🔵بردار شخصیت: کلاه بتمن بر سر هوش مصنوعی🔵
در سال ۲۰۱۶، روانشناسان دانشگاه مینهسوتا آزمون عجیبی برای سنجش «خودکنترلی» (self control) کودکان ۴ ساله طراحی کردند. کودک باید ۱۰ دقیقه یک کار کامپیوتری بهشدت کسلکننده را انجام میداد، در حالی که چند قدم آنطرفتر، یک آیپد با یک بازی جذاب و وسوسهانگیز قرار داشت.
بیشتر کودکان در همان دقایق اول تسلیم میشدند. اما محققان یک متغیر وارد کردند: به دستهای از آنها شنل بتمن دادند و گفتند فرض کنید شما بتمن هستید. به آنها آموزش داده شد که بهجای پرسشِ «آیا من دارم تلاش میکنم؟»، از دید سوم شخص بپرسند: «آیا بتمن دارد تلاش میکند؟»
نتیجه شگفتانگیز بود. کودکانی که در نقش بتمن فرو رفته بودند، زمان بسیار بیشتری تمرکز کردند و در برابر وسوسه بازی مقاومت کردند. این پدیده در روانشناسی «اثر بتمن» (The Batman Effect) نام گرفت. با ایجاد فاصله روانی از «خود»، کودک توانست بر سوگیری پیشفرض مغز برای لذت آنی غلبه کند.
امروز، این آزمایش ساده را می توان در جایی به نظر دور در مهندسی پرامپت (Prompt Engineering) مدلهای زبانی بزرگ (LLM) دید. راز تمرکز یک کودک چهار ساله، دقیقاً همان راز استخراج پاسخهای دقیق از یک مدل هوش مصنوعی با تریلیونها پارامتر است.
فضای پنهان و مسیر کمترین مقاومت (latent space and the path of least resistance)
وضعیت پیشفرض یک هوش مصنوعی، میانگین آماری کل دادههای اینترنت است. اگر به او یک دستور عمومی بدهید (مثلاً: «این کد را بررسی کن»)، مدل مانند کلافی سردرگم، راحتترین مسیر را انتخاب میکند و پاسخی سطحی و متوسط تحویل میدهد.
جالب اینجاست که دستورهای مستقیم مثل «باهوشتر باش» یا «اشتباه نکن» تاثیر چندانی ندارند؛ درست مثل اینکه به یک کودکِ کلافه بگویید «فقط تمرکز کن!». سیستم برای پردازش این دستور، ابزار ساختاری جدیدی دریافت نمیکند.
اما کافی است در ابتدای پرامپت بنویسید:
«تو یک مهندس ارشد نرمافزار و یک حسابرس دقیق رمزنگاری هستی که داری این کد حیاتی را برای نسخه نهایی بررسی میکنی.»
ناگهان خروجی مدل دگرگون میشود؛ باگهای پنهان را مییابد، لحنی منتقدانه و دقیق میگیرد و با استدلالی قویتر فکر میکند.
در هر دو شبکه عصبی (بیولوژیکی و مصنوعی)، تزریق یک شخصیت بالارده مانند یک «لنگر معنایی» (semantic anchor) عمل میکند. وقتی کودک شنل بتمن را میپوشد، آگاهانه رفتارهای فردی خود را محاسبه نمیکند؛ بلکه مفهوم «بتمن» فورا شبکهای متراکم از ویژگیهای پیشفرض را فعال میکند: بتمن تسلیم نمیشود، پازلهای سخت را حل میکند و حواسش پرت آیپد نمیشود. این پرسونای جدید مثل یک فیلتر اجرایی، انگیزههای سطحیِ «خود» را سرکوب میکند.
در مدلهای زبانی نیز، این پرامپت به عنوان یک «بردار هدایتگر» در هندسه «فضای پنهان» (Latent Space) مدل عمل میکند. با معرفی شخصیتِ «مهندس ارشد»، شما یک بردار جهتدار قوی به لایههای توجه (attention layers) مدل تزریق میکنید. این بردار، مسیر محاسبات را از بخشهای میانگین و سطحیِ اینترنت عمومی دور کرده و به سمت کلاسترهای متراکم، تخصصی و غنی از کدهای استاندارد و مقالات علمی هدایت میکند.
شما چیز جدیدی به هوش مصنوعی یاد ندادهاید، همانطور که محققان به کودک تمرکز کردن را آموزش ندادند، بلکه فقط سیستم را به زیرفضایی محدود کردهاید که در آن، خروجیِ باکیفیت، منطقیترین و محتملترین پاسخ ممکن است.
پارادوکس هویت
این شباهت، حقیقتی عمیق را آشکار میکند: عملکرد، به شدت به هویت وابسته است. دههها تصور میشد افزایش هوش سیستمها صرفا در گروی قدرت پردازش بیشتر و دیتای بزرگتر است. اما اثر بتمن نشان میدهد که کارایی گاهی توسط «اثر لنگر انداختن» (Anchoring Effect) هدایت میشود. یک سیستم هوشمند، چه از گوشت و پوست و چه از سیلیکون و کد، برای سازماندهی تواناییهایش به یک قاب ساختاری نیاز دارد.
برای گرفتن بهترین نتیجه از یک شبکه عصبی، همیشه نیاز به بازنویسی کدهای آن نیست؛ گاهی اوقات، فقط کافی است به او یک شنل بدهید.
June 10, 2026 533 12
