انسانها حداقل ۱۰۰ هزار سال است که با یکدیگر صحبت میکنند و در تمام این مدت، تنها یک پدیده در جهان وجود داشته که توانسته زبان انسانی را به شکلی کاملاً روان فرا بگیرد: کودک انسان. اما اکنون ورق برگشته و بازیگران جدیدی وارد میدان شدهاند. تنها چهار سال پس از عرضه عمومی چتجیپتی (ChatGPT)، برای بسیاری از ما عادی شده است که بهطور طبیعی با تلفنها یا رایانههای خود گفتگو کنیم. مدلهای زبانی بزرگی (LLMs) مانند کلاد (Claude)، دیپسیک (DeepSeek) و مدلهای شرکت اوپنایآی (OpenAI) آنقدر روان و انعطافپذیر هستند که میتوانند به شکلی متقاعدکننده خود را به عنوان انسان جا بزنند. با این حال، وقتی پشت پردههای محاسباتی این فناوری نگاه میکنیم، با یک چالش بزرگ روبهرو میشویم: آموزش دادن زبان به یک رایانه همچنان نیازمند حجم عظیمی از داده است که با مقیاس انسانی هیچ تناسبی ندارد.
یک مدل زبانی بزرگ میتواند به راحتی صد هزار برابر بیشتر از کلماتی که یک انسان در طول فرآیند تسلط بر زبان مادریاش تجربه میکند را پردازش کند؛ این حجم حتی بسیار بیشتر از کلماتی است که کودکان تا سن یک سالگی میشنوند. به گفته مایکل سی. فرانک (Michael C. Frank)، دانشمند علوم شناختی در دانشگاه استنفورد (Stanford University): «پیشرفتهای اخیر شگفتانگیز بوده است، اما ما هنوز مجبوریم جنگلی را بسوزانیم و تمام دانش بشری را جمعآوری کنیم تا دستاوردی را بازآفرینی کنیم که در اتاقهای نشیمن ما طی یک سال رخ میدهد.» این شکاف عمیق بین یادگیری کودکان و ماشینها، به نام شکاف بهرهوری داده (data efficiency gap) شناخته میشود و پرسش جذاب و چالشبرانگیزی را پیش روی پژوهشگران قرار داده است که چگونه مغز انسان با این حجم کم از اطلاعات به چنین تسلطی میرسد؟
یافتن پاسخ این پرسش برای هر دو حوزه هوش مصنوعی و علوم شناختی حیاتی است. در یک دهه گذشته، مدلهای زبانی عمدتاً با بزرگتر شدن، عملکرد بهتری پیدا کردهاند. مدل متنباز مِتا یعنی لاما ۳.۱ (Llama 3.1)، در مرحله پیشآموزش خود ۱۵ تریلیون توکن را پردازش کرده است. با این حال، منابع اینترنتی محدود هستند و شاید تا دهه ۲۰۳۰ میلادی، چاه دادههای آموزشی خشک شود. در مقابل، کودکان نشان میدهند که میتوان با دادههای بسیار کمتر، به نتایج خیرهکنندهای رسید. یک کودک پیشدبستانی در یک خانه غنی از نظر زبانی، ممکن است حدود ۱۰۰ میلیون کلمه بشنود که با احتساب سوادآموزی تا سن ۲۰ سالگی به ۳۰۰ میلیون کلمه میرسد. این در حالی است که حجم متن مورد نیاز برای آموزش یک مدل مدرن، اگر روی کاغذ چاپ شود، تا ارتفاعی فراتر از ایستگاه فضایی بینالمللی بالا میرود.
دانشمندان امیدوارند با مهندسی معکوس نحوه یادگیری کودکان، مدلهای هوش مصنوعی با بهرهوری داده بیشتری خلق کنند که در حوزههایی مانند آموزش مؤثر هوش مصنوعی روی ویدیوها یا ساخت چتبات برای جوامع دارای زبانهای اقلیت کاربرد داشته باشد. دههها پیش، زبانشناس برجسته نوآم چامسکی (Noam Chomsky) نظریه گاورنر ذاتی کودکان را مطرح کرد؛ ایدهای که بر اساس آن کودکان با دانش سختافزاری دستور زبان متولد میشوند زیرا محرکهای محیطی برای یادگیری صرفاً آماری بسیار فقیر هستند. در مقابل، رویکرد هوش مصنوعی سالها بر پایه یادگیری آماری و شبکههای عصبی عمیق بنا شد تا اینکه معماری ترنسفورمر (Transformer) و مدلهایی مانند جیپتی-۲ (GPT-2) و بِرت (BERT) انقلابی در پردازش زبان طبیعی ایجاد کردند.
امروزه پروژههایی مانند مسابقه سالانه بیبیالام (BabyLM) با هدف آموزش مدلهای زبانی روی پیکرههای داده محدودِ در حد مقیاس کودکان (مثلاً ۱۰۰ میلیون کلمه) در حال تلاش برای رفع این نارساییها هستند. اگرچه مدلهای فعلی هنوز با مغز انسان فاصله زیادی دارند و کودکان برخلاف برنامههای نرمافزاری، جهان را از طریق حسهای بینایی و شنوایی خود تجربه میکنند، اما این تحقیقات گامی بزرگ به سوی درک مکانیزمهای یادگیری طبیعی است. برای بستن شکاف دادهها، پژوهشگران معتقدند ماشینها در آینده باید از طریق چشم و گوش کودکان شروع به یادگیری کنند تا شاید راز بزرگترین معمای یادگیری جهان کشف شود.