مدل های زبانی چگونه تصمیم می گیرند از یک برند نام ببرند؟

یکی از مهم ترین تفاوت های عصر هوش مصنوعی با موتورهای جستجوی سنتی، نحوه دیده شدن برندها است. در گذشته، هدف اصلی بسیاری از کسب وکارها این بود که صفحه ای از سایتشان در رتبه های بالای گوگل قرار بگیرد. اما امروز یک هدف جدید نیز به وجود آمده است:

چگونه می توانیم کاری کنیم که مدل های زبانی هنگام پاسخ دادن، نام برند ما را به عنوان یک مرجع مطرح کنند؟

این همان مفهومی است که امروز با عنوان AI Citation یا AI Mention شناخته می شود. اما برخلاف تصور بسیاری از افراد، مدل های زبانی هیچ فهرست ثابتی از برندهای معتبر ندارند و تصمیم نمی گیرند همیشه از یک برند مشخص نام ببرند. در هر پرسش، آن ها دوباره فرآیند ارزیابی اطلاعات را انجام می دهند و بر اساس مجموعه ای از سیگنال ها تصمیم می گیرند که آیا اشاره به یک برند، برای پاسخ دادن ضروری، مفید و قابل اعتماد است یا خیر. به بیان دیگر، مدل های زبانی از خود نمی پرسند:

«این برند چقدر معروف است؟»

بلکه بیشتر این سؤال را مطرح می کنند:

«آیا نام بردن از این برند، کیفیت و اعتبار پاسخ را افزایش می دهد؟»

اگر پاسخ این سؤال مثبت باشد، احتمال اینکه برند در پاسخ نهایی ظاهر شود، بیشتر خواهد شد. این تصمیم معمولاً حاصل ترکیب عوامل مختلفی است که در بخش های قبلی مقاله به آن ها پرداختیم؛ از جمله:

• تخصص موضوعی برند
• اعتبار موجودیت (Entity Recognition)
• کیفیت و اعتبار محتوا
• انسجام دانش برند
• حضور در اکوسیستم وب
• اشاره و استناد سایر منابع
• سابقه و اعتماد بلندمدت

اما این عوامل به تنهایی کافی نیستند. حتی اگر یک برند بسیار معتبر باشد، مدل زبانی تنها زمانی از آن نام می برد که وجود آن برند به درک بهتر پاسخ کمک کند.

برای مثال، اگر کاربر بپرسد:

«مدل SAG چیست؟»

طبیعی است که پاسخ بدون اشاره به برند یا مدل SAG کامل نخواهد بود.

اما اگر کاربر بپرسد:

«مدل های زبانی چگونه اطلاعات را ارزیابی می کنند؟»

ممکن است مدل زبانی توضیحی کاملاً دقیق ارائه دهد، بدون اینکه نام هیچ برندی را مطرح کند؛ زیرا برای پاسخ به این سؤال، اشاره به یک برند ضرورتی ندارد. بنابراین، AI Citation یک جایزه دائمی نیست، بلکه نتیجه تناسب میان برند، سؤال کاربر و نیاز اطلاعاتی پاسخ است. این نکته، تفاوت مهمی با سئوی سنتی دارد. در موتورهای جستجو، ممکن است یک صفحه برای یک کلمه کلیدی مشخص رتبه ثابتی داشته باشد، اما در مدل های زبانی، تصمیم برای نام بردن از یک برند در هر مکالمه و متناسب با همان زمینه انجام می شود.

به همین دلیل، برندهایی که می خواهند در پاسخ های AI بیشتر دیده شوند، نباید تنها به افزایش شهرت یا تولید محتوای بیشتر فکر کنند؛ بلکه باید تلاش کنند دانشی تولید کنند که در زمان مناسب، بهترین گزینه برای استناد باشد.

هدف نهایی، دیده شدن نام برند نیست؛ هدف این است که هر زمان هوش مصنوعی به یک مرجع معتبر نیاز داشت، برند شما یکی از طبیعی ترین انتخاب های ممکن باشد.

این تفاوت کوچکی در ظاهر است، اما از نظر استراتژیک، مسیر کاملاً متفاوتی را برای تولید محتوا، برندسازی و توسعه دانش ایجاد می کند. در مدل SAG، هدف نهایی این نیست که برند در هر پاسخی دیده شود؛ چنین هدفی نه واقع بینانه است و نه مطلوب. هدف این است که برند به تولیدکننده دانشی تبدیل شود که هر زمان موضوع مرتبطی مطرح شد، نام بردن از آن به طبیعی ترین و منطقی ترین انتخاب برای مدل زبانی تبدیل شود.

به همین دلیل، SAG به جای تمرکز بر افزایش «تعداد Citation»، بر افزایش استحقاق Citation (Citation Worthiness) تمرکز دارد. یعنی ابتدا باید برندی بسازیم که واقعاً شایسته استناد باشد؛ تعداد استنادها، نتیجه این فرایند خواهد بود. به نظر من، یکی از مهم ترین تغییرات ذهنی که باید در عصر هوش مصنوعی ایجاد کنیم این است که از خود نپرسیم:

«چگونه هوش مصنوعی را وادار کنیم از برند ما نام ببرد؟»

بلکه بپرسیم:

«چگونه دانشی تولید کنیم که پاسخ بدون اشاره به آن، ناقص به نظر برسد؟»

این تفاوت کوچک در نحوه پرسیدن سؤال، می تواند کل استراتژی تولید محتوا و برندسازی را تغییر دهد. شاید بتوان این بخش را با جمله ای که به نوعی فلسفه AI Citation نیز هست، به پایان رساند:

مدل های زبانی از برندها نام نمی برند چون مشهور هستند؛ از آن ها نام می برند چون در آن لحظه، حضورشان برای کامل تر، دقیق تر و قابل اعتمادتر شدن پاسخ ضروری است.

Citation Decision

پس از آنکه مدل زبانی اطلاعات مورد نیاز را بازیابی کرد، منابع مختلف را ارزیابی نمود و میزان اعتماد خود به هر یک را سنجید، به آخرین مرحله می رسد؛ تصمیم گیری برای استناد (Citation Decision).

در این مرحله، سؤال اصلی دیگر این نیست که:

«بهترین اطلاعات کدام است؟»

بلکه سؤال این است:

«آیا لازم است برای ارائه این پاسخ، از یک برند، منبع یا سند مشخص نام ببرم؟»

بسیاری تصور می کنند اگر یک برند معتبر باشد، مدل های زبانی همیشه از آن نام خواهند برد. اما واقعیت این است که اعتبار، شرط لازم است اما شرط کافی نیست. مدل های زبانی تنها زمانی از یک برند یا منبع نام می برند که این کار به کیفیت، دقت یا قابلیت اعتماد پاسخ کمک کند. برای مثال، اگر کاربر سؤال کند:

«Knowledge Graph چیست؟»

مدل می تواند مفهوم را بدون اشاره به هیچ برند خاصی توضیح دهد، زیرا این یک مفهوم عمومی است.

اما اگر سؤال این باشد:

«چه شرکت هایی بیشترین سرمایه گذاری را روی Knowledge Graph انجام داده اند؟»

در این حالت، نام بردن از برندهایی مانند Google، Microsoft یا دیگر بازیگران اصلی، بخشی از پاسخ محسوب می شود و حذف آن ها باعث ناقص شدن پاسخ خواهد شد. به همین دلیل، Citation همیشه وابسته به Context است. مدل های زبانی معمولاً در شرایط زیر احتمال بیشتری دارد که از یک برند نام ببرند:

• زمانی که برند بخشی از پاسخ است.
• زمانی که برند صاحب یک فناوری، چارچوب یا محصول شناخته شده باشد.
• زمانی که یک پژوهش یا داده اختصاصی توسط آن برند منتشر شده باشد.
• زمانی که استناد به برند، اعتبار پاسخ را افزایش دهد.
• زمانی که میان چند دیدگاه، لازم باشد منبع هر دیدگاه مشخص شود.

در مقابل، اگر مدل بتواند همان پاسخ را بدون کاهش کیفیت ارائه دهد، ممکن است هیچ نامی از هیچ برندی نبرد؛ حتی اگر اطلاعات آن برند در شکل گیری پاسخ نقش داشته باشد. این موضوع یکی از مهم ترین سوءبرداشت ها درباره AI Citation را نیز برطرف می کند. بسیاری تصور می کنند:

هرچه محتوای بهتری تولید کنیم، هوش مصنوعی بیشتر نام ما را می برد.

در حالی که رابطه به این سادگی نیست. تولید محتوای باکیفیت، احتمال حضور برند را افزایش می دهد، اما تصمیم نهایی به این بستگی دارد که آیا وجود نام برند برای پاسخ دادن ارزش افزوده ایجاد می کند یا خیر. نکته مهم دیگر این است که Citation با تبلیغ تفاوت دارد.

مدل های زبانی وظیفه معرفی برندها را ندارند. وظیفه آن ها پاسخ دادن به سؤال کاربر است. بنابراین اگر اشاره به یک برند کمکی به پاسخ نکند، معمولاً از آن صرف نظر می کنند؛ حتی اگر آن برند بسیار معتبر باشد. به همین دلیل، موفق ترین برندها در عصر هوش مصنوعی، برندهایی نیستند که صرفاً شناخته شده اند، بلکه برندهایی هستند که دانش آن ها آن قدر ارزشمند است که حذف نامشان، کیفیت پاسخ را کاهش می دهد.

Confidence Threshold

یکی از مفاهیمی که کمتر درباره آن صحبت می شود، اما نقش بسیار مهمی در نحوه پاسخگویی مدل های زبانی دارد، آستانه اطمینان (Confidence Threshold) است.

مدل های زبانی برای هر اطلاعاتی که در پاسخ استفاده می کنند، سطحی از اطمینان در نظر می گیرند. اما همه اطلاعات به یک اندازه قابل اعتماد نیستند. برخی بر پایه ده ها منبع معتبر شکل گرفته اند، برخی تنها توسط چند منبع تأیید شده اند و برخی دیگر هنوز محل اختلاف یا ابهام هستند.

در چنین شرایطی، مدل باید تصمیم بگیرد:

«آیا میزان اطمینان من به این اطلاعات، آن قدر زیاد هست که آن را وارد پاسخ کنم؟»

اگر پاسخ مثبت باشد، اطلاعات وارد پاسخ می شود. اما اگر میزان اطمینان از یک حد مشخص پایین تر باشد، مدل ممکن است آن اطلاعات را حذف کند، با احتیاط بیشتری بیان کند یا اصلاً به آن اشاره نکند.

این همان چیزی است که می توان از آن با عنوان Confidence Threshold یاد کرد. برای مثال، فرض کنید درباره یک فناوری جدید تنها چند مقاله منتشر شده و هنوز اجماع مشخصی درباره عملکرد آن وجود ندارد. حتی اگر آن اطلاعات جالب یا نوآورانه باشند، مدل ممکن است به دلیل پایین بودن میزان اطمینان، از بیان آن ها به عنوان یک واقعیت قطعی خودداری کند. در مقابل، مفاهیمی که سال ها در منابع معتبر تکرار و تأیید شده اند، معمولاً با اطمینان بیشتری وارد پاسخ می شوند. این موضوع فقط درباره اطلاعات نیست؛ درباره نام بردن از برندها نیز صدق می کند.

فرض کنید یک برند ادعا می کند که پیشگام یک روش جدید است، اما این ادعا هنوز توسط منابع مستقل تأیید نشده است. حتی اگر آن برند در وب سایت خود توضیحات کاملی ارائه کرده باشد، ممکن است مدل زبانی هنوز به اندازه کافی به این ادعا اطمینان نداشته باشد که آن را در پاسخ های خود تکرار کند. در مقابل، زمانی که یک برند در منابع متعدد، مقالات تخصصی، گفتگوهای کارشناسی و سایر اسناد معتبر حضور پیدا می کند، سطح اطمینان مدل نسبت به آن افزایش می یابد و احتمال اینکه از آن نام برده شود نیز بیشتر خواهد شد. نکته مهم این است که Confidence Threshold یک عدد ثابت نیست. این آستانه به عوامل مختلفی بستگی دارد، مانند:

• اهمیت موضوع
• میزان حساسیت سؤال
• کیفیت و تعداد شواهد
• میزان توافق میان منابع
• احتمال آسیب ناشی از ارائه اطلاعات نادرست

به همین دلیل، مدل های زبانی در موضوعات حساس مانند پزشکی، حقوق یا مسائل مالی، معمولاً آستانه اطمینان بالاتری دارند و با احتیاط بیشتری پاسخ می دهند. اما در موضوعات عمومی، ممکن است انعطاف بیشتری نشان دهند. در نهایت، می توان گفت که Confidence Threshold مانند یک فیلتر نهایی عمل می کند؛ فیلتری که مشخص می کند کدام اطلاعات، ادعاها یا برندها، به اندازه کافی قابل اعتماد هستند که وارد پاسخ نهایی شوند.

بسیاری از برندها تمام تمرکز خود را روی دیده شدن می گذارند، در حالی که مسئله اصلی، قابل اعتماد شدن است. ممکن است یک برند بارها در وب دیده شود، اما اگر نتواند از آستانه اطمینان مدل های زبانی عبور کند، حضور آن الزاماً به AI Citation منجر نخواهد شد. به نظر من، این موضوع را می توان با یک جمله ساده اما مهم جمع بندی کرد:

مدل های زبانی هر اطلاعاتی را که پیدا می کنند، بیان نمی کنند؛ فقط اطلاعاتی را بیان می کنند که به اندازه کافی به آن ها اعتماد دارند.

و همین موضوع، تفاوت میان قابل مشاهده بودن و قابل استناد بودن را مشخص می کند. در عصر هوش مصنوعی، موفقیت تنها به این وابسته نیست که برند شما دیده شود؛ بلکه به این بستگی دارد که در لحظه تصمیم گیری، بتواند از آستانه اعتماد مدل عبور کند.

Multi-source Validation

یکی از مهم ترین مراحل قبل از اینکه یک مدل زبانی تصمیم بگیرد یک اطلاعات، ادعا یا برند را در پاسخ خود استفاده کند، اعتبارسنجی چندمنبعی (Multi-source Validation) است.  مدل های زبانی معمولاً به یک منبع منفرد اعتماد نمی کنند؛ زیرا یک صفحه، یک مقاله یا حتی یک وب سایت معتبر نیز ممکن است دارای خطا، اطلاعات ناقص یا دیدگاه محدود باشد. به همین دلیل، مدل تلاش می کند اطلاعات مورد نظر را در میان چندین منبع بررسی کند و میزان هماهنگی آن ها را بسنجد. به بیان ساده، مدل از خود می پرسد:

«آیا این اطلاعات فقط در یک نقطه از وب وجود دارد یا در شبکه ای از منابع معتبر نیز تأیید شده است؟»

این فرآیند شبیه کاری است که یک پژوهشگر هنگام بررسی یک موضوع انجام می دهد. یک پژوهشگر حرفه ای معمولاً به یک مقاله اکتفا نمی کند؛ منابع مختلف را بررسی می کند، اختلاف نظرها را می بیند و سپس به یک نتیجه می رسد. مدل های زبانی نیز برای افزایش کیفیت پاسخ، تلاش می کنند چنین الگوی مشابهی را دنبال کنند. برای مثال، فرض کنید یک برند ادعا می کند:

«ما یکی از رهبران حوزه بازاریابی هوش مصنوعی هستیم.»

اگر این ادعا فقط در وب سایت خود برند وجود داشته باشد، ارزش آن برای مدل محدود است. اما اگر همین برند در مقالات تخصصی، گزارش های صنعتی، مصاحبه ها، منابع آموزشی معتبر و تحلیل های مستقل نیز مورد اشاره قرار گرفته باشد، این ادعا اعتبار بیشتری پیدا می کند. در این فرآیند، مدل فقط تعداد منابع را بررسی نمی کند، بلکه کیفیت و استقلال آن ها نیز اهمیت دارد.

برای مثال:

• صد وب سایت که یک متن تبلیغاتی مشابه را بازنشر کرده اند، لزوماً صد تأیید مستقل محسوب نمی شوند.
• اما چند منبع معتبر و مستقل که بدون هماهنگی یک مفهوم مشابه را تأیید می کنند، سیگنال بسیار قوی تری ایجاد می کنند.

به همین دلیل، در Multi-source Validation مفهوم تنوع منبع (Source Diversity) اهمیت زیادی دارد. مدل های زبانی معمولاً به دنبال این هستند که آیا یک دانش در بخش های مختلف اکوسیستم وب حضور دارد یا خیر. این منابع می توانند شامل موارد زیر باشند:

• وب سایت رسمی برند
• منابع تخصصی صنعت
• مقالات پژوهشی
• رسانه های معتبر
• مستندات فنی
• پروفایل متخصصان
• داده های ساختاریافته
• منابع آموزشی

هرچه این منابع با یکدیگر همخوانی بیشتری داشته باشند، احتمال اعتماد مدل به آن اطلاعات افزایش پیدا می کند. اما نکته مهم این است که اعتبارسنجی چندمنبعی به معنای «اجماع کورکورانه» نیست. اگر تعداد زیادی منبع ضعیف یک ادعا را تکرار کنند، این موضوع الزاماً باعث معتبر شدن آن نمی شود. مدل باید علاوه بر تعداد، اعتبار هر منبع، ارتباط آن با موضوع و کیفیت شواهد ارائه شده را نیز ارزیابی کند.

نقش Multi-source Validation در تصمیم به Citation

در موضوع AI Citation، این مرحله اهمیت بیشتری پیدا می کند. مدل های زبانی معمولاً تمایل بیشتری دارند از برندهایی نام ببرند که فقط خودشان درباره خودشان صحبت نکرده اند، بلکه اکوسیستم وب نیز وجود و اعتبار آن ها را تأیید کرده است. به عنوان مثال، یک برند زمانی احتمال بیشتری دارد در پاسخ های AI ظاهر شود که:

• در حوزه تخصصی خود محتوای معتبر تولید کرده باشد.
• سایر منابع مرتبط به آن اشاره کرده باشند.
• اطلاعات برند در نقاط مختلف وب سازگار باشد.
• ارتباط آن با موضوع مورد سؤال واضح باشد.

در واقع، Citation زمانی احتمال بیشتری پیدا می کند که مدل احساس کند:

«این فقط یک ادعای برند نیست؛ بخشی از دانش تأییدشده موجود در وب است.»

در گذشته، بسیاری از استراتژی های سئو بر این سؤال تمرکز داشتند:

«چگونه لینک بیشتری دریافت کنیم؟»

اما در عصر مدل های زبانی، سؤال مهم تر این است:

«چگونه دانش ما در منابع مختلف مستقل تأیید شود؟»

زیرا مدل های زبانی بیشتر از اینکه به تعداد اشاره ها توجه کنند، به الگوی اعتماد شکل گرفته در میان منابع مختلف توجه می کنند. به همین دلیل، مسیر تبدیل شدن یک برند به مرجع، از انتشار بیشتر محتوا عبور نمی کند؛ بلکه از ایجاد دانشی معتبر، قابل بررسی و تأییدشده در اکوسیستم وب عبور می کند.

Evidence Aggregation

یکی از مراحل مهمی که در فرآیند تصمیم گیری مدل های زبانی نقش دارد، تجمیع شواهد (Evidence Aggregation) است. مدل های زبانی برای پاسخ دادن به یک سؤال، معمولاً بر اساس یک جمله یا یک منبع تصمیم نمی گیرند؛ بلکه مجموعه ای از شواهد، نشانه ها و اطلاعات مرتبط را کنار هم قرار می دهند تا تصویری کامل تر از موضوع ایجاد کنند. به بیان ساده، مدل تلاش می کند به جای پرسیدن:

«کدام منبع درست می گوید؟»

به این سؤال پاسخ دهد:

«مجموعه شواهد موجود در کنار هم چه نتیجه ای را نشان می دهد؟»

این تفاوت بسیار مهم است؛ زیرا در بسیاری از موضوعات پیچیده، یک منبع به تنهایی نمی تواند تمام حقیقت را بیان کند. ممکن است یک مقاله درباره یک جنبه موضوع صحبت کند، یک مستندات رسمی جزئیات فنی را ارائه دهد و یک تحلیل تخصصی، تجربه عملی استفاده از آن را توضیح دهد. مدل های زبانی تلاش می کنند این قطعات مختلف را کنار هم قرار دهند. برای مثال، فرض کنید کاربر درباره یک ابزار هوش مصنوعی سؤال می کند. مدل ممکن است به صورت همزمان به این موارد توجه کند:

• توضیحات رسمی منتشرشده توسط شرکت سازنده
• بررسی های تخصصی کاربران و کارشناسان
• مقالات آموزشی معتبر
• داده های فنی موجود
• تجربه های ثبت شده در منابع مختلف

هیچ کدام از این منابع به تنهایی الزاماً پاسخ کامل نیستند، اما ترکیب آن ها می تواند یک تصویر دقیق تر ایجاد کند.

چگونه شواهد وزن دهی می شوند؟

نکته مهم این است که مدل های زبانی همه شواهد را با وزن یکسان در نظر نمی گیرند. یک ادعا که در چند منبع معتبر و مستقل تکرار شده باشد، معمولاً ارزش بیشتری نسبت به ادعایی دارد که فقط در منابع ضعیف یا وابسته به یکدیگر دیده می شود. در فرآیند تجمیع شواهد، عواملی مانند موارد زیر اهمیت پیدا می کنند:

• اعتبار منبع: آیا منبع ارائه دهنده اطلاعات، تخصص و اعتبار کافی دارد؟
• ارتباط موضوعی: آیا این شواهد واقعاً به سؤال کاربر مرتبط است؟
• استقلال منابع: آیا منابع مختلف واقعاً مستقل هستند یا فقط یکدیگر را تکرار کرده اند؟
• تازگی اطلاعات: آیا شواهد هنوز معتبر و به روز هستند؟
• سازگاری شواهد: آیا اطلاعات مختلف با یکدیگر تناقض جدی دارند؟

به همین دلیل، Evidence Aggregation بیشتر شبیه ساختن یک «تصویر کلی از اعتماد» است، نه جمع کردن ساده تعداد منابع.

نقش Evidence Aggregation در نام بردن از برندها

در موضوع AI Citation، تجمیع شواهد یکی از مراحل کلیدی تصمیم گیری برای اشاره به یک برند است. یک برند زمانی احتمال بیشتری دارد در پاسخ های مدل های زبانی ظاهر شود که شواهد مختلفی درباره اعتبار آن در کنار هم قرار گرفته باشند. برای مثال:

• وب سایت برند، تخصص آن را توضیح می دهد.
• منابع تخصصی دیگر درباره فعالیت آن صحبت کرده اند.
• نویسندگان یا متخصصان آن سابقه مشخصی دارند.
• محتوای برند در طول زمان کیفیت خود را حفظ کرده است.
• اطلاعات برند در منابع مختلف سازگار است.

هیچ کدام از این موارد به تنهایی تضمین کننده Citation نیست، اما ترکیب آن ها می تواند باعث شود مدل به این نتیجه برسد:

«این برند بخشی از دانش معتبر این حوزه است و اشاره به آن می تواند پاسخ را بهتر کند.»

در مقابل، اگر یک برند فقط ادعاهای خود را منتشر کند و شواهد بیرونی کمی برای تأیید آن وجود داشته باشد، احتمال عبور از این مرحله کمتر خواهد بود. یکی از تفاوت های اصلی میان محتوای معمولی و محتوای مرجع این است:

محتوای معمولی فقط پاسخ می دهد، اما محتوای مرجع مسیر رسیدن به پاسخ را نیز نشان می دهد.

مدل های زبانی برای تصمیم گیری بهتر، به محتواهایی اعتماد بیشتری می کنند که بتوانند میان ادعاها، شواهد و منابع ارتباط برقرار کنند. به همین دلیل، در عصر هوش مصنوعی، ارزش یک محتوا فقط به اطلاعاتی که ارائه می دهد نیست؛ بلکه به شبکه شواهدی که پشت آن ساخته شده است نیز وابسته است.

می خواهم در انتهای این بحث موضوعی را مطرح کنم که شاید به درک بهتر ما کمک کند: یکی از روش هایی که همیشه در آموزش دانشجویانم استفاده کرده ام این است که هیچ وقت تلاش نمی کنم صرفاً پاسخ نهایی یک سؤال را به آن ها بدهم. به جای آن، سؤال اصلی را به چند سؤال کوچک تر و هدفمند تقسیم می کنم تا دانشجو بتواند مسیر رسیدن به پاسخ را خودش کشف کند.

به اعتقاد من، ارزش واقعی یادگیری در داشتن یک جواب آماده نیست؛ بلکه در توانایی تحلیل، ارتباط دادن اطلاعات و رسیدن به یک نتیجه منطقی است. این موضوع شباهت زیادی به نحوه تصمیم گیری مدل های زبانی دارد. مدل نیز معمولاً بر اساس یک قطعه اطلاعات یا یک منبع منفرد تصمیم نمی گیرد، بلکه تلاش می کند شواهد مختلف را کنار هم قرار دهد، ارتباط میان آن ها را درک کند و سپس به یک پاسخ برسد.

در واقع، چه در فرآیند یادگیری انسان و چه در فرآیند تحلیل اطلاعات توسط هوش مصنوعی، کیفیت نتیجه به این وابسته است که چگونه اطلاعات پراکنده را به یک دانش منسجم تبدیل کنیم. به همین دلیل، من همیشه معتقدم آموزش واقعی، انتقال پاسخ نیست؛ بلکه ساختن توانایی رسیدن به پاسخ است. شاید تفاوت اصلی میان یک پاسخ سطحی و یک پاسخ عمیق نیز همین باشد؛ پاسخ سطحی فقط نتیجه را ارائه می کند، اما پاسخ عمیق مسیر شکل گیری نتیجه را نیز نشان می دهد.

دیدگاه فرهود

گاهی برای درک رفتار مدل های زبانی، لازم نیست فقط به فناوری نگاه کنیم؛ کافی است به رفتار خود انسان ها دقت کنیم. سال های دوران دانشجویی را به خوبی به خاطر دارم. در درس هایی که بیشتر جنبه تحلیلی داشت، معمولاً به صورت گروهی مطالعه می کردیم. از نظر مدرک، همه در یک سطح بودیم؛ نه کسی استاد بود و نه کسی عنوان ویژه ای داشت. با این حال، وقتی درباره یک مسئله بحث می شد، نظر بعضی افراد برای همه وزن بیشتری داشت.

جالب اینجا بود که دلیل این اعتماد، نمره بالاتر یا سال ورود به دانشگاه نبود. حتی همیشه یک نفر هم نبود. در هر درس، افراد متفاوتی مرجع جمع می شدند. چرا؟

چون بارها دیده بودیم که آن افراد موضوع را عمیق تر می فهمند، ارتباط های پنهان را بهتر کشف می کنند، تحلیل دقیق تری ارائه می دهند و مهم تر از همه، گذر زمان نشان داده بود که قضاوت هایشان بیشتر از دیگران به واقعیت نزدیک است. اعتماد، یک شبه به وجود نیامده بود؛ نتیجه تکرار کیفیت بود.

به مرور، بدون اینکه کسی آن ها را «متخصص رسمی» معرفی کند، خودمان هنگام روبه رو شدن با یک مسئله، ناخودآگاه منتظر شنیدن نظر آن ها می ماندیم. نه از روی اجبار، بلکه چون تجربه به ما آموخته بود که احتمال درست بودن تحلیل آن ها بیشتر است.

به نظر من، مدل های زبانی نیز تا حد زیادی چنین رفتاری دارند. آن ها هنگام انتخاب یک برند، فقط به یک مقاله، یک رتبه یا یک سیگنال نگاه نمی کنند. مجموعه ای از نشانه ها را در طول زمان کنار هم قرار می دهند؛ اینکه یک برند در چه موضوعی فعالیت کرده، چقدر دانش عمیق تولید کرده، آیا میان گفته هایش انسجام وجود دارد، آیا دیگران به آن استناد کرده اند و آیا در گذر زمان توانسته اعتماد اکوسیستم را به دست آورد یا نه. شاید به همین دلیل است که همیشه معتقدم اگر می خواهیم روزی مدل های زبانی از برند ما نام ببرند، نباید از خودمان بپرسیم:

«چگونه هوش مصنوعی ما را معرفی می کند؟»

 بلکه باید این سؤال را مطرح کنیم:

«چگونه می توانیم در حوزه تخصصی خود آن قدر دقیق، عمیق و قابل اعتماد باشیم که کل اکوسیستم، ما را به عنوان یک مرجع بشناسد؟»

زیرا در نهایت، مدل های زبانی چیزی را خلق نمی کنند؛ آن ها بازتاب اعتماد شکل گرفته در اکوسیستم دانش هستند.

وقتی نام یک برند در پاسخ هوش مصنوعی ظاهر می شود، در بسیاری از موارد، این نام نتیجه سال ها ساختن اعتبار است؛ نه نتیجه چند ماه بهینه سازی.

در اتنها می خواهم یک جمله به یادگار بگویم و تمام: