آیا با این همه هوش مصنوعی، سایت ولفرام را باید شکست‌خورده بدانیم؟

روزگاری که موتورهای جستجوی متداول تنها به دنبال تطبیق کلمات کلیدی بودند، پلتفرم ولفرام آلفا (WolframAlpha) با رویکرد محاسباتی خود شگفتی‌آفرین شد. این ابزار به جای ارائه لیستی از لینک‌های وب، تلاش می‌کرد تا با پردازش داده‌ها، پاسخ‌های مستقیم ریاضی و علمی به کاربران ارائه دهد. امروز با ظهور مدل‌های زبانی بزرگ، این پرسش مطرح می‌شود که آیا دوران طلایی این ابزار به پایان رسیده است یا خیر.

در این مقاله قصد داریم به بررسی دقیق تاریخچه، قابلیت‌های منحصر‌به‌فرد و جایگاه فعلی ولفرام آلفا در مقایسه با هوش‌های مصنوعی مشهور بپردازیم. آیا غول محاسباتی استفن ولفرام (Stephen Wolfram) در برابر ابزارهایی مانند چت‌جی‌پی‌تی (ChatGPT) شکست خورده است یا این دو فناوری می‌توانند مکمل یکدیگر باشند؟ پاسخ به این پرسش، تصویر روشنی از آینده پردازش اطلاعات علمی به ما ارائه می‌دهد.

۱. رویای دیرینه استفن ولفرام

استفن ولفرام، فیزیکدان و ریاضی‌دان برجسته، از دهه‌ها پیش در تلاش بود تا جهان را از طریق فرمول‌ها و کدهای رایانه‌ای فرموله‌سازی کند. او معتقد بود که قوانین فیزیکی و داده‌های تجربی دنیا باید در قالبی منطقی و قابل محاسبه درآیند تا هر کسی بتواند با پرسش‌های ساده به پاسخ‌های علمی دقیق دست یابد. این رویکرد به خلق زبان برنامه‌نویسی ولفرام (Wolfram Language) و در نهایت سیستم نرم‌افزاری معروف متمتیکا (Mathematica) منتهی شد.

او کار خود را صرفاً یک پروژه تجاری نمی‌دانست، بلکه آن را تلاشی برای بنیان‌گذاری نوع جدیدی از علم معرفی می‌کرد. ایده اصلی او این بود که به جای تکیه بر متون نوشته شده توسط انسان‌ها، باید سیستمی طراحی کرد که قوانین حاکم بر طبیعت را بازسازی و محاسبه کند. این پشتکار علمی، شالوده اصلی ابزاری شد که سال‌ها بعد دنیای جستجوی علمی را دگرگون ساخت.

۲. ظهور موتور دانش محاسباتی

در سال ۲۰۰۹ میلادی، ولفرام آلفا به عنوان یک موتور دانش محاسباتی (Computational Knowledge Engine) رسماً به جهان معرفی شد. رسانه‌ها در آن زمان از این سایت به عنوان قاتل گوگل یاد می‌کردند، هرچند که ماهیت کارکرد آن کاملاً متفاوت بود. این سایت به جای بررسی صفحات وب و پیدا کردن عبارات مشابه، تلاش می‌کرد تا با استفاده از الگوریتم‌های پیچیده ریاضی، مستقیماً پاسخ سوال را تولید کند.

پایگاه داده عظیم این پلتفرم که شامل اطلاعات آماری، نجومی، شیمی، فیزیک و تاریخی بود، به کاربران اجازه می‌داد محاسبات پیچیده را در چند ثانیه انجام دهند. طراحی بهینه و تمرکز روی داده‌های دقیق ساختاریافته، این موتور جستجو را به ابزاری بی‌رقیب برای مهندسان، دانشجویان و دانشمندان در سراسر جهان تبدیل کرد.

۳. روزگاری که ولفرام جادو می‌کرد

در سال‌های ابتدایی فعالیت، این پلتفرم با ارائه پاسخ‌های دقیق به معادلات دیفرانسیل و نمایش گام‌به‌گام مراحل حل مسئله، دانش‌آموزان و دانشجویان را شگفت‌زده می‌کرد. کافی بود فرمول پیچیده‌ای را وارد کنید تا نمودارهای دوبعدی و سه‌بعدی آن به همراه ریشه‌های دقیق ریاضی ظاهر شوند. این سطح از درک و پردازش ریاضی در وب بی‌سابقه بود.

علاوه بر ریاضیات، کاربران می‌توانستند اطلاعات جالبی مانند موقعیت دقیق ایستگاه فضایی بین‌المللی در لحظه، یا مقایسه ارزش غذایی دو نوع میوه را دریافت کنند. این پلتفرم با سرعت بالا اطلاعات پراکنده علمی را ترکیب می‌کرد و به صورت جدول‌ها و نمودارهای منسجم تحویل می‌داد که شبیه به یک جادوی فناورانه به نظر می‌رسید.

۴. پردازش تصویر و تشخیص ماهیت اشیاء

یکی دیگر از شگفتی‌های این سایت، ابزارهای اولیه پردازش تصویر بود که در زمان خود بسیار پیشرو به نظر می‌رسیدند. کاربران می‌توانستند تصاویری را بارگذاری کنند تا پلتفرم ویژگی‌های بصری، هیستوگرام رنگی و حتی ماهیت اشیاء درون عکس را تحلیل کند. این قابلیت‌ها در دورانی ارائه می‌شد که هنوز شبکه‌های عصبی عمیق به این وسعت توسعه نیافته بودند.

تشخیص دقیق گونه‌های حیوانی یا گیاهی از روی عکس و ارائه اطلاعات علمی مرتبط با آن‌ها، پتانسیل بالای این موتور محاسباتی را نشان می‌داد. اگرچه این ابزار در مقایسه با سیستم‌های بینایی ماشین امروزی محدود بود، اما برای کاربران آن زمان یک پنجره رو به آینده محسوب می‌شد.

۵. تفاوت بنیادین با موتورهای جستجوی سنتی

موتورهای جستجوی سنتی نظیر گوگل بر پایه خزش در وب و نمایه‌سازی صفحات عمل می‌کنند. آن‌ها با سنجش ارتباط کلمات، کاربر را به سایت‌های دیگر هدایت می‌کنند و خودشان پاسخی تولید نمی‌کنند. در مقابل، ولفرام آلفا یک هوش مبتنی بر قوانین و داده‌های خام است که پاسخ را خودش در لحظه محاسبه و خلق می‌کند.

این تفاوت بنیادین باعث می‌شد که برای سوالاتی نظیر «تعداد دفعات وقوع خورشیدگرفتگی در قرن بیستم»، گوگل لیستی از مقالات را نشان دهد، اما این پلتفرم دقیقاً تاریخ‌ها، نقشه‌های مسیر سایه و تحلیل‌های آماری مربوطه را نمایش دهد. این پردازش مستقیم اطلاعات، ارزش افزوده بزرگی برای محققان به شمار می‌رفت.

۶. ورود مدل‌های زبانی به میدان نبرد

با معرفی مدل‌های زبانی بزرگ مانند چت‌جی‌پی‌تی توسط شرکت اوپن‌ای‌آی (OpenAI)، موازنه قدرت در دنیای فناوری تغییر کرد. این مدل‌ها که بر پایه یادگیری ماشین و پردازش حجم عظیمی از متون انسانی آموزش دیده‌اند، توانایی گفتگو به زبان طبیعی را به شکلی خیره‌کننده ارائه دادند. کاربران به سرعت شیفته لحن روان و پاسخ‌های همه‌جانبه این ابزارها شدند.

مدل‌های زبانی بزرگ دیگر نیازی به قالب‌بندی‌های سخت‌گیرانه ریاضی برای درک سوالات نداشتند. آن‌ها می‌توانستند مفاهیم پیچیده را به زبان ساده توضیح دهند، برنامه‌نویسی کنند و حتی شعر بنویسند. این جهش ناگهانی، ابزارهای محاسباتی کلاسیک مانند ولفرام آلفا را به شدت تحت تاثیر قرار داد و توجه عموم را از آن‌ها سلب کرد.

۷. تحلیل توان محاسباتی در برابر چت‌جی‌پی‌تی

با وجود جذابیت مدل‌های زبانی، ضعف بزرگ آن‌ها در انجام محاسبات دقیق ریاضی خیلی زود آشکار شد. چت‌جی‌پی‌تی در نسخه‌های اولیه خود برای حل مسائل ساده ریاضی یا حتی شمارش حروف یک کلمه با چالش مواجه می‌شد. این ضعف به این دلیل است که مدل‌های زبانی بر اساس احتمال کلمات بعدی کار می‌کنند، نه محاسبات منطقی.

در طرف دیگر، ولفرام آلفا به سیستم جبر رایانه‌ای متمتیکا متصل است و محاسبات را با دقت صد در صد انجام می‌دهد. این ابزار تفاوتی بین حل یک معادله ساده یا محاسبه انتگرال‌های چندگانه نمی‌بیند و همواره پاسخ‌های قابل اتکا تولید می‌کند. این موضوع نشان داد که مدل‌های زبانی بدون ابزارهای محاسباتی جانبی، برای کارهای علمی دقیق مناسب نیستند.

۸. معمای توهم در هوش‌های مصنوعی مولد

یکی از بزرگ‌ترین چالش‌های هوش‌های مصنوعی مولد مانند جمینای (Gemini) گوگل، پدیده توهم (Hallucination) است. این ابزارها گاهی اوقات با اطمینان کامل اطلاعات علمی نادرست، ارجاعات ساختگی یا آمارهای دروغین ارائه می‌دهند. این نقص ساختاری برای پروژه‌های مهندسی و تحقیقات علمی به شدت خطرناک است.

ولفرام آلفا به دلیل ماهیت فرمول‌محور و پایگاه داده تاییدشده خود، دچار توهم نمی‌شود. اگر این موتور پاسخ سوالی را نداند، به سراغ حدس زدن نمی‌رود و عدم توانایی خود در پاسخگویی را اعلام می‌کند. این ویژگی، اعتمادپذیری بالایی را برای کارهای حساس علمی و دانشگاهی فراهم می‌آورد.

۹. قابلیت اطمینان به داده‌های ساختاریافته

داده‌های موجود در این پلتفرم به طور مداوم توسط تیمی از متخصصان بررسی و سازماندهی می‌شوند. اطلاعات مربوط به جدول تناوبی، ثوابت فیزیکی، ویژگی‌های مواد و داده‌های اقتصادی همگی از منابع رسمی استخراج و ساختاریافته شده‌اند. این انسجام باعث می‌شود که خروجی محاسبات همواره یکنواخت و معتبر باشد.

هوش‌های مصنوعی مشهور با وجود دسترسی به اینترنت، اغلب در تفکیک داده‌های معتبر علمی از مقالات شبه‌علمی موجود در وب دچار اشتباه می‌شوند. تکیه بر اطلاعات دسته‌بندی‌شده و فرموله در ولفرام آلفا، خطاهای ناشی از تفسیر داده‌های متناقض وب را به حداقل می‌رساند.

۱۰. همزیستی مسالمت‌آمیز از طریق پلاگین‌ها

شرکت‌های فناوری به جای حذف ولفرام، متوجه شدند که ترکیب این دو فناوری راهکار بهتری است. اوپن‌ای‌آی با معرفی پلاگین‌ها، امکان اتصال چت‌جی‌پی‌تی به ولفرام آلفا را فراهم کرد. با این کار، وقتی کاربر سوالی ریاضی یا علمی می‌پرسد، مدل زبانی پردازش اولیه را انجام داده و بخش محاسباتی را به موتور ولفرام واگذار می‌کند.

این ترکیب هوشمندانه باعث می‌شود که کاربر از لحن طبیعی مدل زبانی و دقت محاسباتی بی‌نقص موتور محاسباتی به طور همزمان بهره‌مند شود. این همزیستی نشان می‌دهد که فناوری قدیمی‌تر نه تنها شکست نخورده، بلکه به عنوان مغز محاسباتی هوش‌های مصنوعی جدید به کار گرفته شده است.‌

۱۱. تحلیل عملکرد کلود در مقایسه با ولفرام

هوش مصنوعی کلود (Claude) محصول شرکت آنتروپیک (Anthropic) به داشتن درک عمیق از متون و کدهای برنامه‌نویسی معروف است. کلود می‌تواند مفاهیم فیزیک را به شیوه بسیار جذابی تحلیل کند، اما همچنان در پردازش توابع پیچیده ریاضی با متغیرهای زیاد احتمال خطا دارد. در این سناریو، ارجاع به ابزارهای تخصصی همچنان راهکار ایمن‌تری است.

کاربران حرفه‌ای اغلب کدهای تولیدشده توسط کلود را برای اجرا و بررسی صحت ریاضی به سیستم‌های محاسباتی ولفرام می‌فرستند. این زنجیره کاری نشان‌دهنده آن است که ابزارهای تخصصی جایگاه خود را به عنوان مرجع راستی‌آزمایی در فرآیندهای توسعه علمی حفظ کرده‌اند.

۱۲. جایگاه ولفرام در دنیای آموزش و پژوهش

برای معلمان و اساتید دانشگاه، این پلتفرم همچنان یک دستیار آموزشی بی‌نظیر است. امکان تولید سوالات ریاضی با درجات سختی مختلف و ارائه پاسخنامه‌های کاملاً تشریحی، بار کاری مربیان آموزشی را کاهش می‌دهد. دانش‌آموزان نیز برای درک هندسه سه‌بعدی و جبر خطی به شدت به نمودارهای دقیق آن متکی هستند.

اگرچه هوش‌های مصنوعی مولد می‌توانند مفاهیم را توضیح دهند، اما ارائه گام‌به‌گام مراحل حل انتگرال با جزییات دقیق فرمول‌نویسی ریاضی همچنان نقطه قوت این سیستم محاسباتی است. این پلتفرم به جای تنبل کردن ذهن دانش‌آموزان با ارائه یک پاسخ خام، مسیر حل مسئله را آموزش می‌دهد.

۱۳. محدودیت‌های زبانی و تعاملی ابزار قدیمی

بزرگ‌ترین ضعف این پلتفرم، ساختار تعاملی خشک و قدیمی آن است. کاربر باید عبارات خود را با نحو (Syntax) خاصی وارد کند تا سیستم بتواند آن را پردازش کند. برخلاف مدل‌های زبانی که هرگونه لحن عامیانه یا غلط املایی را متوجه می‌شوند، این ابزار در صورت وجود ابهام در ورودی، با خطا مواجه می‌شود.

این عدم انعطاف‌پذیری در تعامل باعث شده است که نسل جدید کاربران که به گفتگوهای روان با دستیارهای هوش مصنوعی عادت کرده‌اند، حوصله کار با این پلتفرم را نداشته باشند. کار با این ابزار محاسباتی تا حدی شبیه به برنامه‌نویسی است و همین موضوع مانع از همه‌گیر شدن آن در میان کاربران عمومی می‌شود.

۱۴. بررسی کارایی در حوزه‌های غیرریاضی

زمانی که بحث به علوم انسانی، فلسفه، نویسندگی خلاق و هنر می‌رسد، ولفرام آلفا عملاً حرفی برای گفتن ندارد. این سیستم برای پردازش داده‌های غیرمنطقی و کیفی طراحی نشده است. در این زمینه‌ها، مدل‌های زبانی مانند چت‌جی‌پی‌تی و کلود با تکیه بر درک متنی خود، حاکمان مطلق هستند.

اگر از این ابزار محاسباتی بخواهید یک نامه اداری بنویسد یا یک ایده داستانی را پرورش دهد، با خروجی خالی مواجه خواهید شد. تمرکز شدید روی داده‌های سخت و فرمول‌ها، قلمرو نفوذ این پلتفرم را محدود به علوم پایه و مهندسی نگه داشته است.

۱۵. امنیت و حریم خصوصی داده‌ها

بسیاری از شرکت‌ها و موسسات تحقیقاتی نگران نشت اطلاعات حساس خود از طریق ورودی‌های مدل‌های زبانی بزرگ هستند. آموزش مداوم مدل‌ها بر اساس داده‌های کاربران، چالش‌های حقوقی زیادی ایجاد کرده است. در این میان، پلتفرم‌های محاسباتی تخصصی محیط‌های امن‌تری را برای پردازش داده‌های محرمانه ارائه می‌دهند.

موتورهای محاسباتی که از معماری‌های ابری خصوصی پشتیبانی می‌کنند، داده‌های ورودی پژوهشگران را برای اهداف دیگر تحلیل نمی‌کنند. این موضوع به ویژه در صنایع نظامی، داروسازی و مالی اهمیت زیادی دارد و پایداری بازار این ابزارهای تخصصی را تضمین می‌کند.

۱۶. نگاهی به جامعه کاربری وفادار

این سیستم در طول سال‌ها فعالیت خود، جامعه کاربری وفاداری از دانشمندان، فیزیکدانان و مهندسان هوافضا جذب کرده است. برای این افراد، ابزاری که بتواند به سرعت ثابت‌های فیزیکی را ترکیب کند و نتایج را در قالب سیستم‌های استاندارد بین‌المللی یکاها (SI) ارائه دهد، حیاتی است.

کاربران وفادار ارزش ابزار را در پایداری و عدم تغییر ناگهانی رفتار آن می‌دانند. در حالی که مدل‌های زبانی با هر آپدیت رفتار متفاوتی نشان می‌دهند و ممکن است کدهای قبلی را خراب کنند، رفتار این موتور محاسباتی همواره قابل پیش‌بینی و استاندارد باقی می‌ماند.

۱۷. هزینه‌ها و مدل‌های تجاری مختلف

در حالی که دسترسی به نسخه‌های پایه بسیاری از ابزارهای هوش مصنوعی رایگان است، دسترسی به امکانات پیشرفته ولفرام نظیر آپلود فایل‌های بزرگ و دریافت مراحل کامل حل مسائل به اشتراک پولی نیاز دارد. این مدل درآمدی ممکن است برای کاربران عادی که به دنبال حل یک مسئله ساده هستند، بازدارنده باشد.

با این حال، سازمان‌ها و دانشگاه‌ها هزینه‌های اشتراک آن را به عنوان بخشی از ابزارهای تحقیقاتی ضروری خود می‌پذیرند. این درآمد پایدار به توسعه‌دهندگان آن اجازه می‌دهد تا به جای تمرکز روی تبلیغات، روی بهبود دقت پایگاه داده‌های علمی خود تمرکز کنند.

۱۸. نقش زبان برنامه‌نویسی اختصاصی ولفرام

زبان برنامه‌نویسی این پلتفرم، یک زبان نمادین بسیار قدرتمند است که مفاهیم پیچیده‌ای مانند پردازش تصویر، یادگیری ماشین و تحلیل داده‌های جغرافیایی را به سادگی چند خط کد پیاده‌سازی می‌کند. این زبان به گونه‌ای طراحی شده است که دانش جهان را در خود ادغام کرده باشد.

بسیاری از سیستم‌های پردازش داده بزرگ در پس‌زمینه خود از این زبان برای تحلیل الگوهای پیچیده فیزیکی و ریاضی استفاده می‌کنند. این زیرساخت برنامه‌نویسی، بقای طولانی‌مدت اکوسیستم ولفرام را فراتر از وب‌سایت عمومی آن تضمین می‌کند.

۱۹. اشتباهات بزرگ هوش مصنوعی در جبر ساده

یکی از نمونه‌های معروف ضعف مدل‌های زبانی، ناتوانی آن‌ها در حل معماهای منطقی یا محاسبات چندمرحله‌ای بدون راهنمایی است. به عنوان مثال، در محاسبات ماتریس‌های بزرگ یا ضرب اعداد اعشاری طولانی، مدل‌های زبانی به سرعت دچار خطای انحراف می‌شوند.

در این شرایط، این موتور محاسباتی بدون توجه به طول و پیچیدگی ارقام، الگوریتم‌های دقیق را پیاده‌سازی کرده و پاسخ نهایی را به همراه تمام مراحل میانی نمایش می‌دهد. این توانایی منحصربه‌فرد، اهمیت حضور یک ناظر محاسباتی دقیق در کنار هوش‌های مصنوعی مولد را دوچندان می‌کند.

۲۰. پتانسیل‌های کشف‌نشده موتور دانش محاسباتی

بسیاری از کاربران تنها از بخش کوچکی از توانایی‌های این سیستم مانند حل معادلات استفاده می‌کنند. قابلیت‌های تحلیل ژنوم‌های زیستی، شبیه‌سازی‌های فیزیک کوانتوم و مدل‌سازی‌های اقتصادی پیچیده از جمله ابزارهایی هستند که کمتر توسط عموم دیده شده‌اند.

این موتور محاسباتی می‌تواند با دریافت کدهای شیمیایی، ساختار مولکولی داروها را سه‌بعدی‌سازی کند و خواص فیزیکی آن‌ها را پیش‌بینی کند. این سطح از پردازش تخصصی فراتر از توانایی پاسخگویی متنی هوش‌های مصنوعی عمومی امروزی است.

۲۱. تحلیل ترافیک و روندهای جستجوی جهانی

بررسی آمارهای ترافیک وب نشان می‌دهد که با ظهور چت‌جی‌پی‌تی، بازدید از ابزارهای کمکی سنتی کاهش یافته است. بسیاری از دانش‌آموزان برای انجام تکالیف خود به چت‌بات‌ها روی آورده‌اند زیرا کار با آن‌ها ساده‌تر است و نیازی به فرمول‌نویسی ندارد.

اما کاهش ترافیک عمومی به معنای مرگ یک پلتفرم علمی تخصصی نیست. کاربران تخصصی همچنان از این ابزار محاسباتی استفاده می‌کنند و پیاده‌سازی APIهای این شرکت در برنامه‌های مختلف، درآمد و بقای فنی آن را حفظ کرده است.

۲۲. ترکیب هوش سمبلیک و هوش اتصالی

کارشناسان حوزه هوش مصنوعی معتقدند آینده این فناوری در گرو ترکیب هوش سمبلیک (Symbolic AI) مبتنی بر قوانین و محاسبات منطقی، با هوش اتصالی (Connectionist AI) مبتنی بر شبکه‌های عصبی و یادگیری از داده‌ها است. این موتور محاسباتی نمونه بارز هوش سمبلیک است.

چت‌جی‌پی‌تی و ابزارهای مشابه، نمونه‌های هوش اتصالی هستند. بدون شک، ترکیب این دو رویکرد می‌تواند سیستمی بدون خطا و با درک زبانی فوق‌العاده خلق کند که به تمام پرسش‌های علمی با دقت صد در صد پاسخ می‌دهد.

۲۳. آیا این پلتفرم شکست خورده است؟

پاسخ کوتاه به این پرسش، منفی است. ولفرام آلفا شکست نخورده، بلکه تعریف جایگاه آن در دنیای فناوری تغییر کرده است. این سایت دیگر قرار نیست موتور جستجوی عمومی باشد که مردم برای کارهای روزمره به آن مراجعه کنند.

این ابزار به یک موتور تخصصی زیرساختی تبدیل شده است که سیستم‌های دیگر برای جبران ضعف محاسباتی خود به آن متصل می‌شوند. ارزش این پلتفرم در ارائه داده‌های عاری از خطا و پردازش‌های ساختاریافته ریاضی همچنان بی‌رقیب است.

۲۴. چشم‌انداز آینده پردازش دانش و محاسبات

در سال‌های پیش رو، مرزهای میان ابزارهای محاسباتی و مدل‌های زبانی بیشتر از قبل کم‌رنگ خواهد شد. توسعه سیستم‌های ترکیبی به کاربران اجازه می‌دهد بدون نیاز به یادگیری کدهای سخت‌گیرانه، محاسبات پیچیده را انجام دهند.

نقش استفن ولفرام و تیمش در جهت‌دهی به این مسیر محاسباتی غیرقابل انکار است. آن‌ها با حفظ اصالت علمی خود نشان دادند که در عصر سلطه داده‌های احتمالی، داده‌های قطعی و ریاضیات دقیق همچنان پادشاهی می‌کنند.

سوالات رایج

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک