چرا مدلهای زبانی بزرگ شبیه هم جواب میدهند؟ استارتاپ Springboards با مدل Flint به جنگ «همفکری مصنوعی» رفت
مدلهای زبانی بزرگ یا LLMها در سالهای اخیر به ابزار اصلی تولید محتوا، کدنویسی، تحقیق، بازاریابی و ایدهپردازی تبدیل شدهاند؛ اما یک مشکل کمتر دیدهشده در حال جدیتر شدن است: بسیاری از مدلهای هوش مصنوعی در پرسشهای باز، پاسخهایی بسیار مشابه، قابل پیشبینی و تکراری تولید میکنند.
اگر از ChatGPT، Claude یا Gemini بخواهید: «یک عدد تصادفی بین ۱ تا ۱۰ بده»، به احتمال زیاد عدد ۷ را دریافت میکنید. اگر دوباره بپرسید «یکی دیگر»، معمولاً عددهای ۳ یا ۴ ظاهر میشوند و در دفعات بعدی ممکن است ۸ یا ۹ ببینید. این اتفاق همیشه رخ نمیدهد، اما آنقدر پرتکرار است که به یک نشانه از رفتار همگن مدلهای زبانی تبدیل شده است.
استارتاپ استرالیایی Springboards معتقد است این مسئله فقط درباره انتخاب عدد نیست؛ بلکه نشانهای از یک مشکل عمیقتر در هوش مصنوعی مولد است: مدلهای زبانی بزرگ در حال افتادن در دام نوعی همفکری مصنوعی یا Artificial Groupthink هستند.
این شرکت برای حل همین مشکل، مدلی به نام Flint ساخته است؛ یک مدل زبانی مبتنی بر Qwen ۳ که با هدف تولید پاسخهای متنوعتر، غیرکلیشهایتر و مناسبتر برای ایدهپردازی، تبلیغات و خلاقیت طراحی شده است.
مشکل اصلی: مدلهای زبانی بزرگ بیش از حد «میانگینگرا» شدهاند
مدلهای زبانی بزرگ برای تولید پاسخهای قابل اعتماد، روان، قابل پیشبینی و کمخطا آموزش میبینند. این ویژگی برای بسیاری از کاربردها مثل برنامهنویسی، خلاصهسازی، پاسخ به پرسشهای فنی و تحلیل داده بسیار مفید است. اما همین رویکرد در حوزههایی مثل خلاقیت، برندسازی، تبلیغات، نامگذاری محصول، طراحی کمپین یا ایدهپردازی میتواند مشکلساز شود.
وقتی از یک مدل زبانی میپرسید:
«برای سفر در اروپا کجا بروم؟»
یا
«برای برند کفش ورزشی New Balance یک شعار تبلیغاتی بده»
یا
«اسم یک گروه موسیقی پیشنهاد بده»
اغلب مدلها به سمت پاسخهای آشنا، پرتکرار، امن و از نظر آماری محتمل حرکت میکنند.
برای مثال، در آزمایشی که در متن اصلی گزارش شده بود، وقتی از ChatGPT و Claude خواسته شد شعاری برای کمپین کفشهای دویدن New Balance ارائه کنند، هر دو پاسخ مشابهی دادند:
Run your way
یعنی: «به سبک خودت بدو»
اما Flint پاسخ متفاوتتری تولید کرد:
Built to last, run to win
یعنی: «ساختهشده برای دوام، دویدن برای پیروزی»
این شعار الزاماً شاهکار تبلیغاتی نیست، اما نکته مهم این است که از الگوی تکراری خارج شده است.
«همفکری مصنوعی» در LLMها چیست؟
اصطلاح Artificial Hivemind یا «ذهن کندویی مصنوعی» به حالتی اشاره دارد که در آن مدلهای زبانی مختلف، با وجود تفاوت در شرکت سازنده، معماری، داده آموزشی و رابط کاربری، در پاسخ به پرسشهای باز به خروجیهای بسیار مشابه میرسند.
در پژوهشی با عنوان:
Artificial Hivemind: The Open-Ended Homogeneity of Language Models and Beyond
پژوهشگران نشان دادند که ۲۵ مدل زبانی مختلف، شامل مدلهای تجاری و متنباز، در پاسخ به پرسشهای خلاقانه و باز، سطح بالایی از همگنی و تکرار داشتند. این مقاله در کنفرانس معتبر NeurIPS جایزه بهترین مقاله را دریافت کرده بود.
در یکی از آزمایشها، از مدلها خواسته شد ۵۰ بار استعارهای درباره زمان بنویسند. از میان ۱٬۲۵۰ پاسخ تولیدشده، بسیاری از آنها نسخههایی از دو استعاره معروف بودند:
- «زمان مانند رودخانه است»
- «زمان مانند بافنده است»
این در حالی است که وقتی همین پرسش از چند انسان پرسیده شد، پاسخها بسیار متنوعتر بودند. یکی از پاسخهای انسانی چنین بود:
«زمان مثل یک سویشرت محبوب است که در طول عمر، شکل بدن صاحبش را به خود گرفته است.»
این تفاوت نشان میدهد که LLMها در بسیاری از موارد نه به سمت خلاقیت واقعی، بلکه به سمت میانگین آماری پاسخهای رایج حرکت میکنند.
چرا ChatGPT، Claude و Gemini پاسخهای مشابه میدهند؟
دلیل دقیق این پدیده هنوز بهطور کامل مشخص نیست، اما چند عامل مهم در آن نقش دارند:
۱. دادههای آموزشی مشابه
بسیاری از مدلهای زبانی بزرگ با حجم عظیمی از دادههای عمومی وب، کتابها، مقالات، کدها و گفتوگوهای انسانی آموزش دیدهاند. اشتراک زیاد در منابع داده باعث میشود مدلها الگوهای مشابهی یاد بگیرند.
۲. هدفگذاری مشترک در آموزش
اکثر LLMها برای تولید پاسخهای مفید، امن، قابل اعتماد، منسجم و کمریسک بهینهسازی میشوند. این هدفگذاری باعث میشود مدلها از پاسخهای عجیب، غیرمعمول یا پرریسک فاصله بگیرند.
۳. استفاده از RLHF و تنظیمات ایمنی
فرآیندهایی مثل یادگیری تقویتی با بازخورد انسانی یا RLHF مدلها را به سمت پاسخهایی سوق میدهد که برای کاربران عمومی قابل قبولتر، مودبانهتر و قابل پیشبینیتر هستند.
۴. رابطهای کاربری مشابه
چتباتها حس گفتوگوی شخصی ایجاد میکنند، اما کاربران معمولاً متوجه نیستند که ممکن است همان پاسخ یا پاسخ بسیار مشابه، برای هزاران نفر دیگر هم تولید شود.
۵. ترس از هالوسینیشن یا توهم مدل
شرکتهای سازنده مدلهای هوش مصنوعی تلاش میکنند خروجیهای نادرست، ساختگی یا غیرقابل اعتماد را کاهش دهند. این کار ضروری است، اما در برخی زمینهها باعث کاهش جسارت و خلاقیت مدل میشود.
Flint چیست و چه تفاوتی با مدلهای زبانی رایج دارد؟
Flint مدلی است که توسط استارتاپ استرالیایی Springboards توسعه داده شده و بر پایه مدل متنباز Qwen 3 از شرکت Alibaba ساخته شده است. Springboards بهدلیل محدودیت منابع، بهجای آموزش یک Foundation Model از صفر، تصمیم گرفت یک مدل متنباز قدرتمند را برای هدف خاص خود تنظیم و بهینهسازی کند.
هدف Flint این نیست که همیشه دقیقترین یا محافظهکارترین پاسخ را بدهد؛ بلکه قرار است در موقعیتهای مناسب، پاسخهایی غیرمنتظرهتر و متنوعتر تولید کند.
به گفته مدیران Springboards، بسیاری از مدلهای رایج در حال مبارزه با هالوسینیشن هستند، اما Flint در برخی کاربردهای خلاقانه، از مقدار کنترلشدهای از «غیرمنتظره بودن» استقبال میکند.
البته این به معنای بیدقتی یا تولید اطلاعات ساختگی در همه زمینهها نیست. Flint بیشتر برای مواردی طراحی شده که در آنها تنوع، الهامبخشی و خروج از کلیشهها ارزشمندتر از پاسخ استاندارد و محافظهکارانه است.
چرا افزایش Temperature بهتنهایی کافی نیست؟
در مدلهای زبانی، پارامتری به نام Temperature برای کنترل میزان تصادفی بودن خروجی استفاده میشود. هرچه Temperature بالاتر باشد، مدل احتمال بیشتری دارد که واژهها و ساختارهای غیرمنتظرهتری انتخاب کند. در ظاهر، این روش میتواند خلاقیت را افزایش دهد.
اما مشکل اینجاست که افزایش Temperature بهصورت سراسری، روی کل خروجی اثر میگذارد. نتیجه ممکن است متنی شود که:
- انسجام کمتری دارد
- از موضوع خارج میشود
- ناگهان به زبان دیگر میرود
- ساختار منطقی خود را از دست میدهد
- حتی ممکن است وسط جمله به کد یا متن نامرتبط تبدیل شود
Springboards میگوید راهحل بهتر این است که مدل فقط در نقاط خاصی از پاسخ خلاقتر شود، نه در تمام جملهها.
برای مثال، وقتی کاربر میپرسد:
«برای سفر در اروپا کجا بروم؟»
مدل لازم نیست در تمام کلمات جمله تصادفیتر عمل کند. فقط کافی است هنگام انتخاب مقصد، گزینههای متنوعتر و کمتر کلیشهای را در نظر بگیرد. مثلاً بهجای پاریس، رم یا بارسلونا، گزینههایی مانند لیوبلیانا، گدانسک، پورتو، تالین یا سارایوو را پیشنهاد کند.
Flint دقیقاً برای همین نوع رفتار آموزش داده شده است: تشخیص نقاطی در خروجی که امکان تنوع وجود دارد و تزریق کنترلشده گزینههای کمتر قابل پیشبینی.
کاربرد Flint برای بازاریابی، تبلیغات و ایدهپردازی
Springboards در ابتدا Flint را برای متخصصان تبلیغات، برندینگ و بازاریابی طراحی کرده است؛ یعنی افرادی که دائماً با چالش تولید ایدههای جدید، نامگذاری، شعار تبلیغاتی، کمپینسازی و استراتژی خلاقانه روبهرو هستند.
ابزار Springboards به کاربران اجازه میدهد خروجی مدلهای مختلف مثل ChatGPT، Claude، Gemini و Flint را کنار هم ببینند، بخشهای جذاب را جدا کنند و آنها را با هم ترکیب کنند. در این رویکرد، Flint نقش یک محرک خلاقیت را دارد؛ مدلی که ممکن است مسیر متفاوتی پیش پای تیم بگذارد.
برای مثال، در یک تست مربوط به بازآفرینی یک شرکت مالی برای نسل جوان، مدلهای رایج بیشتر به سمت ایدههای آشنا رفتند:
«آموزش سواد مالی به شکلی سرگرمکننده و جذاب»
اما Flint پیشنهاد متفاوتتری مطرح کرد:
بازتعریف کامل مفهوم ثروتاندوزی و بازبرندسازی نگاه نسل جدید به پول، دارایی و موفقیت مالی.
این نوع خروجی میتواند برای تیمهای استراتژی و خلاقیت ارزشمند باشد؛ نه لزوماً بهعنوان پاسخ نهایی، بلکه بهعنوان نقطه شروعی برای تفکر متفاوت.
راهکارهای عملی برای کاهش پاسخهای تکراری در مدلهای زبانی
اگر شما تولیدکننده محتوا، طراح کمپین، برنامهنویس، پژوهشگر هوش مصنوعی یا مدیر محصول هستید، میتوانید با چند روش عملی خروجیهای خلاقانهتر و کمتکرارتری از LLMها بگیرید.
۱. بهجای یک پاسخ، چند مسیر فکری بخواهید
به مدل نگویید فقط «یک ایده بده». بگویید:
«۱۰ ایده بده که هرکدام از یک زاویه کاملاً متفاوت باشند: اقتصادی، احساسی، فنی، فرهنگی، آیندهنگر، ضدکلیشه، لوکس، مینیمال، طنزآمیز و تجربی.»
۲. از مدل بخواهید کلیشهها را حذف کند
نمونه پرامپت:
«قبل از پاسخ، ۱۰ ایده کلیشهای و پرتکرار در این موضوع را شناسایی کن و سپس ۱۰ گزینه بده که هیچکدام شبیه آن کلیشهها نباشند.»
۳. نقشهای متضاد تعریف کنید
بهجای یک نقش عمومی، چند شخصیت متفاوت به مدل بدهید:
«این مسئله را از نگاه یک طراح صنعتی، یک جامعهشناس، یک نوجوان، یک سرمایهگذار، یک شاعر و یک منتقد بدبین بررسی کن.»
۴. از مدل بخواهید پاسخهای پرتکرار را رتبهبندی و کنار بگذارد
نمونه:
«برای هر پیشنهاد، احتمال تکراری بودن آن در خروجی مدلهای زبانی را از ۱ تا ۱۰ تخمین بزن و فقط گزینههایی را نگه دار که امتیاز تکراری بودن آنها کمتر از ۴ است.»
۵. از چند مدل بهصورت همزمان استفاده کنید
برای ایدهپردازی جدی، فقط به یک مدل تکیه نکنید. خروجی ChatGPT، Claude، Gemini، مدلهای متنباز و ابزارهایی مثل Flint را کنار هم بگذارید و از تفاوتها برای ساخت ایده نهایی استفاده کنید.
۶. Temperature را هوشمندانه تنظیم کنید
افزایش Temperature میتواند مفید باشد، اما نباید تنها ابزار شما باشد. برای متنهای خلاقانه میتوان Temperature را کمی افزایش داد، اما برای متنهای فنی، حقوقی، پزشکی یا مالی باید با احتیاط عمل کرد.
۷. از مدل بخواهید «غیرمنتظره اما قابل دفاع» پاسخ دهد
پرامپت پیشنهادی:
«۵ پاسخ بده که غیرمنتظره باشند، اما برای هرکدام یک منطق تجاری، فرهنگی یا فنی قابل دفاع ارائه کن.»
۸. خروجی AI را کپی نکنید؛ آن را بازطراحی کنید
مدلهای زبانی باید ابزار تفکر باشند، نه جایگزین تفکر. بهترین خروجی زمانی به دست میآید که انسان، پاسخ مدل را نقد، ترکیب، حذف و بازنویسی کند.
Flint جایگزین ChatGPT نیست؛ مکمل آن است
نکته مهم این است که Flint قرار نیست جایگزین مدلهایی مثل ChatGPT، Claude یا Gemini شود. در بسیاری از کاربردها، پاسخ میانگین و استاندارد اتفاقاً بهترین گزینه است. برای مثال، در کدنویسی، مستندسازی، تحلیل داده، پاسخ به پرسشهای فنی یا تولید متنهای دقیق، مدلهای پایدار و قابل پیشبینی ارزش زیادی دارند.
اما وقتی هدف شما ایدهپردازی، خلق شعار، طراحی کمپین، نامگذاری محصول، برنامهریزی سفر متفاوت، نوشتن داستان، طراحی برند یا پیدا کردن زاویه جدید برای یک مسئله است، مدلهایی مثل Flint میتوانند کمک کنند از مسیرهای تکراری خارج شوید.
به بیان ساده:
ChatGPT و Claude برای پاسخهای قابل اعتماد عالی هستند؛ Flint برای شکستن الگوهای ذهنی و شروع مسیرهای تازه طراحی شده است.
جمعبندی: آینده خلاقیت در هوش مصنوعی به تنوع وابسته است
مشکل اصلی مدلهای زبانی بزرگ این نیست که نمیتوانند پاسخ دهند؛ مسئله این است که اغلب بیش از حد خوب، بیش از حد مرتب و بیش از حد مشابه پاسخ میدهند. این ویژگی برای کارهای دقیق مفید است، اما در ایدهپردازی میتواند باعث فقر خلاقیت شود.
استارتاپ Springboards با مدل Flint تلاش کرده است راهحلی برای این چالش ارائه کند: مدلی که در لحظههای مناسب، گزینههای کمتر قابل پیشبینی را وارد خروجی کند و کاربر را به مسیرهای تازهای ببرد.
برای فعالان حوزه هوش مصنوعی، بازاریابی، تولید محتوا و طراحی محصول، پیام اصلی روشن است:
از مدلهای زبانی بهعنوان موتور پاسخ نهایی استفاده نکنید؛ از آنها بهعنوان موتور گسترش تفکر، کشف زاویههای تازه و شکستن کلیشهها بهره ببرید.
در دنیایی که بسیاری از مدلها به سمت پاسخهای مشابه حرکت میکنند، مزیت رقابتی آینده متعلق به کسانی است که بتوانند از هوش مصنوعی نه برای تکرار میانگین، بلکه برای ساختن تفاوت استفاده کنند.
نویسنده : Will Douglas Heaven
