خب بیا با هم یه خورده درباره پرامپت‌ها حرف بزنیم! همون چیزایی که وقتی با چت‌بات‌ها یا هوش مصنوعی‌هایی مثل ChatGPT سر و کله می‌زنیم، بهشون می‌دیم و منتظر جواب می‌مونیم. این مقاله‌ای که می‌خوام برات تعریفش کنم، یه جور نگاه فلسفی و جالب به این موضوع داره. خیلی رسمی و خشک نیست؛ مثلاً نمی‌گه فقط پرامپت یعنی اون متنی که به ماشین می‌دیم، بلکه میگه قضیه کلی پیچیده‌تر و قشنگ‌تره!
تو این مقاله نویسنده از یه مدل معروف به اسم مدل نشانه‌شناسی پیرس حرف زده. نشانه‌شناسی یعنی همون علم بررسی نشونه‌ها و اینکه چطور ما آدم‌ها یا حتی ماشین‌ها از طریق نمادها یا علامت‌ها، بهم پیام می‌دیم و معنا رو می‌سازیم. پیرس یه فیلسوف و منطقی‌دان آمریکایی بوده که برای تئوری نشونه‌شناسی سه تا بخش اساسی تعریف می‌کنه: نشانه (یا علامت)، شیء، و تفسیرکننده. تو مدل اون، اینا با همدیگه بازی می‌کنن تا معنی ساخته بشه.
حالا قضیه جالب وقتی شروع میشه که نویسنده میگه: پرامپت دادن به هوش مصنوعی درواقع یه جور فرایند ارتباطی و نشونه‌ایه. یعنی فقط یه دستور ساده نیست؛ هر دفعه که یه سؤال، درخواست یا جمله به مدل زبانی (مثلاً همین LLMها که مدل‌های زبونی بزرگ هستن) می‌دیم، مثل این می‌مونه که وارد یه گفت‌وگو یا حتی همفکری می‌شیم. اصلاً داریم معنایی جدید می‌سازیم.
اینجا دیگه بحث فقط روی پرامپت (input) و جواب (output) نمی‌چرخه. بلکه پرامپت مثل یه نشونه عمل می‌کنه که مدل هوش مصنوعی اونو تفسیر می‌کنه و بر اساس دیالوگ، دوباره غنی‌تر میشه. به این روند توی نشانه‌شناسی، ساخت «interpretant» می‌گن، یعنی همون برداشت یا معنایی که طرف مقابل (این‌دفعه ماشین!) از نشونه به ذهنش می‌رسونه.
نویسنده مقاله اومده انواع نشونه‌هایی که پیرس گفته رو هم وارد بحث کرده. مثلاً:
- Qualisign: یعنی نشونه‌هایی که کیفیت دارن، مثلاً یه لحن یا حس خاص.
- Sinsign: یه نشونه‌ای که تو یه موقعیت خاص واقعی اتفاق می‌افته.
- Legisign: نشونه‌هایی که طبق یک قانون یا قرار درست شدن.
بعد اینا خودشون تقسیم می‌شن به آیکن (یعنی چیزی که شبیهه به معنی خودش، مثل یه عکس)، ایندکس (که با موضوعش رابطه علت و معلولی یا نشانه‌ای داره، مثل دود که نشون‌دهنده آتیش باشه) و سیمبل (که دلبخواهی و قراردادیه، مثل کلمه “گربه” که فقط چون قرار گذاشتیم معنی cat می‌ده!).
یه بخش دیگه ماجرا داستان Dynacom model یا مدل داینامیک ارتباطاته، که اومده نقش تعامل و تاثیر متقابل رو تو ساخت معنا پررنگ‌تر نشون داده. اینم یعنی تو تعامل با LLM فقط ما یه سؤال نمی‌پرسیم و تموم بشه؛ هر بار که باهاش صحبت می‌کنیم، مدل هم جواب ما رو می‌گیره و با هر دیالوگ معانی جدید ساخته میشه و دیدگاه‌ها گسترده‌تر می‌شن.
پس از نظر این مقاله، وقتی پرامپت می‌دیم به یه مدل زبانی، داریم تو یه بازی مشترک برای ساخت معنا شرکت می‌کنیم. مدل هوش مصنوعی هم مثل یه منبع نشانه‌ای عمل می‌کنه که با تفسیر پرامپت‌ها، جواب‌هایی می‌ده که تو فرآیند ارتباطی معنادار می‌شن.
در نهایت، نتیجه‌ای که نویسنده گرفته اینه که باید پرامپت دادن رو نه فقط به عنوان یه فنی، بلکه به عنوان یه فرآیند ارتباطی، شناختن دانش، جستجو و حتی همفکری دونست. اونم تو این دوره‌ای که هوش مصنوعی و محاسبات، دنیای نشونه‌ها و ساخت معنا رو وارد یه عصر جدید کردن. این نگاه باعث میشه کلِ قضیه اطلاعات و سازماندهی دانش رو یه جور دیگه ببینیم و حتی روش‌های جدیدتری برای جستجو، یادگیری یا ساخت معنا پیدا کنیم.
خلاصه، مقاله می‌خواد بگه: دفعه بعد که داری یه پرامپت به هوش مصنوعی می‌دی، یادت باشه که داری باهاش نه فقط حرف می‌زنی، بلکه یه معنای جدید رو با هم می‌سازین! همین.
منبع: +
