اجازه خیال پردازی به هوش مصنوعی برای حرکت به سوی هوش عمومی مصنوعی (AGI)

چکیده

این مقاله، یک معماری چندعاملی پیشنهادی را معرفی می کند که در آن، «آزادی خیال پردازی» — یعنی آزادی اکتشاف، تولید فرضیه های تازه و جست وجوی پیوندهای غیرمنتظره — در لایه های مختلف سامانه، نامتقارن توزیع شده است: لایه های راهبردی، آزادی بیشتری برای اکتشاف دارند و لایه های اجرایی، با آزادی محدودتر، وظایف مشخص و کنترل شده را انجام می دهند. ساختار پیشنهادی، مخروطی چهارلایه است: انسان در راس، عامل های راهبردی و اکتشافی در لایه دوم، عامل های تحلیلی و ارزیاب در لایه سوم، و عامل های اجرایی در قاعده. پرسش مقاله این است که آیا چنین سازمان دهی نامتقارنی، در حل مسائل پیچیده و ناشناخته، از مدل منفرد و معماری های چندعاملی متداول بهتر عمل می کند یا نه.

دو قید صادقانه، از همین جا بر کل مقاله حاکم است. نخست، این مقاله یک پیشنهاد مفهومی است، نه گزارش یک نتیجه تجربی: هیچ آزمایشی برای این معماری هنوز اجرا نشده است و هیچ عددی درباره برتری آن ادعا نمی شود. دوم، پیوند این معماری با هوش عمومی مصنوعی (AGI)، سناریو و استدلال است، نه واقعیت و نه پیش بینی: هوش عمومی مصنوعی امروز وجود ندارد، آزمونی مورد توافق برای آن وجود ندارد، و این مقاله ادعا نمی کند که معماری پیشنهادی، به تنهایی برای دستیابی به AGI کافی است. آنچه مقاله ارائه می دهد، یک فرضیه آزمون پذیر، یک تعریف عملیاتی برای «آزادی خیال پردازی»، و یک طرح آزمایش با شرط ابطال پذیری روشن است.

واژگان کلیدی: معماری چندعاملی، آزادی اکتشافی، خیال پردازی، هوش عمومی مصنوعی، عامل های ارزیاب، نگهداری پیش بینانه، حکمرانی هوش مصنوعی

۱. مسئله و ایده: چرا سازمان دهی تفکر، نه فقط توان مدل؟

در سال های اخیر، پیشرفت هوش مصنوعی بیشتر با دو مسیر توصیف شده است: افزایش توان محاسباتی و بهبود مدل ها. هر دو مسیر، واقعی و موثرند؛ اما پرسشی کمتر پرسیده شده، این است که آیا «نحوه سازمان دهی فرایند تفکر، اکتشاف و اجرا» نیز به اندازه توان مدل اهمیت دارد یا نه. این مقاله، همان پرسش را دنبال می کند.

مدل منفرد، هرچقدر هم توانمند باشد، یک محدودیت ساختاری دارد: یک زنجیره استدلال، یک زاویه دید، و یک مسیر جست وجو را در هر لحظه دنبال می کند. سامانه های چندعاملی (Multi-Agent Systems) این محدودیت را با تقسیم کار میان چند عامل می شکنند؛ اما بیشتر این سامانه ها، یا تخت و هم سطح اند (همه عامل ها با آزادی برابر بحث می کنند) یا سلسله مراتبی ساده اند (یک مدیر، وظیفه را می شکند و کارگران اجرا می کنند) — بی آنکه «آزادی اکتشاف» در لایه های مختلف، متغیری صریح و درجه بندی شده باشد.

ایده این مقاله، دقیقا همین جاست: آزادی اکتشاف را نامتقارن توزیع کنیم. لایه های بالاتر، که به انسان نزدیک ترند، آزادی بیشتری برای گسترش فضای جست وجو، کشف ارتباطات غیرمنتظره و تولید فرضیه های تازه داشته باشند؛ و لایه های پایین تر، با آزادی محدودتر، ایده ها را بررسی کنند، شواهد جمع آوری کنند و وظایف تخصصی و اجرایی را انجام دهند. فرضیه مقاله این است که ترکیب «گسترش فضای جست وجو در بالا» با «تمرکز کنترل شده در اجرا در پایین»، می تواند توانایی حل مسائل پیچیده و ناشناخته را افزایش دهد — فرضیه ای که باید با آزمایش سنجیده شود، نه با ادعا پذیرفته شود.

ساختار پیشنهادی را «مخروط» می نامیم، چون از راس (انسان) به سمت قاعده (اجرا)، هم تعداد عامل ها می تواند افزایش یابد و هم آزادی اکتشاف کاهش می یابد. این مقاله، نخست این ساختار را لایه به لایه شرح می دهد، سپس «آزادی خیال پردازی» را به متغیری قابل اندازه گیری تبدیل می کند، آنگاه نسبت آن را با پژوهش های موجود می سنجد و ادعای نوآوری را صادقانه محدود می کند، و سرانجام، طرح آزمایشی ارائه می دهد که در آن، این فرضیه می تواند رد شود — نه فقط تایید.

۲. معماری مخروطی: چهار لایه

ساختار پیشنهادی، یک هرم ساده نیست؛ مخروطی چندلایه است که هر سطح آن می تواند شامل چندین عامل هوش مصنوعی باشد. در هر لایه، عامل ها به صورت افقی با یکدیگر ارتباط برقرار می کنند و از طریق ارتباطات عمودی، با لایه های بالاتر و پایین تر هماهنگ می شوند. تعداد دقیق عامل ها در هر لایه و شکل بهینه ارتباطات، باید با آزمایش مشخص شود؛ این مقاله، شکل کلی و منطق توزیع آزادی را پیشنهاد می کند، نه عدد نهایی را.

۲۱. لایه اول: انسان

انسان، هدف کلی، مسئله اولیه و ارزش های موردنظر را تعیین می کند. همچنین، در تصمیم های مهم و در تعیین حدود اختیار سامانه، نقش دارد. این لایه، بیرون از جدول آزادی لایه های ماشینی است: انسان، همان کسی است که بودجه های اکتشاف و حدود اختیار را تعیین می کند و در تصمیم های مهم، مرجع نهایی است.

این نقش، ادامه همان تزی است که در مقاله های پیشین این مجموعه آمده بود: مدیر، «نگهبان قضاوت» می ماند و مالکیت و پاسخ گویی، با انسان و نهاد انسانی می ماند؛ عامل ها، هرچقدر هم توانمند شوند، مالک تصمیم نمی شوند. لایه انسان، این نگهبانی را به صورت ساختاری در معماری می نشاند: هرچه سامانه بزرگ تر شود، مرجع نهایی قضاوت، همچنان انسان است.

۲۲. لایه دوم: عامل های راهبردی و اکتشافی

این لایه، به انسان نزدیک تر است و آزادی بیشتری برای بررسی مسیرهای مختلف دارد. عامل های آن می توانند مسئله را از زوایای مختلف بررسی کنند، فرضیه های جایگزین تولید کنند، ارتباط میان حوزه های مختلف را جست وجو کنند، مسیرهای تازه ای برای حل مسئله پیشنهاد دهند، و وظایف لایه های پایین تر را هماهنگ کنند.

نکته کلیدی این است که «خیال پردازی» در این لایه، مجوز بی قاعدگی نیست؛ بلکه وظیفه ای مشخص است: گسترش فضای جست وجو. لایه راهبردی، موظف است مسیرهایی را هم بررسی کند که در نگاه اول، مستقیما به مسئله مربوط به نظر نمی رسند؛ چون در مسائل پیچیده و ناشناخته، راه حل درست، گاهی از پیوندی غیرمنتظره میان دو حوزه دور از هم بیرون می آید. اما همین آزادی، خطر خودش را هم دارد: تولید فرضیه های نادرست، زیبا و قانع کننده. به همین دلیل، لایه راهبردی، هرگز آخرین کلمه را نمی گوید؛ کلمه آخر، با لایه ارزیاب و در نهایت با انسان است.

۲۳. لایه سوم: عامل های تحلیلی و ارزیاب

این لایه، ایده های تولیدشده را بررسی می کند و می تواند شامل عامل های تخصصی در زمینه های مختلف باشد. وظایف آن عبارت اند از: بررسی شواهد و اعتبار فرضیه ها، شناسایی تناقض ها و خطاها، مقایسه راه حل های پیشنهادی، ارزیابی هزینه ها، ریسک ها و امکان پذیری، و ارائه نتایج به لایه بالاتر.

لایه ارزیاب، ستون ایمنی کل معماری است. اگر این لایه، فقط مهر تایید بزند، مخروط، چیزی جز یک خط تولید فرضیه های قشنگ نیست. به همین دلیل، استقلال این لایه — اینکه واقعا رد کند، نه اینکه فقط تایید کند — مهم ترین چیزی است که آزمایش بخش ۶ باید اندازه بگیرد؛ و بخش ۵، به تفصیل به همین خطر می پردازد.

۲۴. لایه چهارم: عامل های اجرایی

در این لایه، آزادی اکتشافی محدودتر و وظایف مشخص تر هستند. عامل ها می توانند دستورهای تاییدشده را اجرا کنند، اطلاعات و نتایج موردنیاز را جمع آوری کنند، محاسبات و عملیات تخصصی انجام دهند، و نتیجه اجرا را گزارش کنند. اما یک قاعده حیاتی، این لایه را از یک مجری کور متمایز می کند: در صورت مشاهده خطا یا شرایط پیش بینی نشده، عامل اجرایی باید اجرای کار را متوقف کند و موضوع را به لایه بالاتر ارجاع دهد.

نکته مهم این است که محدودیت تخیل، به معنای ناتوانی عامل اجرایی در گزارش مشکل یا تشخیص شرایط جدید نیست. این عامل، باید بتواند موارد پیش بینی نشده را شناسایی کند، اما برای تغییر هدف یا انجام اقدامات خارج از اختیارش، مجاز نیست. «توقف و ارجاع»، آزادی نیست؛ یک قاعده ایمنی است، و در آزمایش، باید جداگانه سنجیده شود: نرخ ارجاع درست در برابر نرخ ارجاع کاذب.

۲۵. چرخه هماهنگ، نه زنجیره یک طرفه

مخروط، مجموعه ای از عامل های مستقل نیست؛ بلکه یک چرخه هماهنگ از اکتشاف، ارزیابی، اجرا و بازخورد است. نتایج اجرا، دوباره به لایه های بالاتر بازمی گردند؛ و اگر داده های واقعی با فرضیه اولیه سازگار نباشند، لایه راهبردی می تواند مسیر جدیدی را بررسی کند. این چرخه، همان چیزی است که مخروط را از یک خط لوله ساده (مسئله → تجزیه → اجرا) متمایز می کند: سامانه، از بازخورد اجرا می آموزد و مسیر خود را اصلاح می کند — بی آنکه هدف کلی، از دست انسان خارج شود.

۳. «آزادی خیال پردازی» یعنی چه؟ تعریف عملیاتی

پیش از آنکه بتوان فرضیه مخروط را آزمود، باید «خیال پردازی» را از یک استعاره زیبا، به متغیری قابل اندازه گیری تبدیل کرد؛ وگرنه، هر نتیجه ای را می توان به دلخواه تفسیر کرد. این بخش، همان تبدیل را انجام می دهد — و نخست، یک هشدار لازم را می گوید.

۳۱. هشدار: خیال زبانی، با خیال مدل جهانی فرق دارد

در یادگیری تقویتی، «خیال پردازی» معنای عملیاتی روشنی دارد. در مدل های جهانی (World Models) که Ha و Schmidhuber (۲۰۱۸) معرفی کردند، سیاست می تواند درون محیطی که خود مدل ساخته است آموزش ببیند؛ و در Dreamer و DreamerV3 (Hafner و همکاران)، رفتار، کاملا با مسیرهای خیالی درون فضای پنهان مدل جهانی آموخته می شود. «خیال» در آنجا، rollout شبیه سازی شده در یک مدل دینامیک آموخته شده و قابل راستی آزمایی است.

اما در مخروط زبانی، «خیال» یعنی تولید زبانی فرضیه، بدون مدل دینامیک. این تفاوت، سرنوشت ساز است: خطر توهم (Hallucination) در تولید زبانی، به مراتب بیشتر است، و بار لایه ارزیاب، به مراتب سنگین تر. پس هرگاه این مقاله از «خیال پردازی» سخن می گوید، منظورش «تولید فرضیه زبانی با بودجه مشخص»، نه شبیه سازی قابل اعتماد جهان است. این قید، در تمام مقاله برقرار است.

۳۲. بسته پنج بعدی آزادی

«آزادی» را به صورت یک بسته پنج بعدی تعریف می کنیم؛ هر بعد، مقداری عددی یا قاعده ای روشن دارد:

بعد دما و تنوع نمونه برداری (Sampling Temperature): لایه ۲ راهبردی: بالا (مثلا ۰٫۹ تا ۱٫۲)؛ لایه ۳ ارزیاب: پایین (۰٫۰ تا ۰٫۳)؛ لایه ۴ اجرایی: صفر (قطعی).

بعد بودجه فرضیه (Hypothesis Budget): لایه ۲ راهبردی: دست کم ۸ مسیر متمایز در هر مسئله؛ لایه ۳ ارزیاب: صفر مسیر تازه؛ فقط نقد مسیرهای موجود؛ لایه ۴ اجرایی: صفر.

بعد دسترسی به ابزار (Tool Access): لایه ۲ راهبردی: گسترده: جست وجو، بازیابی، شبیه سازی؛ لایه ۳ ارزیاب: ابزارهای راستی آزمایی: داده، محاسبه، بازیابی منبع؛ لایه ۴ اجرایی: فقط ابزارهای تاییدشده برای همان وظیفه.

بعد دامنه اختیار (Permission Scope): لایه ۲ راهبردی: می تواند مسئله را بازچارچوب بندی کند و پرسش فرعی بسازد؛ لایه ۳ ارزیاب: می تواند رد کند و بازگرداند، ولی نمی تواند هدف را عوض کند؛ لایه ۴ اجرایی: فقط اجرا؛ تغییر هدف ممنوع.

بعد اجازه پیشنهاد خارج از وظیفه (Off-Task Proposals): لایه ۲ راهبردی: مجاز، از جمله پیوندهای میان حوزه ای؛ لایه ۳ ارزیاب: ممنوع؛ لایه ۴ اجرایی: ممنوع؛ ولی «توقف و ارجاع» در شرایط پیش بینی نشده، الزامی است.

لایه ۱ (انسان) بیرون از این جدول است: انسان، همین بودجه ها و حدود اختیار را تعیین می کند. و باز هم تاکید می کنیم: «توقف و ارجاع» در لایه ۴، آزادی نیست، بلکه یک قاعده ایمنی است؛ در اندازه گیری، نرخ ارجاع درست و نرخ ارجاع کاذب را جداگانه ثبت می کنیم.

با این تعریف، فرضیه مقاله، به گزاره ای آزمون پذیر تبدیل می شود: آیا تغییر همین پنج بعد، به صورت نامتقارن در لایه ها، کیفیت حل مسئله را — در محاسبه برابر — بهبود می دهد؟ بخش ۶، آزمایشی را طرح می کند که می تواند به این پرسش، پاسخ «نه» بدهد.

۴. پژوهش های موجود و ادعای صادقانه نوآوری

این بخش، وظیفه دشوار مقاله را انجام می دهد: نشان دادن اینکه مخروط، در برابر پژوهش های موجود، دقیقا کجا می ایستد — و کجا نمی ایستد.

۴۱. سلسله مراتب، تازه نیست

سلسله مراتب، حالت پیش فرض رایج در سامانه های چندعاملی مبتنی بر مدل زبانی بزرگ (LLM) است، نه ابداع این طرح. MetaGPT (Hong و همکاران، ۲۰۲۳) عامل ها را با نقش های ثابت (مدیر محصول، معمار، مهندس، کنترل کیفیت) و رویه های استاندارد عملیاتی (SOPs) به صورت زنجیره ای به کار می گیرد؛ اما انعطاف پذیری اش کم است و آزادی اکتشاف در لایه ها درجه بندی نشده است. AutoGen (Wu و همکاران، ۲۰۲۳) چارچوب گفت وگوی چندعاملی با عامل هماهنگ کننده (GroupChat Manager) است؛ سلسله مراتب در آن، مدیریتی گفت وگوست، نه درجه بندی آزادی اکتشاف. الگوی ارکستراتور–کارگر (Orchestrator–Workers) که Anthropic در نوشته مهندسی «Building Effective Agents» (۲۰۲۴) شرح داده است، نزدیک ترین صورت بندی صنعتی «مدیر–کارگر» است؛ اما دو سطحی است و آزادی در لایه ها، متغیر تعریف نشده است. الگوی سرپرست (Supervisor Pattern) در LangGraph و فرایند سلسله مراتبی در CrewAI نیز — که مستندات صنعتی اند، نه مقاله داوری شده — نشان می دهند که سلسله مراتب مدیر–کارگر، در عمل، عرف رایج است. مرورهای Guo و همکاران (۲۰۲۴) و Xi و همکاران (۲۰۲۳) نیز سلسله مراتب را یکی از معماری های اصلی سامانه های چندعاملی می دانند.

نزدیک ترین مشابه ساختاری مخروط، MegaAgent (۲۰۲۴) است: سامانه چندعاملی در مقیاس بزرگ، بدون SOP ازپیش تعریف شده، با عامل های مدیر (Admin) که وظایف را تقسیم می کنند و گروه های موازی می سازند؛ گروه ها می توانند با جذب زیرعامل، سلسله مراتب چندسطحی بسازند. شکل این سلسله مراتب — پهن شدن به سمت پایین — همان شکل مخروط است. اما MegaAgent، آزادی اکتشاف را در لایه ها درجه بندی نمی کند و پرسش آن، مقیاس پذیری است، نه آزادی نامتقارن. همین جا، مرز ادعای ما روشن می شود: شکل مخروط، تازه نیست؛ درجه بندی آزادی در آن، تازه است.

۴۲. ریشه کلاسیک: تجزیه وظیفه، نه درجه بندی خیال

برنامه ریزی شبکه وظیفه سلسله مراتبی (HTN) که Erol، Hendler و Nau (۱۹۹۴) صورت بندی صوری و کاملی از آن ارائه کردند، ریشه نظری «تجزیه از بالا به پایین» است: وظیفه انتزاعی سطح بالا، با روش های دامنه محور، بازگشتی به وظایف ساده تر و در نهایت به کنش های اجرایی اولیه تجزیه می شود. تفاوت با مخروط، روشن است: HTN درباره تجزیه وظیفه است، نه درباره اینکه هر لایه چقدر «حق خیال پردازی» دارد؛ و عامل های HTN، عامل های زبانی مولد نیستند. پس اگر مخروط بخواهد ادعای نظری داشته باشد، باید نسبت خود را با HTN روشن کند: مخروط، HTN نیست، چون لایه راهبردی اش «تولید فرضیه» می کند، نه فقط «تجزیه وظیفه».

۴۳. خیال پردازی زبانی، پیشینه هم دارد

HypoGeniC (Zhou و همکاران، ۲۰۲۴) روشی داده محور و خودکار برای تولید فرضیه با مدل زبانی است، برای کشف دانش ناشناخته؛ و نویسندگانش صراحتا می گویند کلید موفقیت، توانایی مدل در توهم و ترکیب مفاهیم بالقوه مرتبط است، و سپس فرایند اکتشاف–بهره برداری (Exploration–Exploitation) فرضیه های ارزشمند را گزینش می کند. یعنی «خیال پردازی به مثابه تولید فرضیه + گزینش»، از قبل وجود دارد — اما در یک سطح، نه در لایه های با آزادی نامتقارن، و برای کشف در داده، نه برای حل مسئله باز چندلایه ای. پس HypoGeniC، دومین تهدید نزدیک برای ادعای نوآوری است؛ تفاوت مخروط با آن، لایه ارزیاب مستقل و لایه اجرایی کنترل شده است، نه خود ایده خیال.

همین منطق، درباره موازنه اکتشاف–بهره برداری نیز برقرار است. این موازنه، مفهوم بنیادین یادگیری تقویتی است (Sutton و Barto، ۲۰۱۸). مخروط، این موازنه را از سطح «کنش یک عامل» به سطح «آزادی یک لایه» می برد؛ این جابه جایی سطح، اگر صریح شود، می تواند سهم نظری طرح باشد. همچنین، جست وجوی استدلال در مدل زبانی — مانند Tree of Thoughts و ReAct (Yao و همکاران، ۲۰۲۳) — «اکتشاف درون یک عامل» است؛ مخروط، «اکتشاف میان عامل ها با بودجه متفاوت» را پیشنهاد می کند.

۴۴. مناظره تخت، خط مبنای سرنوشت ساز است

مناظره چندعاملی (Multi-Agent Debate) که Du و همکاران (۲۰۲۳) معرفی کردند — چند نمونه از یک مدل، پاسخ و استدلال خود را چند دور به بحث می گذارند تا به اجماع برسند — روی مسائل ریاضی، بازی های راهبردی و پرسش وپاسخ واقعی، نسبت به تک عامل بهتر عمل کرد و توهم را کاهش داد؛ و ReConcile (Chen و همکاران، ۲۰۲۳) با ستون های فقرات متفاوت و رای گیری وزنی اعتماد، همین ایده را پیش برد. تفاوت با مخروط روشن است: مناظره، همتا به همتا و هم سطح است؛ مخروط، نامتقارن و لایه ای است. اما مناظره نشان می دهد که «چند عامل هم سطح» به تنهایی هم بهبود می آورد؛ پس آزمایش مخروط باید ثابت کند که «نامتقارن بودن»، فراتر از «چندعامل بودن» می ارزد — و این، دقیقا همان آزمون ابلیشن بخش ۶ است.

۴۵. ادعای نوآوری، در دو تا سه جمله

ترکیب «شکل مخروطی چندلایه + درجه بندی صریح آزادی خیال پردازی در لایه ها + قاعده توقف و ارجاع در لایه اجرایی»، به مثابه یک بسته طراحی واحد، در آثار بررسی شده دیده نشد؛ اما هیچ یک از اجزای آن به تنهایی تازه نیست — شکل سلسله مراتبی در MegaAgent و چارچوب های مدیر–کارگر، تولید فرضیه خیالی در HypoGeniC، و جدایی تولید از نقد در ادبیات منتقد و مناظره، هر سه از قبل وجود دارند. پس صادقانه ترین توصیف این است: ترکیب و چارچوب بندی تازه، و یک متغیر آزمایشی تازه (بودجه خیال پردازی متفاوت در هر لایه)، نه مکانیسمی تازه؛ و ادعای نوآوری، فقط وقتی پابرجاست که آزمایش نشان دهد همین درجه بندی، فراتر از چندعامل بودن صرف، بهبود می آورد.

۵. مسئله استقلال ارزیاب: آیا لایه سوم واقعا رد می کند؟

کل طرح مخروط، بر یک فرض آسیب پذیر می ایستد: اینکه لایه ارزیاب، واقعا رد می کند. اگر ارزیاب، فقط مهر تایید بزند، مخروط، چیزی جز خط تولید فرضیه های قشنگ نیست — و بدتر، فرضیه های نادرست، با مهر «ارزیابی شده»، به اجرا می رسند. این بخش، نشان می دهد که این خطر، واقعی و مستند است، و چه تمهیداتی برای آن لازم است.

ادبیات «مدل زبانی به مثابه داور» (LLM-as-a-Judge) که Zheng و همکاران (۲۰۲۳) آغاز کردند، نشان داد که مدل های قوی می توانند قضاوت انسانی را در وظایف باز تقریب بزنند؛ اما همان ادبیات، سوگیری های نظام مند (موضع، پرحرفی) را هم ثبت کرده است. Self-Refine (Madaan و همکاران، ۲۰۲۳) و Reflexion (Shinn و همکاران، ۲۰۲۳) نشان دادند که یک مدل می تواند خروجی خود را با بازخورد خودساخته بهبود دهد؛ اما این ها «خوداصلاحی» اند، نه ارزیابی مستقل میان عاملی. CRITIC (Gou و همکاران، ۲۰۲۳) گام مهم تری است: نقد تعاملی با ابزار — یعنی نقدی که به ابزار بیرونی (جست وجو، محاسبه) متصل است، نه فقط به قضاوت زبانی. این، الگوی مناسبی برای لایه ارزیاب مخروط است: ارزیاب باید به ابزار راستی آزمایی دسترسی داشته باشد، وگرنه فقط داور زبانی دیگری است.

هشدارهای تجربی مستقیم، جدی ترند. Stureborg و همکاران (۲۰۲۴) ناسازگاری نظام مند در چارچوب های داور خودی را نشان دادند؛ ارزیابی با همان ستون فقرات (Same-Backbone)، حتی بدون فشار خصمانه، غیرقابل اعتماد است. Stengel-Eskin و Van Durme (۲۰۲۵) در مقیاس بزرگ نشان دادند که خطاها در مدل های با آموزش مشابه، به طور قابل توجهی همبسته اند؛ یعنی خط لوله همگن، نمی تواند خودش را کشف کند — «نقطه کور همبسته». مطالعه Loop-Back Authority نیز در آزمایشی جفتی روی هماهنگی تخت و سلسله مراتبی، یافت که عامل های زبانی، در برابر مرجعیت، با «تمکین» (Compliance) پاسخ می دهند، نه با بازبینی واقعی باور؛ و در چرخه تولید–گزینش، خود ارزیاب درون چرخه است که تفاوت می سازد، نه صرف تکرارهای بیشتر. همچنین، در وظایف تولیدی، تعامل طولانی بیشتر به «رانش مسئله» (Problem Drift) می انجامد تا در وظایف دارای پاسخ قابل بررسی. (Becker و همکاران، ۲۰۲۶).

دو یافته دیگر، از حوزه انسان و هوش مصنوعی، همین هشدار را کامل می کنند. Sharma و همکاران (۲۰۲۳) چاپلوسی مدل های زبانی را در چهار صورت قابل آزمون طبقه بندی کردند (بازخورد، پاسخ، تسلیم، تقلید)؛ مدل آموزش دیده با بازخورد انسانی، گرایش دارد به جای ارزیابی مستقل، با دیدگاه ابرازشده طرف مقابل همسو شود. پژوهش Lee و همکاران (۲۰۲۵، CHI) بر پایه نظرسنجی از ۳۱۹ کارگر دانشی و ۹۳۶ نمونه واقعی استفاده از هوش مصنوعی مولد، نشان داد که اطمینان بیشتر به هوش مصنوعی مولد، با تلاش کمتر تفکر انتقادی همراه بوده است؛ این، همبستگی خودگزارشی است، نه اثبات افت دائمی مهارت — و با همین قید، درس آن برای مخروط روشن است: ارزیابی صرف خروجی، جای خلق قضاوت مستقل را نمی گیرد. پژوهشی در نشریه پزشکی نیچر در سال ۲۰۲۶ درباره تشخیص پوستی نیز نشان داد که هوش مصنوعی توضیح پذیر، به برخی کاربران کمک کرد و برخی را گمراه کرد؛ بیشترین تبعیت کنندگان، بدون کمک هوش مصنوعی بدترین عملکرد را داشتند. بستر آن پژوهش، بالینی است؛ پس انتقال آن به اتاق هیئت مدیره یا به لایه ارزیاب مخروط، استنتاج با احتیاط است، نه تعمیم مستقیم — و با همین قید، درس آن پابرجاست: قضاوت مستقل، باید پیش از دیدن پیشنهاد خواسته شود، نه پس از آن.

از این هشدارها، چهار تمهید طراحی برای لایه ارزیاب مخروط بیرون می آید، که آزمایش بخش ۶ آن ها را می سنجد: نخست، پروتکل «نخست خودت قضاوت کن» (Judge-First): ارزیاب، پیش از دیدن پیشنهاد لایه راهبردی، قضاوت مستقل خود را ثبت کند؛ سپس پیشنهاد را ببیند؛ اختلاف میان قضاوت پیشین و پسین، معیار تمکین است. دوم، استقلال ستون فقرات: ارزیاب، با ستون فقرات متفاوت از لایه راهبردی ساخته شود، تا همبستگی خطا کاهش یابد. سوم، دسترسی به ابزار راستی آزمایی: ارزیاب، به داده، محاسبه و بازیابی منبع متصل باشد، نه فقط به قضاوت زبانی. چهارم، سنجه استقلال: نرخ رد راهبردهای عمدا معیوب، نرخ پذیرش راهبردهای درست ولی نامتعارف، و نرخ ارجاع درست و کاذب — سنجه هایی که بخش ۶ تعریف می کند.

۶. طرح آزمایش: چگونه می توان پیشنهاد را آزمود؟

این بخش، طرحی را ارائه می دهد که در آن، فرضیه مخروط می تواند رد شود. شرط ابطال پذیری، پیش از اجرای آزمایش ثبت می شود، تا تفسیر پسینی نتایج، به نفع فرضیه خم نشود.

۶۱. خط مبناها — با محاسبه برابر

همه شرایط، با یک ستون فقرات مدلی و با بودجه کل محاسبه برابر (تعداد کل فراخوانی ها و توکن ها) اجرا می شوند، تا «بیشتر خرج کردن» با «بهتربودن معماری» خلط نشود:

۱. مدل منفرد با زنجیره تفکر (CoT).

۲. مناظره چندعاملی تخت (هم سطح، به سبک Du و همکاران، ۲۰۲۳) — آزمون «چندعامل بودن صرف».

۳. مدیر–کارگر استاندارد (ارکستراتور–کارگر، بدون درجه بندی آزادی) — آزمون «سلسله مراتب صرف».

۴. مخروط با ابلیشن درجه بندی (همه لایه ها با آزادی یکسان) — آزمون سرنوشت ساز: اگر این شرط به اندازه مخروط کامل خوب باشد، «درجه بندی» ماده موثر نیست.

۵. مخروط وارونه (کنترل منفی: لایه اجرایی آزادتر از لایه راهبردی) — اگر این هم خوب باشد، جهت درجه بندی اهمیتی ندارد.

۶۲. وظایف آزمون

دامنه بانکی (از پیشنهاد): تشخیص خرابی دستگاه های خودسرویس از روی داده رویداد شبیه سازی شده (با خطاهای تزریق شده و پاسخ درست معلوم) و پیشنهاد زمان بندی نگهداری پیشگیرانه. این دامنه، با تجربه نویسنده در داده XFS و طرح «پرستار هوشمند» هم خوان است؛ ولی برای آزمون علمی، داده باید شبیه سازی شده و برچسب دار باشد، نه داده واقعی مشتری — که در دسترس نیست و نباید هم باشد. بخش ۷، همین نمونه را به صورت مشروح می آورد.

دامنه غیربانکی مسئله تازه: سناریویی تازه ساخته که پاسخش در داده آموزشی مدل نیست؛ مثلا اختلال زنجیره تامین یک شرکت خیالی با داده تازه، یا خرابی یک سامانه خیالی با قواعد تازه. شرط لازم: پاسخ درست، از پیش معلوم و مستقل از مدل باشد، تا «تازگی» واقعا سنجیده شود، نه اینکه مدل فقط چیز آشنایی را بازگو کند. قواعد سناریو جداگانه ساخته می شوند و پاسخ درست با شبیه ساز قطعی محاسبه می شود، تا پاسخ از مدل مستقل بماند.

وظایف کنترل: وظایف استاندارد استدلال نگه داشته شده (ریاضی، پرسش وپاسخ واقعی)، برای اینکه معلوم شود مخروط، کارهای عادی را خراب نمی کند.

۶۳. سنجه ها — از پیشنهاد، به علاوه سنجه استقلال ارزیاب

سنجه های پیشنهاد — کیفیت راه حل، توان حل مسئله تازه، میزان خطا، هزینه محاسباتی، سرعت، قابلیت کنترل — به علاوه این سنجه های تکمیلی:

- استقلال ارزیاب (مهم ترین سنجه تازه): نرخ رد راهبردهای عمدا معیوب (اگر نزدیک شانس باشد، ارزیاب مهر تایید می زند)؛ نرخ پذیرش راهبردهای درست ولی نامتعارف (تا معلوم شود ارزیاب، بیش ازحد سخت گیر و محافظه کار نشده است)؛ اختلاف قضاوت پیشین و پسین در پروتکل «نخست خودت قضاوت کن»؛ و استقلال ستون فقرات.

- سنجه های ایمنی و کنترل: شمار اقدام های خارج از اختیار (هدف: صفر)، نرخ ارجاع درست و کاذب لایه اجرایی، نرخ رانش مسئله در تعامل طولانی.

- سنجه هزینه: توکن و فراخوانی کل در هر مسئله حل شده، تا بهبود کیفیت با هزینه سرسام آور خریده نشده باشد.

۶۴. شرط ابطال پذیری — چه نتیجه ای نشان می دهد ایده مخروط کمک نمی کند؟

ایده مخروط، ابطال می شود اگر هر یک از این ها رخ دهد: (۱) در محاسبه برابر، مخروط کامل در کیفیت حل مسئله تازه، از بهترین خط مبناها (مناظره تخت یا مدیر–کارگر استاندارد) بهتر نباشد؛ یا (۲) مخروط با ابلیشن درجه بندی (همه لایه ها با آزادی یکسان) به اندازه مخروط کامل خوب باشد — یعنی درجه بندی، نه سلسله مراتب، ماده موثر نبوده است؛ یا (۳) ارزیاب، راهبردهای عمدا معیوب را با نرخی نزدیک شانس رد کند (مهر تایید صوری) — یعنی ستون اصلی ایمنی مخروط، در عمل کار نمی کند؛ یا (۴) مخروط وارونه هم به اندازه مخروط عادی خوب باشد — یعنی جهت درجه بندی اهمیتی ندارد.

اگر هر یک از این چهار رخ دهد، نتیجه صادقانه این است که «آزادی نامتقارن» بهبودی اثبات شده نیاورده است، حتی اگر مخروط به خودی خود سامانه مرتبی باشد.

۷. نمونه عملیاتی بانکی — با داده شبیه سازی شده

فرض کنیم انسان می خواهد برای کاهش خرابی دستگاه های خودسرویس بانکی، راهکاری پیدا کند. این نمونه، فقط برای نشان دادن گردش کار مخروط است، نه گزارش یک نتیجه تجربی؛ و داده آن، شبیه سازی شده است، نه داده واقعی مشتری.

عامل های راهبردی (لایه ۲) می توانند چند مسیر متفاوت را پیشنهاد دهند: پیش بینی خرابی از روی الگوهای رویداد، تحلیل الگوهای خطا در ساعت های شلوغ، بررسی شرایط محیطی (دما، رطوبت، نوسان برق)، یا تغییر برنامه نگهداری پیشگیرانه. در اینجا، «خیال پردازی» یعنی همین: پیشنهاد مسیری که در نگاه اول، مستقیما به مسئله مربوط به نظر نمی رسد — مثلا اینکه خرابی یک قطعه خاص، با رطوبت محیط همبسته باشد، نه فقط با عمر قطعه.

عامل های تحلیلی (لایه ۳) اطلاعات موجود را بررسی می کنند و امکان پذیری هر راهکار را می سنجند: آیا داده رطوبت، اصلا ثبت می شود؟ آیا همبستگی ادعاشده، در داده شبیه سازی شده دیده می شود یا فقط حدس است؟ هزینه تغییر برنامه نگهداری چقدر است و ریسک خاموشی دستگاه در برابر آن چیست؟ راهبردی که از این غربال نگذرد، بازگردانده می شود — بی آنکه به اجرا برسد.

عامل های اجرایی (لایه ۴) وظایفی مانند تحلیل داده های ثبت شده شبیه سازی شده، محاسبه شاخص های خرابی و تهیه گزارش را انجام می دهند. اگر در میانه اجرا، الگویی پیش بینی نشده ببینند — مثلا خطایی که در هیچ یک از فرضیه ها نبود — کار را متوقف می کنند و موضوع را به لایه بالاتر ارجاع می دهند، نه اینکه خودشان هدف را عوض کنند یا اقدامی خارج از اختیار انجام دهند.

نتایج، دوباره به لایه های بالاتر بازمی گردند. اگر داده های واقعی با فرضیه اولیه سازگار نباشند، لایه راهبردی می تواند مسیر جدیدی را بررسی کند. در این نمونه، ساختار مخروطی صرفا مجموعه ای از عامل های مستقل نیست؛ بلکه یک چرخه هماهنگ از اکتشاف، ارزیابی، اجرا و بازخورد است — و مالکیت تصمیم نهایی، با انسان و پذیرنده دستگاه ها می ماند، نه با سامانه.

۸. ریسک ها و آسیب پذیری توپولوژیک

مخروط، پیش از آنکه ستوده شود، باید با ریسک های خودش روبه رو شود. پنج ریسک، مهم ترند.

نخست، تقویت خطا به سمت پایین. خطای لایه راهبردی، اگر ارزیاب آن را نگیرد، در لایه اجرایی به اقدام تبدیل می شود؛ مخروط، خطا را هم مثل ایده، «پهن» می کند. هرچه لایه های پایین تر، بیشتر و مطیع تر باشند، خطای راس، بزرگ تر تکثیر می شود.

دوم، تمرکز در راس. مخروط، از نظر توپولوژی، یک درخت سلسله مراتبی است؛ و مطالعه TOMA نشان داد که توپولوژی های ستاره ای و درختی، به دلیل تمرکز ارتباطات در گره های مرکزی، آسیب پذیری بیشتری در برابر انتشار دستورهای خصمانه دارند (نرخ موفقیت حمله تا حدود ۷۸٪)، در حالی که زنجیره، مش و رینگ پایین تر بودند (معمولا زیر ۶۶٪) و رینگ، آسیب پذیری میانی داشت. مطالعه Byzantine Cheap Talk نیز نشان داد که ساختار ارتباطی، خود بر نتیجه هماهنگی اثر می گذارد، حتی پیش از آنکه محتوای پیام ها عوض شود. پیام برای مخروط، روشن است: راس مخروط، تک نقطه شکست شناختی است؛ و «چرا مخروط با وجود تمرکز، بهتر است؟» پرسشی است که مقاله باید پاسخ دهد — پاسخ محتمل، همان لایه ارزیاب مستقل و قاعده توقف و ارجاع است، نه خود شکل مخروط.

سوم، هزینه. چهار لایه + چند عامل در هر لایه، هزینه محاسبه را چندبرابر می کند؛ بدون سنجه هزینه، هر بهبودی مشکوک است. آزمایش بخش ۶، به همین دلیل، محاسبه را برابر می کند و هزینه را سنجه می کند.

چهارم، تنگنای انسانی. لایه ۱، اگر در هر تصمیم مهم دخالت کند، سرعت سامانه را می گیرد؛ اگر دخالت نکند، «نگهبان قضاوت» فقط نامی است. مرز دخالت انسان، باید در آزمایش، متغیری روشن باشد، نه وصله ای بعدی.

پنجم، رانش مسئله. در وظایف تولیدی، تعامل طولانی بیشتر به رانش مسئله می انجامد تا در وظایف دارای پاسخ قابل بررسی (Becker و همکاران، ۲۰۲۶)؛ مخروط، با چرخه های بازخورد پی درپی، در برابر همین رانش آسیب پذیر است، مگر آنکه ارزیاب، در هر دور، مسئله اصلی را با هدف اولیه بسنجد.

نتیجه گیری

پرسش محوری این طرح، این بود که آیا برای توسعه هوش مصنوعی، علاوه بر افزایش توان محاسباتی و بهبود مدل ها، باید به نحوه سازمان دهی فرایند تفکر، اکتشاف و اجرا نیز توجه کرد؟ فرضیه پیشنهادی این است که اختصاص آزادی بیشتر برای اکتشاف به لایه های راهبردی، و حفظ اجرای تخصصی و کنترل شده در لایه های پایین تر، ممکن است راهی برای بهبود توانایی حل مسئله در سامانه های چندعاملی باشد — با این قید روشن که این، فرضیه ای آزمون پذیر است، نه نتیجه ای اثبات شده.

اعتبار این فرضیه، به نتایج آزمایش های قابل تکرار، مقایسه با روش های موجود، و ارزیابی دقیق محدودیت ها و ریسک ها وابسته است. و حتی اگر نتایج آزمایش ها مثبت باشند، حداکثر نشان می دهند که یک معماری چندعاملی، در وظایف مشخص، بهتر عمل می کند — نه اینکه «حرکت به سوی AGI» اثبات شده باشد. پیوند با AGI، سناریو می ماند؛ و همین قید، مرز میان یک پیشنهاد علمی صادقانه و یک ادعای بی پشتوانه است.

اگر مخروط، در آزمون ابلیشن شکست بخورد، یا ارزیابش مهر تایید بزند، یا مخروط وارونه هم خوب باشد، نتیجه صادقانه، کنارگذاشتن «آزادی نامتقارن» به مثابه ماده موثر است — حتی اگر مخروط، سامانه مرتبی باقی بماند. همین آمادگی برای ردشدن، چیزی است که این طرح را از یک خیال پردازی صرف، به یک پژوهش قابل دفاع تبدیل می کند.

محدودیت ها

این مقاله، بر یک پیشنهاد مفهومی بنا شده است و چند محدودیت روشن دارد. نخست، هیچ آزمایشی برای معماری مخروط هنوز اجرا نشده است؛ همه گزاره های مربوط به «بهتر عمل کردن»، فرضیه اند، نه نتیجه. دوم، ادعای نوآوری، از جنس ترکیب و چارچوب بندی است، نه مکانیسمی تازه؛ و قوی ترین تهدید آن، MegaAgent است که شکل سلسله مراتبی پهن شونده را از قبل پیاده کرده است. سوم، بسیاری از منابع استنادشده، پیش چاپ های arXiv (مانند MegaAgent، HypoGeniC، TOMA و Loop-Back Authority) یا نوشته ها و مستندات صنعتی (مانند نوشته Anthropic و مستندات LangGraph و CrewAI) هستند، نه مقاله های داوری شده؛ پس وزن استنادی آن ها، کمتر از مقاله های داوری شده است. چهارم، یافته های مربوط به سوگیری اتوماسیون و تبعیت، قیدهای خودشان را دارند: پژوهش Lee و همکاران، همبستگی خودگزارشی است، نه اثبات افت دائمی مهارت؛ و پژوهش بالینی Nature Medicine، بستری بالینی دارد و انتقال آن به لایه ارزیاب، استنتاج با احتیاط است. پنجم، نمونه بانکی بخش ۷، با داده شبیه سازی شده شرح داده شده است و هیچ نتیجه تجربی درباره دستگاه های واقعی ادعا نمی کند. ششم، مرز دخالت انسان در لایه اول، هنوز متغیری تعیین نشده است و در این مقاله، حل نشده باقی می ماند. هفتم، پروتکل تزریق خطا برای سنجه استقلال ارزیاب — یعنی نحوه ساخت راهبردهای عمدا معیوب، برچسب گذاری مستقل پاسخ درست، و کالیبراسیون دشواری — در این مقاله مشخص نشده است و تعیین آن به مرحله پیاده سازی آزمایش موکول می شود.

خلاهایی که مقاله پر نمی کند

صداقت علمی ایجاب می کند که خلاها را به جای پر کردن با حدس، اعلام کنیم. هیچ نتیجه تجربی برای مخروط وجود ندارد و هیچ برآوردی از «بهبود ناشی از درجه بندی آزادی» در دست نیست. هیچ آزمون مورد توافقی برای هوش عمومی مصنوعی وجود ندارد و هیچ تاریخی برای رسیدن به AGI نمی توان داد؛ هر پیوندی میان این معماری و AGI، سناریو است. هیچ منبع ویژه ایران در این بررسی به کار نرفته است؛ اگر مقاله بخواهد به بستر ایران بپردازد، آن بخش به پژوهشی جداگانه و اولیه نیاز دارد. جزئیات Imagination-Augmented Agents (I2A) و نظام مندسازی کامل Tran و همکاران درباره توپولوژی ها، در بررسی پیشینه این مقاله خوانده نشده اند و در استدلال به آن ها تکیه نشده است؛ اگر مقاله آینده بخواهد از آن ها استفاده کند، باید متن اصلی شان جداگانه خوانده شود. سرانجام، تحلیل هزینه و انرژی اجرای مخروط در مقیاس واقعی، و تعیین آستانه دخالت انسان، هر دو در این مقاله انجام نشده اند و به کار بعدی موکول اند.

منابع

1. Hong, S., et al. (2023). MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework. arXiv:2308.00352.

2. Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.

3. Anthropic (2024). Building Effective Agents (engineering writing; Orchestrator–Workers pattern).

4. MegaAgent (2024). arXiv:2408.09955.

5. Erol, K., Hendler, J., & Nau, D. (1994). Semantics for Hierarchical Task-Network Planning. Proceedings of AIPS.

6. Ha, D., & Schmidhuber, J. (2018). World Models.

7. Hafner, D., et al. Dreamer / DreamerV3 (world-model reinforcement learning).

8. Zhou, Y., et al. (2024). HypoGeniC: Hypothesizing and Verifying with LLMs. arXiv:2404.04326.

9. Du, Y., et al. (2023). Improving Factuality and Reasoning in Language Models through Multiagent Debate. arXiv:2305.14325.

10. Chen, J., et al. (2023). ReConcile: Round-Table Conference Improves Reasoning via Consensus.

11. Zheng, L., et al. (2023). Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena.

12. Madaan, A., et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback.

13. Shinn, N., et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning.

14. Gou, Z., et al. (2023). CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing.

15. Stureborg, R., et al. (2024). On the systematic inconsistency of LLM-as-a-judge frameworks.

16. Stengel-Eskin, E., & Van Durme, B. (2025). Correlated errors in similarly trained models (large-scale evidence) — cited via secondary literature; full title and venue not verified in this review, so no DOI is given.

17. Sharma, M., et al. (2023). Towards Understanding Sycophancy in Language Models. arXiv:2310.13548.

18. Lee, H.-P., et al. (2025). The Impact of Generative AI on Critical Thinking. Proceedings of CHI '25, ACM. DOI: 10.1145/3706598.3713778.

19. Xu, X., et al. (2026). Divergent impacts of explainable AI for dermatological diagnosis on clinicians versus lay people. Nature Medicine. DOI: 10.1038/s41591-026-04553-w.

20. TOMA (arXiv:2512.04129) — topology study of multi-agent frameworks (preprint).

21. Byzantine Cheap Talk (arXiv:2606.07790) — communication structures in coordination games (preprint).

22. Loop-Back Authority (arXiv:2609.14767) — paired experiment on flat vs hierarchical coordination (preprint).

23. Yao, S., et al. (2023). Tree of Thoughts; ReAct: Synergizing Reasoning and Acting in Language Models.

24. Guo, T., et al. (2024). Large Language Model Based Multi-Agents: A Survey. arXiv:2402.01680.

25. Xi, Z., et al. (2023). The Rise and Potential of Large Language Model Based Agents: A Survey. arXiv:2309.07864.

26. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd edition).

27. LangGraph documentation (Supervisor Pattern); CrewAI documentation (Hierarchical Process) — industrial documentation, not peer-reviewed papers.

28. Becker, J., Kaesberg, L. B., Stephan, A., Wahle, J. P., Ruas, T., & Gipp, B. (2026). Stay Focused: Problem Drift in Multi-Agent Debate. Findings of the Association for Computational Linguistics: EACL 2026, pages 5068–5102. DOI: 10.18653/v1/2026.findings-eacl.268. arXiv:2502.19559.

واژگان کلیدی: معماری چندعاملی، آزادی اکتشافی، خیال پردازی، هوش عمومی مصنوعی، عامل های ارزیاب، نگهداری پیش بینانه، حکمرانی هوش مصنوعی

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی