خروج از تاریکی ۲
خروج از تاریکی ۲: از مانیفست به معماری — صورت بندی علمی هوش معنا-اول در RICOM–CAS
نویسنده: محمد حجتی فرد
معمار علم شناخت بازتابی
محقق حوزه هوشواره های مولد
ORCID:009-0001-7404-8045
۱۹ شهریور ۱۴۰۵
فهرست مطالب
۲ مقدمه: از اعلام ضرورت به صورت بندی علمی
۳ روش: اصل دروازه بانی بیومیمتیک ادراک و معماری معنا-اول
۴ نتایج مفهومی: برهان محاسباتی و معیار ECA
۵ بحث: مسیر اعتبارسنجی و جایگاه در سنت نوروسیمبولیک
۱ چکیده
مقاله نخست با عنوان «مانیفست خروج از تاریکی» ضرورت گذار از هوش مصنوعی آماری پنهان لایه به هوش بازتابی و قابل ممیزی را اعلام کرد. مقاله حاضر، «خروج از تاریکی ۲»، همان ضرورت را از سطح بیانیه به سطح صورت بندی علمی می برد: یک معماری «معنا-اول» (Semantic-First) بر پایه جبر سه ارزشی بیت الادراک، گراف شواهد صریح و لایه بازتابی پذیرش/رد/امتناع، که در آن معنا و شاهد — نه تولید احتمالاتی — مسیر اصلی محاسبه اند (S1). برهان زیستی این معماری بر «دروازه بانی پیش شناختی» نظام عصبی استوار است و برهان محاسباتی آن، گلوگاه مستند حافظه KV-Cache در مدل های زبانی بزرگ را هدف می گیرد. برای آنکه ارزش این معماری با ادعا ثابت نشود، معیار «انرژی به ازای تصمیم درست» (ECA) و شش گیت اعتبارسنجی تجربی معرفی می شود؛ بدین ترتیب خروج از تاریکی از یک شعار فلسفی به یک برنامه پژوهشی آزمون پذیر بدل می گردد (S1).
۲ مقدمه: از اعلام ضرورت به صورت بندی علمی
مانیفست نخست استدلال کرد که مسئله هوش مصنوعی معاصر صرفا «دقت» نیست، بلکه تبدیل هوشمندی مبهم به اقتدار ساختاریافته و قابل ممیزی است. فلوانسای چشمگیر مدل های زبانی بزرگ، هزینه ای پنهان دارد: عدم شفافیت مسیر استنتاج، توهم زایی ساختاری، و بار انرژی و حافظه ای که با بلندترشدن زمینه به صورت بحرانی رشد می کند. ادبیات نوروسیمبولیک نیز همین محدودیت را مستند کرده است: مدل های صرفا داده محور در مواجهه با جابه جایی توزیع، ورودی های مبهم و نظارت انسانی ناتوان اند، در حالی که ترکیب یادگیری عصبی با استدلال نمادین، تفسیرپذیری و قابل راستی آزمایی بودن را ارتقا می دهد (S3).
اما اعلام ضرورت، یک گام است و ارائه بدیل معماری گام دیگر. مقاله حاضر دقیقا همین گام دوم است. پرسش محوری ما این است: اگر به جای آنکه معنا «پس از» تولید آماری بازسازی شود، «پیش از» آن مسیر محاسبه را تعیین کند، چه اتفاقی در شفافیت، مهار توهم و بار محاسباتی می افتد؟ پاسخ ما سه مولفه دارد: یک اصل زیستی (دروازه بانی ادراک)، یک سازوکار ریاضی (جبر بیت الادراک)، و یک معیار سنجش (ECA). هر سه مولفه در سند راهبردی RICOM–CAS صورت بندی شده اند (S1).
۳ روش: اصل دروازه بانی بیومیمتیک ادراک و معماری معنا-اول
طبیعت هرگز اطلاعات حسی خام را مستقیما به قشر تحلیلی مغز نمی فرستد. سازوکار «گیتینگ حسی» (Sensory Gating) ورودی های زائد و نامربوط را پیش از رسیدن به مراکز عالی عصبی فیلتر می کند تا قشر مغز از سرریز اطلاعاتی در امان بماند؛ هسته های تالاموس — به ویژه پولوینار — نقش دروازه بان را ایفا می کنند و تعیین می کنند کدام سیگنال مهار و کدام سیگنال به مناطق قشر ارسال شود. این فیلترینگ تحت تاثیر برانگیختگی، مواجهه قبلی با محرک و توجه انتخابی است. هم زمان، دستگاه عصبی سمپاتیک و پاراسمپاتیک پیش از هر تحلیل گزاره ای، «حالت» سیستم را تعیین می کنند: کنش یا گریز، تعادل یا سکون، انقباض یا رهاسازی.
این معماری با بودجه انرژی خیره کننده ای کار می کند: مغز انسان با حدود ۲۰ وات — معادل مصرف یک مانیتور در حالت خواب — با ۸۰ تا ۱۰۰ میلیارد نورون، عملیاتی را انجام می دهد که اگر مصنوعی بود به توان یک نیروگاه کوچک نیاز داشت (S4). راز این کارایی، تقطیر پیش پردازشی است: آنچه به قشر تحلیلی می رسد سیگنال خام نیست، بلکه گزاره فیلترشده، رتبه بندی شده و معنادار است.
از این مشاهده، اصل زیر استخراج می شود:
اصل دروازه بانی بیومیمتیک ادراک: هیچ سامانه شناختی کارآمد در طبیعت، ورودی خام را مستقیما در معرض هسته تحلیلی سنگین قرار نمی دهد. تحمیل توکنایزیشن خام به لایه های پنهان هوش مصنوعی، بدون فیلتر پیش شناختی معناورز، انحرافی از اصول زیستی شناخت و علت العلل بحران انرژی و رفتاری مدل های کنونی است (S1, S4).
پیاده سازی مهندسی این اصل، معماری RICOM–CAS است که در آن منطق «تولید-اول» وارونه می شود: لایه معنایی پیش از هر تولید آماری، پرسش را صورت بندی و تا حد ممکن حل می کند و فقط موارد واقعا مبهم به مدل زبانی مسیر داده می شود (S1). اجزای کلیدی عبارت اند از:
۱. مکعب ژنوم ادراک و کوربیت ها (Corebits): ورودی به جای توکنایزیشن کور، به ساختار چهارگانه «فاعل، عمل ادراکی، ابژه، وضعیت فیلد» تجزیه و به واحدهای معنایی فشرده (کوربیت) تبدیل می شود.
۲. جبر بیت الادراک: فضای حالت سه ارزشی V{−1,0,+1} که هر ادعا را به جای «درست/غلط» دوسویی، در یکی از سه وضعیت «مستند (+1)»، «ناکافی (0)» یا «نقض شده (−1)» جای می دهد. این نگاشت، عدم قطعیت را از درون معماری صریح می کند، نه به عنوان یک خروجی جانبی.
۳. گراف شواهد: هر کنش و هر پاسخ به گرافی صریح از شواهد و پیشینه خود گره خورده است؛ مسیر استنتاج قابل ممیزی می شود.
۴. لایه بازتابی: سیاست پذیرش/رد/امتناع (Accept / Reject / Abstain) پیش از اجرا تعیین می کند که آیا پاسخ حق اثرگذاری دارد یا نه. بدین ترتیب مهار، رفتاری و پس مند؛ معماری مند و پیشینی است.
این ترکیب، دقیقا همان انتقالی است که ادبیات نوروسیمبولیک آن را برای اعتمادپذیری سامانه های هوشمند ضروری می داند: یکپارچه سازی منطق، احتمال و یادگیری در معماری ای شفاف و مداخله پذیر (S3).
۴ نتایج مفهومی: برهان محاسباتی و معیار ECA
برهان محاسباتی مقاله بر واقعیتی مستند در ادبیات استوار است، نه بر فرض. در معماری ترنسفورمر، حافظه KV-Cache برای جلوگیری از محاسبه مجدد بازنمایی توکن های گذشته نگهداری می شود، اما اندازه آن با طول زمینه به صورت خطی رشد می کند و بر ظرفیت حافظه GPU، پهنای باند حافظه و توان عملیاتی استنتاج محدودیت تحمیل می کند؛ به گونه ای که در مدل های ۷ میلیارد پارامتری، کش KV در زمینه ۱۲۸ هزار توکنی به حدود ۶۴ گیگابایت می رسد — بیش از ظرفیت یک GPU مبتنی بر A100 [۲]. به همین دلیل، بهینه سازی KV-Cache به یک چالش «درجه اول» برای استقرار مقیاس پذیر مدل های زبانی بدل شده و مرورهای نظام مند اخیر پنج خانواده راهکار (حذف تدریجی، فشرده سازی، حافظه ترکیبی، سازوکار توجه نوین و روش های ترکیبی) را شناسایی کرده اند [۲].
نکته معماری RICOM–CAS این است که تمامی این راهکارها «پس از» توکنایزیشن و درون همان پارادایم تولید-اول عمل می کنند. رویکرد معنا-اول، مسئله را یک سطح بالاتر برمی گرداند: اگر بذرهای معنایی جایگزین توکن های خام شوند و طول دنباله موثر از N به حدود 0.1N کاهش یابد، حجم کش KV و هزینه توجه ON2 به طور ساختاری فشرده می شود، زیرا اندازه کش تابع مستقیم طول زمینه است [۱، ۲]. این «کاهش در مبدا»، مکمل — و در بسیاری از بارهای کاری جایگزین — فشرده سازی «در مقصد» است.
سنجه های رایج مانند هزینه به ازای هر توکن، کارایی واقعی را نمی سنجند؛ توکن ارزان نادرست، گران ترین خروجی ممکن است. بنابراین مقاله، معیار «انرژی به ازای تصمیم درست» را پیشنهاد می کند [۱]:
ECA=EtotalNcorrect
که Etotal کل انرژی مصرفی (وات ساعت) و Ncorrect تعداد تصمیم های درست و مستند است. معماری ای که با فیلترینگ پیش شناختی، انرژی را صرف گزاره های شاهد دار می کند، ECA پایین تری خواهد داشت؛ زیرا هم مخرج (تعداد تصمیم درست) و هم صورت (هزینه توهم ها و بازپردازش ها) بهبود می یابد.
در این چارچوب، توهم (Hallucination) یک خطای رفتاری برای «تنبیه» نیست؛ یک نقص ساختاری برای «بستن» است. سه مکانیزم به طور هم زمان عمل می کنند [۱]:
۱. فضای حالت سه ارزشی: پاسخی که در V معادل «ناکافی (0)» ارزیابی شود، مجاز به ارائه شدن به مثابه واقعیت نیست؛ سیستم ملزم به امتناع صریح می شود.
۲. گراف شواهد با پیشینه صریح: هر ادعا باید به منبع و مسیر استدلال خود متصل باشد؛ ادعای بی گراف، تولید نمی شود.
۳. سیاست بازتابی پذیرش/رد/امتناع: کنش پیش از اجرا گیت بندی می شود، نه اینکه پس از اجرا فیلتر شود.
۵ بحث: مسیر اعتبارسنجی و جایگاه در سنت نوروسیمبولیک
تفاوت بنیادین مقاله حاضر با بیانیه های هم راستا، تبدیل ادعا به پروتکل آزمون است. سند راهبردی RICOM–CAS شش گیت اعتبارسنجی متوالی تعریف می کند [۱]: (۱) صورت بندی صوری مسئله، (۲) توکن سازی معنایی و صحت سنجی کوربیت ها، (۳) پردازش گراف شواهد، (۴) سنجش کاهش پاسخ های بدون پشتوانه، (۵) بهبود قابل اندازه گیری ECA، و (۶) مطالعات شتاب دهی سخت افزاری. نخستین خروجی اجرایی این مسیر، یک حلقه نرم افزاری ابزاربندی شده روی پیکره ای ۱۰,۰۰۰ واژه ای است؛ یعنی نقطه شروعی کوچک اما عینی، که در آن هر یک از شش گیت باید عدد تولید کند.
این رویکرد، مقاله را از دو سو آسیب پذیر نمی کند: از یک سو برخلاف مانیفست های صرفا فلسفی، ملاک پذیرش آن «اندازه گیری» است نه «اقناع»؛ از سوی دیگر برخلاف بهینه سازی های جزئی KV-Cache، مسئله را در تراز پارادایم صورت بندی می کند. ادبیات نوروسیمبولیک نیز همین مسیر را تایید می کند: مرور نظام مند اخیر نشان می دهد که ترکیب یادگیری عصبی با استدلال نمادین، در ابعاد استواری، کمیت بندی عدم قطعیت و مداخله پذیری، مزیت های مشخصی نسبت به مدل های جعبه سیاه صرف دارد، هرچند چالش های یکپارچه سازی و مقیاس پذیری همچنان باز است [۳]. RICOM–CAS را باید مداخله ای در همین سنت دانست — با یک تفاوت: به جای افزودن لایه نمادین «پس از» مدل عصبی، لایه معنایی را «پیش از» آن می نشاند؛ همان جایی که در معماری زیستی، تالاموس و دستگاه خودمختار نسبت به قشر تحلیلی ایستاده اند [۱، ۲].
محدودیت های این کار باید صریح بماند: اعداد کاهش ۹۰ درصدی توکن و ۹۵ درصدی بار محاسباتی که در مذاکرات فنی معماری مطرح شده اند، در سند راهبردی به عنوان ادعای ثابت شده ذکر نشده اند و صرفا برآورد سازوکاری اند [۱]؛ تحقق یا رد آن ها دقیقا موضوع گیت های چهارم تا ششم است. صداقت در این تفکیک، شرط بقای علمی برنامه است.
۶ نتیجه گیری
مقاله نخست اعلام کرد که هوش مصنوعی معاصر در «تاریکی فضای پنهان» خود محبوس است؛ مقاله حاضر نشان داد که راه خروج، سه مولفه مشخص دارد: یک اصل زیستی (دروازه بانی پیش شناختی ادراک)، یک جبر صریح (فضای سه ارزشی V={−1,0,+1} با گراف شواهد و سیاست پذیرش/رد/امتناع)، و یک معیار سنجش (ECA = انرژی به ازای تصمیم درست) که پشتوانه آن، گلوگاه مستند حافظه KV-Cache در مدل های زبانی بزرگ است (S1, S2).
با این سه مولفه، «خروج از تاریکی» دیگر یک استعاره نیست؛ یک برنامه پژوهشی است که در آن ارزش معماری با اندازه گیری ثابت می شود، نه با ادعا (S1). گام بعدی، اجرای حلقه ابزاربندی شده روی پیکره ۱۰,۰۰۰ واژه ای و انتشار نتایج شش گیت است؛ نخستین نقطه ای که در آن، هوش بازتابی یا عدد تولید می کند یا باید ادعای خود را اصلاح کند — و هر دو پیامد، علم اند.
۷ منابع
- Beyond Probabilistic Generation: The Strategic Value of Semantic-First Intelligence in RICOM–CAS (سند راهبردی گروه، فایل پیوست RICOM_CAS_Strategic_Value_Proposition.pdf)
- Xu, Y., Khaira, N. K., & Singh, T. — KV Cache Optimization Strategies for Scalable and Efficient LLM Inference, arXiv:2603.20397 (Dell Technologies)
- Acharya, K., & Song, H. — A Comprehensive Review of Neuro-symbolic AI for Robustness, Uncertainty Quantification, and Intervenability, Arabian Journal for Science and Engineering, 2025
- Human Brain Project — Learning from the brain to make AI more energy-efficient, 4 سپتامبر ۲۰۲۳