پادکست طبقه 16، پریناز سبحانی، هوش مصنوعی – 172

پریناز سبحانی از اون آدم‌های خیلی خاص تو دنیای هوش مصنوعیه که وقتی داستان حرفه‌ای‌شو می‌شنوی، واقعاً تحت تأثیر قرار می‌گیری. الان مدیر ارشد هوش مصنوعی در شرکت سرمایه‌گذاری ساگارده؛ یه شرکت بزرگ بین‌المللی با بیش از ۲۵ میلیارد دلار دارایی که داره حسابی روی آینده سرمایه‌گذاری با کمک هوش مصنوعی تمرکز می‌کنه. پریناز دکترای هوش مصنوعی داره از دانشگاه اتاوا و تو این سال‌ها، هم تو دانشگاه و هم صنعت، حسابی تجربه جمع کرده، مخصوصاً تو حوزه‌هایی مثل پردازش زبان طبیعی و یادگیری عمیق. جالبه بدونی که قبل‌تر تو مایکروسافت ریسرچ و شورای ملی تحقیقات کانادا هم کار کرده و روی پروژه‌هایی مثل ترجمه ماشینی و مدل‌های یادگیری عمیق برای پردازش متن کار کرده.

پریناز سبحانی از دوران دبیرستان در ایران با برنامه‌نویسی آشنا شده و این آشنایی مسیر زندگی‌اش را تغییر داده است. او پس از تحصیل در دانشگاه اصفهان و سپس در گرایش هوش مصنوعی دانشگاه شریف، برای دکتری به کانادا مهاجرت کرده و در تورنتو ساکن شده است. او تمرکز خود را از ابتدا روی مسائلی گذاشته که پیچیدگی‌های زبانی و درک انسانی دارند. به باور او، درک زبان انسانی از سخت‌ترین مسائل هوش مصنوعی است، چون زبان در کنار مغز انسان تکامل یافته و بسیار پیچیده است. در اوایل کار، تفاوت‌های واضحی بین رویکردهای زبانی (linguistics-based) و یادگیری ماشینی (machine learning-based) وجود داشته. با گذر زمان، مدل‌های یادگیری عمیق (deep learning) بدون نیاز به دانش زبانی خاص موفق شدند مسائل زبانی را بهتر حل کنند.

پریناز سبحانی توضیح می‌دهد که توسعه ChatGPT نتیجه‌ سال‌ها تلاش تدریجی بوده؛ از دیجیتال‌سازی عظیم داده‌ها تا پیشرفت در سخت‌افزار (GPU) و الگوریتم‌های مؤثر مانند ترنسفورمرها. یکی از نوآوری‌های کلیدی، استفاده از یادگیری تقویتی (Reinforcement Learning) برای آموزش مدل‌هاست، مخصوصاً در فاز «alignment» که پاسخ‌ها بر اساس بازخورد کاربران بهبود می‌یابند.

او تأکید دارد که مدل‌های زبانی بزرگ همه‌کاره نیستند. برای مثال، در مسائل پیش‌بینی زمان‌محور (مانند بازار بورس) یا بهینه‌سازی پیچیده، استفاده از LLM مناسب نیست. او اشاره می‌کند که بسیاری از مسائل هنوز نیاز به روش‌های دیگر مانند برنامه‌ریزی نمادین (symbolic AI)، بهینه‌سازی ریاضی، و مدل‌سازی محدودیت دارند.

وی مخالفت خود را با دیدگاه بلک‌باکس بودن مدل‌ها بیان می‌کند. او معتقد است که اگرچه درک فرایندهای درونی مدل‌ها برای انسان دشوار است، اما با ابزارهای مناسب می‌توان رفتارشان را تحلیل کرد. همچنین، انسان‌ها خودشان هم همیشه دلایل تصمیم‌گیری‌هایشان را دقیق نمی‌دانند (post-hoc explanation). یکی از چالش‌های فعلی، ارتقای توانایی مدل‌ها در استدلال (reasoning) چندلایه است. پروژه‌هایی مانند DeepSeek سعی می‌کنند مدل‌ها را آموزش دهند تا مسائل را به مراحل کوچک‌تر بشکنند و گام‌به‌گام حل کنند، دقیقاً مانند انسان.

به باور او، آینده هوش مصنوعی در ترکیب تکنیک‌ها و رویکردهای مختلف است؛ از یادگیری تقویتی گرفته تا بهینه‌سازی، مدل‌سازی نمادین، و ترکیب این‌ها در محیط‌های واقعی و مجازی. همچنین او اشاره می‌کند که شرکت‌هایی مثل انویدیا حتی از AI برای طراحی تراشه‌های جدید استفاده می‌کنند، که منجر به جهش‌های مهندسی شده است.