مقدمه
یکی از پرسش‌هایی که همیشه در بحث هوش مصنوعی برای من جذاب بوده این است:
اگر می‌دانیم انسان می‌تواند استدلال کند، چرا ساختن ماشینی که واقعاً بتواند مانند انسان استدلال کند هنوز این‌قدر دشوار است؟
ما در هوش مصنوعی ابزارهای بسیار قدرتمندی برای یادگیری داریم. شبکه‌های عصبی می‌توانند از حجم عظیمی از داده‌ها الگو یاد بگیرند، پیش‌بینی کنند و حتی در بسیاری از مسائل عملکرد بسیار خوبی داشته باشند.
اما وقتی صحبت از Reasoning، برنامه‌ریزی و حل مسئله می‌شود، مسئله کمی متفاوت است. در اینجا با چیزی فراتر از تشخیص یک الگو مواجهیم. سیستم باید بتواند بین وضعیت‌های مختلف ارتباط برقرار کند، محدودیت‌ها را در نظر بگیرد و از میان حالت‌های ممکن، گزینه‌ای سازگار با هدف خود پیدا کند.
اینجاست که یک ایده جالب از Yann LeCun مطرح می‌شود:
نقل به مضمون از دیدگاه لکان: شاید بتوان بخشی از فرایند استدلال را به‌صورت یک مسئله از جنس کمینه‌سازی انرژی یا ارضای قیود صورت‌بندی کرد.
این ایده یکی از موضوعات مهم در بحث لکان درباره معماری‌های آینده هوش مصنوعی است و در نوشته او درباره Autonomous Machine Intelligence، جهان‌بینی او درباره World Model و نقش Actor در جست‌وجوی حالت‌ها و اعمال مختلف دیده می‌شود.
دو نگاه متفاوت به استدلال
برای فهم این ایده، ابتدا باید تفاوت میان دو رویکرد را ببینیم.
یک رویکرد، استدلال را به شکل قواعد و منطق تعریف می‌کند.
مثال: سفر از تهران به شیراز
ممکن است بگوییم:
- اگر زمان کمی داریم → هواپیما
- اگر بودجه محدود است → اتوبوس
- اگر جاده بسته است → مسیر دیگری انتخاب شود
- اگر زمان کافی داریم و هزینه اهمیت دارد → گزینه ارزان‌تر انتخاب شود
این نوع نگاه به Symbolic AI نزدیک است؛ جایی که دانش و استدلال می‌توانند به شکل نمادها، قواعد و روابط منطقی نمایش داده شوند.
اما شبکه عصبی چگونه مسئله را می‌بیند؟ در یادگیری عمیق، داستان متفاوت است. شبکه عصبی معمولاً نمی‌گوید: «اگر X اتفاق افتاد، قانون Y را اجرا کن.» بلکه پارامترهای خود را به گونه‌ای تغییر می‌دهد که یک تابع هدف بهتر شود.
و این کار، در مدل‌های قابل مشتق، با استفاده از گرادیان انجام می‌شود:
بنابراین، یکی از صورت‌های ساده یادگیری شبکه عصبی را می‌توان به شکل یک مسئله بهینه‌سازی نوشت:
اینجا دیگر لازم نیست برای هر رفتار یک Rule صریح بنویسیم. مدل تلاش می‌کند پارامترهایی پیدا کند که تابع هدف را بهینه کنند.
نقطه برخورد این دو دنیا
از یک طرف، استدلال معمولاً با مفاهیمی مانند Rule → Constraint → Logic → Planning سر و کار دارد. از طرف دیگر، یادگیری عمیق عمدتاً با Loss → Gradient → Optimization کار می‌کند.
بنابراین یک سؤال طبیعی شکل می‌گیرد:
آیا می‌توان مسئله‌ای که ظاهراً منطقی و گسسته است را به یک مسئله بهینه‌سازی یا ارضای قیود تبدیل کرد؟
این دقیقاً همان جایی است که ایده Energy-Based Models و نگاه انرژی‌محور به مسئله اهمیت پیدا می‌کند.
به جای اینکه مستقیماً بگوییم «این حالت درست است و آن حالت غلط»، می‌توانیم به هر حالت یک مقدار انرژی نسبت دهیم. حالت‌های مطلوب انرژی پایین‌تری داشته باشند و حالت‌های نامطلوب انرژی بالاتری.
یعنی: حالتی را پیدا کن که انرژی آن کمینه باشد.
یک مثال ساده: سودوکو
برای اینکه این ایده ملموس‌تر شود، سودوکو مثال بسیار خوبی است.
در روش کلاسیک، مسئله را با مجموعه‌ای از قواعد تعریف می‌کنیم:
- در هر سطر نباید عدد تکراری وجود داشته باشد.
- در هر ستون نباید عدد تکراری وجود داشته باشد.
- در هر مربع 3×3 نباید عدد تکراری وجود داشته باشد.
این‌ها Constraints هستند.
حالا فرض کنیم به جای اینکه مستقیماً بگوییم یک حالت «مجاز» یا «غیرمجاز» است، برای نقض هر Constraint یک هزینه تعریف کنیم:
اگر یک جواب دو قانون را نقض کند:
اگر هیچ قانونی نقض نشده باشد:
بنابراین حل مسئله تبدیل می‌شود به:
و در بهترین حالت به وضعیتی می‌رسیم که:
یعنی تمام Constraintها رعایت شده‌اند.
آیا این واقعاً استدلال است؟
اینجا باید کمی دقیق باشیم. این مثال به‌تنهایی به این معنی نیست که تمام مسئله Human Reasoning حل شده است.
سودوکو یک مسئله محدود و ساختاریافته است و می‌توانیم Constraints آن را از قبل مشخص کنیم. بنابراین تبدیل قواعد آن به یک تابع هزینه یا انرژی، نسبتاً مستقیم است.
اما ایده مهم‌تر این است:
اگر بتوانیم بخش‌هایی از استدلال را به شکل یک تابع هزینه، انرژی یا مجموعه‌ای از قیود تعریف کنیم، آنگاه ممکن است بتوانیم جست‌وجوی راه‌حل را در چارچوب Optimization یا Constraint Satisfaction قرار دهیم.
در این صورت به جای اینکه سیستم را مجبور کنیم مجموعه‌ای از قواعد گسسته را به‌صورت صریح اجرا کند، می‌توانیم فضایی از حالت‌های ممکن تعریف کنیم و سیستم را به سمت حالت‌هایی هدایت کنیم که با Constraints و اهداف مسئله سازگارتر هستند.
از «درست یا غلط» به «کم‌انرژی یا پرانرژی»
در منطق کلاسیک ممکن است بگوییم:
- این وضعیت معتبر است.
- یا: این وضعیت نامعتبر است.
اما در یک نگاه انرژی‌محور می‌توانیم بگوییم:
- این وضعیت با Constraints سازگارتر است و انرژی پایین‌تری دارد.
- و وضعیت دیگر انرژی بالاتری دارد، چون Constraints بیشتری را نقض می‌کند.
چرا این ایده برای یادگیری عمیق مهم است؟
اینجا دوباره به مسئله اصلی شبکه‌های عصبی برمی‌گردیم.
یکی از نقاط قوت بزرگ Deep Learning این است که Gradient-Based Optimization یک چارچوب بسیار قدرتمند برای یادگیری پارامترهای مدل فراهم می‌کند.
مدل می‌تواند یک تابع هدف داشته باشد، گرادیان آن را محاسبه کند و پارامترهای خود را در جهت کاهش Loss تغییر دهد.
بنابراین اگر بتوانیم بخش‌هایی از مسئله استدلال را نیز به شکل توابع قابل بهینه‌سازی یا مسائل ارضای قیود بیان کنیم، یک امکان جالب ایجاد می‌شود:
می‌توان Reasoning را به یک مسئله جست‌وجو در فضای حالات، اعمال و متغیرهای نهفته تبدیل کرد که در برخی شرایط با روش‌های بهینه‌سازی حل می‌شود.
⚠️ نکته بسیار مهم
این به معنی آن نیست که: «Reasoning = Gradient Descent»
در چارچوب لکان، اگر متغیرهای مورد جست‌وجو پیوسته باشند و Predictor و Cost نسبت به آن‌ها مشتق‌پذیر باشند، روش‌های gradient-based می‌توانند برای جست‌وجو به کار روند. اما اگر فضای عمل گسسته یا به‌شدت ناپیوسته باشد، روش‌های دیگری مانند exhaustive search، heuristic search یا Monte-Carlo Tree Search نیز می‌توانند مطرح باشند.
بنابراین ایده اصلی، «همسان‌کردن استدلال با گرادیان» نیست؛ بلکه تبدیل بخشی از مسئله استدلال به فرمی است که بتوان در فضای راه‌حل آن جست‌وجو و کمینه‌سازی انجام داد.
جمع‌بندی
ایده تبدیل استدلال به یک مسئله بهینه‌سازی، یکی از جالب‌ترین بخش‌های دیدگاه یان لکان درباره معماری‌های آینده هوش مصنوعی است. نکته مهم این دیدگاه آن است که reasoning لزوماً نباید فقط به شکل اجرای زنجیره‌ای از قواعد نمادین تصور شود؛ بخشی از آن می‌تواند به مسئله‌ای برای پیدا کردن یک وضعیت یا توالی عمل سازگار با قیود و اهداف تبدیل شود.
در این چارچوب، Energy-Based Models، World Models، متغیرهای نهفته و جست‌وجوی روی فضای اعمال می‌توانند به یکدیگر متصل شوند. در فضاهای مناسب، بهینه‌سازی مبتنی بر گرادیان می‌تواند یکی از روش‌های مؤثر برای این جست‌وجو باشد؛ اما این تنها روش ممکن نیست و برای فضاهای گسسته یا ناپیوسته ممکن است روش‌های جست‌وجوی دیگری لازم باشند.
🎯 ایده اصلی در یک جمله
به‌جای اینکه همیشه استدلال را به‌صورت اجرای صریح Ruleها تعریف کنیم، می‌توان در برخی مسائل، مجموعه‌ای از حالت‌ها و قیود تعریف کرد و سپس با یک تابع هزینه یا انرژی، جست‌وجوی راه‌حل سازگار با هدف را به یک مسئله بهینه‌سازی تبدیل کرد.