هوش مصنوعی زبان جدیدی اختراع کرد

سامانه هوش مصنوعی کانلنگ‌کرافتر  (ConlangCrafter) موفق شد زبان هایی جدید و منحصر به فرد از نظر قواعد و دستورالعمل های سازگار تولید کند. این سامانه با بهره‌گیری از یک راهکار گام‌به‌گام، بخش عمده تولید زبان را خود بر عهده می‌گیرد و نیاز به تخصص زبانی انسان در هر مرحله را کاهش می‌دهد.

به گزارش سیناپرس، هوش مصنوعی توانست بدون کمک انسان یک زبان جدید با کلیه قواعد نگارشی و دستوری ایجاد کند. بر اساس معیار تنوع ساختاری، شانزده‌ویژگی زبان‌های تولیدشده توسط این سامانه تنوع بیشتری نسبت به نمونه‌ای از هزار و هشتصد و هفتاد و چهار زبان طبیعی واقعی برگرفته از پایگاه داده اطلس جهانی ساختارهای زبانی (World Atlas of Language Structures) نشان دادند.

این امر حاکی از آن است که سامانه به‌راستی طیف گسترده‌ای از امکانات زبانی را کاوش کرده و  ارزیابی‌های خودکار که دارای استانداردهای داوران انسانی متخصص بود، نشان دادند کانلنگ‌کرافتر در هر دو زمینه تنوع و سازگاری درونی از رویکرد ساده‌تر تک‌مرحله‌ای هوش مصنوعی پیشی گرفته است.

تجربه انسانی پیشین و در دوران قبل از هوش مصنوعی نشان داد ساخت زبان‌هایی جدید مانند کلینگون (Klingon) و الفی (Elvish) سال‌ها و گاه دهه‌ها زمان نیاز دارد.  هوش مصنوعی اما به سادگی می‌تواند بنیان‌های یک زبان جدید شامل نظام آوایی، قواعد دستوری و واژگان خاص خود را در یک جلسه طراحی کند. این سامانه که کانلنگ کرافتر نام دارد، صرفا واژه‌های بی‌معنی با ظاهر خارجی تولید نمی‌کند، بلکه زبان‌هایی می‌سازد که قرار است قواعد درونی خود را رعایت کنند، همان‌گونه که زبان‌های واقعی عمل می‌کنند. هرچند پژوهشگران دریافتند که حفظ سازگاری کامل این قواعد همچنان چالش‌برانگیز است.

گفتنی است ساخت زبان جدید که در میان علاقه‌مندان به «کانلنگ» (conlang) یا زبان ساختگی معروف است، این عمل همواره کاری پرزحمت و نیازمند تخصص عمیق بوده است. تالکین دهه‌ها برای ساخت الفی در دنیای خیالی خود وقت گذاشت. سازندگان بازی تاج و تخت زبان‌شناس حرفه‌ای استخدام کردند تا زبان دوثراکی (Dothraki) را بیافرینند. اختراع زبان اسپرانتو (Esperanto) نیز سال‌ها کار فلسفی و زبانی دقیق طلبید.

در این میان اما هوش مصنوعی کانلنگ کرافتر که توسط تیمی بین المللی از دانشگاه کارنگی ملون (Carnegie Mellon University) و دانشگاه کالیفرنیا برکلی (UC Berkeley) توسعه یافته و در نشست سال ۲۰۲۶ انجمن زبان‌شناسی محاسباتی ارائه و در مجموعه مقالات آن منتشر شده، قصد دارد کل این فرایند را به ماشین بسپارد یا دست‌کم آغاز جدی برای علاقه‌مندان فراهم آورد.

آنچه این سامانه را متمایز می‌کند، رویکرد لایه‌به‌لایه آن است. به‌جای درخواست از هوش مصنوعی برای اختراع یک‌باره کل زبان که به نتایج تکراری و کسل‌کننده می‌انجامد، کانلنگ کرافتر کار را به لایه‌های مجزایی تقسیم کرده، هر بخش را گام‌به‌گام می‌سازد و کار خود را در طول مسیر بررسی می‌کند. هسته اصلی این بینش آن است که زبان لایه‌های متمایزی دارد که به ترتیب خاصی به یکدیگر وابسته‌اند.

نخست آواها دقیقا بررسی شده و مشخص می شود که کدام صامت‌ها و مصوت‌ها به‌کار می‌روند و چگونه ترکیب می‌شوند؟ سپس قواعد دستوریتعیین می کند ترتیب جملات چگونه است، افعال چگونه تغییر می‌کنند تا فاعل و مفعول را نشان دهند و مالکیت یا زمان چگونه بیان می‌شود؟ تنها پس از این بنیان‌هاست که واژگان واقعی ابداع می‌شود. در هر مرحله، هوش مصنوعی توصیف آن لایه را تولید ، کار خود را از نظر تناقض بررسی و پیش از ادامه اصلاح می‌نماید.

در ادامه پژوهشگران سامانه را با چند مدل پیشرو از جمله دیپ‌سیک-آر۱ (DeepSeek-R1) و دو نسخه از جمینای ۲.۵ (Gemini ۲.۵) آزمودند. این حلقه خودبازبینی اهمیت زیادی دارد، زیرا سامانه در حال اختراع قواعد است و تناقض‌های کوچک می‌توانند به مشکلات بزرگ‌تر تبدیل شوند.

یکی از دشوارترین بخش‌های این پژوهش، یافتن روش ارزیابی نتایج بود زیرا نتیجه گیری در مورد میزان موفقیت برای یک زبان ساختگی مشخص نبوده و  پاسخ واحدی وجود ندارد. برای این منظور، تیم پژوهشی سامانه ارزیابی جدیدی طراحی و  برای سنجش تنوع، از پایگاه اطلس جهانی ساختارهای زبانی استفاده شد که تفاوت‌های زبان‌های طبیعی را در ویژگی‌های کلیدی فهرست می‌کند. برای این هدف، شانزده ویژگی انتخاب و داور هوش مصنوعی زبان‌های تولیدشده را با همان فهرست تحلیل کرد.

لازم به ذکر است که پژوهشگران تأکید می‌کنند کانلنگ کرافتر نقطه آغاز یک مسیر جدید است نه محصول نهایی. زبان‌های تولیدشده توسط هوش مصنوعی تنها مبانی آوایی، ساختار دستوری و فهرست واژگان را پوشش می‌دهند و ظرافت‌های معنایی، جریان گفتگو و نظام نوشتاری را کنار گذاشته و توصیف‌های واژگان و دستور نیز کوتاه‌تر از منابع واقعی زبان هستند، زیرا مدل‌های زیربنایی محدودیت حجم متنی دارند و این موضوع نشان می دهد هنوز زبان های ساخته شده توسط بشر که ماحصل قرن ها استمرار در استفاده و اصلاح هستند، به مراتب کارایی بیشتری از زبان های هوش مصنوعی دارند.

از سوی دیگر نگرانی‌هایی نیز درباره سوگیری هوش مصنوعی وجود دارد زیرا مدل‌های بزرگ زبانی عمدتاً از متن زبان‌های پرکاربرد مانند انگلیسی می‌آموزند که ممکن است حتی با تلاش برای تنوع، زبان‌های تولیدشده را به‌سوی الگوهای آشنا سوق دهد. پژوهشگران هشدار می‌دهند تولید محتوای زبانی خیالی نباید توجه و منابع پژوهشی را از کار فوری مستندسازی زبان‌های در خطر واقعی که جوامع زنده امروز به آن‌ها سخن می‌گویند، منحرف کند.

مترجم: نیروانا محمدحسینی