قرار می‌دهم تا روشن شود چگونه برخی ویژگی‌هایِ یادگیری و شناختِ انسانی، در معماریِ پیشنهادیِ لکان به مسئله‌ای مهندسی تبدیل می‌شوند.
برای دیدن تصویر کامل‌تر این بحث، مطالعه‌ی معماری هوش خودمختار یان لکان و همچنین فلسفه World Model در نگاه لکان نیز مفید است.
۱. یادگیریِ جهان، نه یادگیریِ وظیفه
📌 اصل:
انسان‌ها برای هر مسئله از صفر شروع نمی‌کنند؛ آن‌ها ساختارهایِ نسبتاً عمومیِ جهان را یاد می‌گیرند و سپس از آن دانش در موقعیت‌ها و وظایفِ مختلف استفاده می‌کنند.
کودک وقتی بارها سقوطِ اشیا را مشاهده می‌کند، صرفاً رفتارِ یک شیءِ خاص را حفظ نمی‌کند؛ بلکه به‌تدریج یک مدلِ ذهنی از جهان می‌سازد که به او امکانِ پیش‌بینی می‌دهد. او مفهومِ «گرانش» را لزوماً به‌صورتِ صریح نمی‌داند، اما می‌آموزد که اشیایِ رهاشده معمولاً به سمتِ پایین حرکت می‌کنند.
لکان در بحثِ Common Sense و Mental Model of the World بر اهمیتِ چنین دانشِ عمومی تأکید می‌کند. ایده این است که هوش مصنوعی نباید برای هر Task یک سیستمِ کاملاً جداگانه باشد؛ بلکه باید بتواند دانشی از جهان را یاد بگیرد که در وظایفِ گوناگون قابلِ استفاده باشد.
"How is it possible for an adolescent to learn to drive a car in about 20 hours of practice and for children to learn language with what amounts to a small exposure? How is it that most humans will know how to act in many situations they have never encountered?"
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: تمرکز از یادگیریِ مستقیمِ Task-specific به سمتِ ساختنِ بازنمایی‌ها و مدل‌هایی با کاربردِ گسترده‌تر حرکت می‌کند.
۲. تقدمِ مشاهده بر اقدام
📌 اصل:
بخشِ بزرگی از یادگیریِ انسان از طریقِ مشاهده‌یِ غیرفعال انجام می‌شود و برای همه‌یِ اشکالِ یادگیری به تعاملِ مستقیم نیاز نیست.
کودک ساعت‌ها صرفاً به حرکتِ اشیا، رفتارِ انسان‌ها و حیوانات و تغییراتِ محیط نگاه می‌کند. این نوع یادگیری، از دیدگاه لکان، امکانِ جمع‌آوریِ حجم زیادی از دانش را بدون پرداخت هزینه‌ی تعامل برای هر نمونه فراهم می‌کند.
"Animals and humans learn enormous amounts simply by observing the world."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: عامل باید بتواند از داده‌هایِ مشاهده‌ایِ بدون برچسب برای یادگیری استفاده کند. اینجاست که Self-Supervised Learning به یکی از ابزارهای مهم در ساختِ بازنمایی و مدلِ جهان تبدیل می‌شود.
۳. شبیه‌سازیِ ذهنیِ آینده
📌 اصل:
عاملِ هوشمند می‌تواند پیش از اجرایِ واقعیِ یک عمل، پیامدهایِ احتمالیِ آن را در یک مدلِ درونی شبیه‌سازی کند.
اگر توپی به سمتِ شما پرتاب شود، مغز منتظرِ برخورد نمی‌ماند؛ مسیرِ حرکت را پیش‌بینی می‌کند. اگر بخواهید از خیابان عبور کنید، حرکتِ خودروها را پیش از برداشتنِ قدم در نظر می‌گیرید. این توانایی، از نظر مفهومی امکانِ کاهشِ trial-and-error را فراهم می‌کند.
"They can predict the consequences of their actions, they can reason, plan, explore, and imagine new solutions to problems."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: World Model باید بتواند نقشِ یک Predictive Simulator را ایفا کند. در معماری لکان، این مدل با Actor در ارتباط است تا پیامدِ توالی‌هایِ عملِ پیشنهادی بررسی شود.
۴. تصمیم‌گیری بر اساسِ هزینه، نه صرفاً پاداش
📌 اصل:
در معماری لکان، ارزیابیِ رفتار فقط به بیشینه‌سازیِ reward خارجی تقلیل پیدا نمی‌کند؛ بلکه مفهومِ Cost و Intrinsic Cost نقشِ مرکزی دارد.
- اگر از خیابان رد شوم، چه هزینه یا ریسکی دارد؟
- اگر امروز استراحت کنم، چه پیامدی برای فردا دارد؟
لکان از Intrinsic Cost برای توصیفِ هزینه‌هایِ ذاتی استفاده می‌کند. در معماریِ او، Cost از دو بخشِ اصلی تشکیل می‌شود: Intrinsic Cost که غیرقابل‌آموزش و تغییرناپذیر تعریف شده است، و Critic که هزینه‌هایِ آینده را بر اساسِ تجربه پیش‌بینی می‌کند.
"Scalar rewards provide low-information feedback to a learning system..."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: ارزیابیِ آینده در یک چارچوبِ مبتنی بر Cost انجام می‌شود، نه صرفاً یک سیگنالِ reward خارجی.
۵. تعمیم‌پذیریِ تجربه
📌 اصل:
انسان‌ها از تجربه‌های خاص، مفاهیمِ عمومی‌تر استخراج می‌کنند و از آن مفاهیم در موقعیت‌هایِ جدید بهره می‌گیرند.
لکان برای توضیحِ چنین انتقالی به نمونه‌هایی مانند دوچرخه و موتورسیکلت اشاره می‌کند. وقتی انسان مفهومِ تعادل را در یک وسیله می‌آموزد، لازم نیست این مفهوم را کاملاً از نو برای وسیله‌ای مشابه یاد بگیرد.
پیامد برای معماری: بازنمایی‌هایِ یادگرفته‌شده باید تا حد امکان Task-Agnostic و Generalizable باشند. این ایده به قلبِ Representation Learning نزدیک می‌شود.
۶. تبدیلِ تفکر به عادت
📌 اصل:
برخی رفتارها ابتدا به برنامه‌ریزی و تفکر نیاز دارند، اما با تمرین می‌توانند به رفتارهایِ سریع‌تر و خودکارتر تبدیل شوند.
رانندگی، تایپ کردن و بسیاری از مهارت‌هایِ حرکتی در ابتدا نیازمندِ توجه و برنامه‌ریزی هستند، اما بعد از تمرین بخشِ زیادی از اجرایِ آن‌ها خودکار می‌شود.
این ایده در بحثِ لکان با تمایزِ System 1 / System 2 نیز پیوند پیدا می‌کند؛ البته اینجا باید توجه داشت که استفاده از این تمایز، یک چارچوبِ تفسیری برای ارتباط میان علوم شناختی و معماریِ ماشین است.
پیامد برای معماری: می‌توان میانِ یادگیریِ مدلِ جهان، برنامه‌ریزی و سپس تبدیلِ برخی رفتارهایِ تکرارشونده به سیاست‌هایِ سریع‌تر ارتباط برقرار کرد.
۷. کنجکاویِ درونی
📌 اصل:
رفتارِ هوشمند لزوماً همیشه از reward خارجی ناشی نمی‌شود؛ عامل می‌تواند محرک‌ها و اهدافِ درونی نیز داشته باشد.
در معماری لکان، این ایده به Intrinsic Cost مربوط می‌شود. این بخش از معماری قرار است هزینه‌هایِ ذاتی یا drives بنیادیِ عامل را نمایش دهد؛ لکان از نمونه‌هایی مانند pain، pleasure و hunger برای توضیحِ این مفهوم استفاده می‌کند و کنجکاوی و exploration نیز می‌توانند در چنین چارچوبی نقش داشته باشند.
"The Intrinsic Cost module is hard-wired (immutable, non-trainable)..."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: عامل فقط با external reward تعریف نمی‌شود؛ بلکه سازوکاری برای ارزش‌گذاریِ درونی نیز در معماری حضور دارد.
۸. تنظیمِ پویایِ توجه
📌 اصل:
آنچه برای عامل مهم است، می‌تواند بر اساسِ هدف و وظیفه‌ی جاری تغییر کند.
- اگر در فرودگاه به دنبالِ دوستتان باشید، صورتِ انسان‌ها مهم می‌شود.
- اگر رانندگی می‌کنید، چراغِ راهنمایی و خودروهایِ اطراف اهمیتِ بیشتری پیدا می‌کنند.
پیامد برای معماری: این ایده با نقشِ Configurator ارتباط پیدا می‌کند؛ ماژولی که در معماری لکان وظیفه دارد سایر ماژول‌ها را برای وظیفه‌ی جاری تنظیم کند.
"Of all the least understood aspects of the current proposal, the configurator module is the most mysterious."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
این نکته مهم است، زیرا Configurator صرفاً یک «ماژول توجه» ساده نیست؛ نقش آن در تنظیم و پیکربندیِ سایر بخش‌های معماری گسترده‌تر از attention به معنای رایجِ یادگیری عمیق است.
۹. زیستن در جهان، نه فقط خواندن درباره‌ی آن
📌 اصل:
دانشِ انسانی فقط حاصلِ خواندنِ توصیف‌ها نیست؛ تعاملِ ادراکی و تجربی با جهان در ساختِ مدلِ ذهنی نقش دارد.
کودک قانونِ جاذبه را فقط از یک متن نمی‌آموزد؛ آن را از طریقِ مشاهده، حرکت، لمس، برخورد و تجربه‌ی روزمره با جهان درک می‌کند. این همان نقطه‌ای است که لکان در نقدِ اتکا به مدل‌هایِ زبانیِ صرف، بر آن تأکید می‌کند.
پیامد برای معماری: برای ساختِ یک World Model غنی، مشاهده و تجربه‌ی جهان باید در کنارِ یادگیریِ متنی و سایر منابعِ دانش در نظر گرفته شود.
در این زمینه، مقاله‌ی فلسفه وجودی رویکرد یان لکان ارتباط این دیدگاه را با World Model با جزئیاتِ بیشتری بررسی می‌کند.
۱۰. توجهِ سریالی
📌 اصل:
در نگاه لکان، یک عامل با یک World Model قابل‌پیکربندی می‌تواند در هر لحظه بر روی یک وظیفه‌ی پیچیده تمرکز کند، در حالی که همان مدل و دانش می‌تواند میانِ وظایفِ مختلف به اشتراک گذاشته شود.
لکان در معماریِ خود بر وجودِ یک موتورِ واحدِ World Model تأکید می‌کند که به‌وسیله‌ی Configurator برای وظیفه‌ی جاری تنظیم می‌شود.
"The agent only possesses one world model 'engine'... Hence, similarly to humans, the agent can only focus on one complex task at a time."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
پیامد برای معماری: مدلِ مشترک می‌تواند زمینه‌ای برای اشتراکِ دانش و انتقالِ مفاهیم میانِ وظایف فراهم کند، بدون اینکه لزوماً برای هر Task یک World Model کاملاً مستقل ساخته شود.
۱۱. حس مشترک؛ همان مدلِ جهان
📌 اصل:
در نگاه لکان، Common Sense را می‌توان به مجموعه‌ای از مدل‌هایِ جهان مرتبط دانست که به عامل کمک می‌کنند درباره‌ی محتمل، معقول و ناممکن بودنِ وضعیت‌ها قضاوت کند.
"Common sense can be seen as a collection of models of the world that can tell an agent what is likely, what is plausible, and what is impossible."
— Yann LeCun, A Path Towards Autonomous Machine Intelligence
وقتی یک لیوان را روی لبه‌ی میز می‌بینیم، برای پیش‌بینیِ افتادنِ آن نیازی به اجرایِ آزمایش نداریم. مدلِ درونیِ ما از جهان، بخشی از این پیش‌بینی را ممکن می‌کند.
🧠 یک تمایز مهم
می‌توان این تفاوت را چنین صورت‌بندی کرد: یک مدل زبانی می‌تواند توصیف‌هایِ متنی درباره‌ی جهان را یاد بگیرد، اما در معماریِ مورد نظر لکان، یک عاملِ خودمختار باید بتواند مدلی از جهان بسازد که برای پیش‌بینی، استدلال و برنامه‌ریزی مورد استفاده قرار گیرد.
پیامد برای معماری: یکی از اهدافِ مهمِ یادگیریِ World Model، ساختنِ نوعی Machine Common Sense است که بتواند در موقعیت‌هایِ جدید برای پیش‌بینی و تصمیم‌گیری مورد استفاده قرار گیرد.
جمع‌بندی: از فلسفه تا معماری
🎯 یازده اصل مورد بحث
این یازده اصل را می‌توان به‌عنوانِ یک چارچوبِ تحلیلی برای فهمِ ریشه‌های شناختی معماریِ لکان در نظر گرفت؛ چارچوبی که میانِ مشاهده، یادگیری، مدل‌سازیِ جهان، پیش‌بینی، توجه، انگیزش و تصمیم‌گیری ارتباط برقرار می‌کند.
لکان با الهام از علوم شناختی، روان‌شناسی رشد و نظریه‌های یادگیری، معماری‌ای پیشنهاد می‌کند که در آن:
- World Model از طریق مشاهده و یادگیریِ پیش‌بینانه شکل می‌گیرد.
- Actor از World Model برای بررسیِ پیامدهایِ اقدامات استفاده می‌کند.
- Configurator سایر بخش‌هایِ معماری را برای Task جاری تنظیم می‌کند.
- Cost، Intrinsic Cost و Critic سازوکاری برای ارزش‌گذاریِ آینده فراهم می‌کنند.
در نتیجه، ریشه‌یِ این معماری را نمی‌توان فقط در یک تکنیکِ یادگیریِ عمیق جست‌وجو کرد. ایده‌ی اصلی در این است که ویژگی‌هایِ مهم شناختِ طبیعی، مانند ساختِ مدلِ جهان، یادگیری از مشاهده، پیش‌بینی آینده و ارزیابیِ پیامدهایِ عمل، به مسئله‌هایِ صریحِ معماری تبدیل شوند.
برای فهمِ گام بعدی این مسیر، مطالعه‌ی معماری کامل هوش خودمختار لکان و همچنین نقش Latent Variable در این معماری می‌تواند این بحث را از سطحِ ریشه‌های شناختی به سطحِ اجزایِ فنیِ سیستم منتقل کند.
پرسش‌های متداول درباره ریشه‌های شناختی معماری لکان
آیا «یازده اصل» فهرست رسمیِ یان لکان هستند؟
خیر. یازده اصلِ این مقاله یک دسته‌بندیِ تحلیلی برای کنار هم قرار دادن ایده‌هایِ شناختی و فلسفیِ مطرح‌شده در مقاله‌ی لکان است و نباید آن را به‌عنوان یک فهرست شماره‌گذاری‌شده‌ی رسمی از خودِ لکان در نظر گرفت.
مهم‌ترین ریشه‌ی شناختی معماری لکان چیست؟
یکی از محورهایِ مرکزی، ساختنِ یک مدلِ درونی از جهان است؛ مدلی که از مشاهده یاد می‌گیرد و بتواند وضعیت‌هایِ آینده و پیامدهایِ اقدامات را پیش‌بینی کند.
چرا مشاهده برای لکان اهمیت دارد؟
زیرا انسان و حیوان می‌توانند مقدار زیادی از دانش را بدون اجرایِ مستقیمِ هر عمل از مشاهده‌ی جهان به دست آورند. این دیدگاه، اهمیتِ یادگیریِ خودنظارتی از داده‌های مشاهده‌ای را برجسته می‌کند.
Common Sense در نگاه لکان چه ارتباطی با World Model دارد؟
در چارچوب لکان، Common Sense را می‌توان به مجموعه‌ای از مدل‌هایِ جهان مرتبط دانست که به عامل کمک می‌کنند درباره‌ی محتمل، معقول و ناممکن بودنِ وضعیت‌ها قضاوت کند.
Configurator چه ارتباطی با علوم شناختی دارد؟
Configurator یک ماژولِ معماریِ پیشنهادی لکان است که سایر بخش‌ها را برای Task جاری تنظیم می‌کند. ارتباط دادن آن با مفاهیمی مانند Executive Control یک تفسیرِ شناختی است و نباید به‌عنوانِ معادل رسمی این مفاهیم معرفی شود.
منابع و مطالعه بیشتر
- LeCun, Y. (2022). A Path Towards Autonomous Machine Intelligence . OpenReview. https://openreview.net/pdf?id=BZ5a1r-kVsf
- Kahneman, D. (2011). Thinking, Fast and Slow . Farrar, Straus and Giroux.
- «فلسفه وجودی رویکرد یان لکان در هوش مصنوعی» - مقاله مرتبط در همین وبلاگ
- «یان لکان؛ وقتی یک پیشگام، نقشه‌ی راه هوش مصنوعی را از نو می‌کشد» - مقاله مرتبط در همین وبلاگ
- «معماری هوش خودمختار یان لکان؛ از واکنش تا تصمیم‌گیری» - مقاله مرتبط در همین وبلاگ