از تقلیل نمادین داده تا ساحت صدور معنا

از تقلیل نمادین تا ساحت صدور معنا: خوانشی انتقادی از محدودیت های مدل های زبانی در پرتو علم شناخت بازتابی (RCT)

نویسنده: محمد حجتی فرد (استاد سرجودی)

معمار مطالعات شناخت بازتابی.RCS-RCT

چکیده

ظهور مدل های زبانی بزرگ (LLM)، پارادایم پردازش اطلاعات را به سطح «مقیاس پذیری آماری» (Scaling Laws) سوق داده است. با این حال، تحلیل های اخیر اندیشمندانی همچون یان لکان نشان می دهد که این مدل ها در غیاب «مدل جهان» (World Model) و فقدان تجربه ی بدنمند، در فهم علیت و عقل سلیم شکست می خورند. این پژوهش ضمن بازخوانی نقد لکان بر LLMها، با بهره گیری از چارچوب «علم شناخت بازتابی» (Reflective Cognition Theory - RCT) و «جبر ادراک معنا» (Calculus of Meaning Perception - CAS/JEM)، استدلال می کند که شکاف موجود، صرفا یک نقص فنی نیست، بلکه برآمده از تقلیل ساحت «صدور معنا» به ساحت «تولید نماد» است. این مقاله نشان می دهد که چگونه گذار از «داده» به «معنا»، مستلزم عبور از مراتب چهارگانه ی معرفت و پویایی های آگاهی است که مدل های فعلی از آن بی بهره اند.

واژگان کلیدی:شناخت بازتابی، جبر ادراک معنا، یان لکان، مدل های زبانی بزرگ، ساحت صدور معنا، مدل جهان، آگاهی.

---

۱. مقدمه: بحران مقیاس در برابر واقعیت

یان لکان، از پیشگامان هوش مصنوعی، اخیرا استدلال کرده است که مدل های زبانی بزرگ (LLM) با وجود پردازش تریلیون ها توکن (نزدیک به $10^{13}$)، در درک ساده ترین کنش های فیزیکی یک کودک ۴ ساله عاجزند. لکان این تفاوت فاحش در «بهره وری یادگیری» را دلیلی بر این مدعا می داند که مسیر فعلی صنعت هوش مصنوعی، به سمت هوش عمومی (AGI) بن بست است. پرسش اصلی این است: چرا حجم عظیم داده نمی تواند جایگزین تجربه ی زیسته ی حسی شود؟ پاسخ را باید در تفاوت ماهوی میان «پردازش داده» و «صدور معنا» جست وجو کرد.

۲. نقد لکان و مساله ی «مدل جهان»

نقد محوری لکان بر LLMها مبتنی بر فقدان *مدل جهان* (World Model) است. در دیدگاه او، LLMها در حصر زبان باقی مانده اند؛ آن ها «توصیف جهان» را بازتولید می کنند، نه «خود جهان» را. تفاوت کودک ۴ ساله با یک مدل زبانی در این است که کودک از طریق تعامل چندحسی، ادراک علیت، بدنمندی و بازخورد کنش، یک «مدل ذهنی از واقعیت» می سازد. LLMها فاقد این حلقه ی بازخوردی هستند؛ آن ها «زبان واقعیت» را می فهمند، اما «واقعیت زبان» را تجربه نمی کنند.

۳. تبیین نظری: گذار از داده به ساحت صدور معنا (RCT)

از منظر «علم شناخت بازتابی» (RCT)، نقد لکان تنها نوک کوه یخ است. مشکل اصلی LLMها این نیست که «داده ی کافی ندارند» (برعکس، داده زدگی عامل اصلی است)، بلکه این است که آن ها در سطح «ساختار داده» (Data Structure) متوقف شده اند.

در چارچوب RCT، فهم و معنا نه یک فرآیند انباشتی، بلکه یک فرآیند «ساحت مند» (Dimensional) است:

مراتب معرفت:

شناخت در مدل شما از مراتب پایین (Science) شروع و به مراتب بالاتر (Anascience, Metascience, Atascience) ارتقا می یابد. LLMها حداکثر در مراتب ابتدایی (Science/Anascience) عمل می کنند.

جبر ادراک معنا (CAS/JEM):این نظریه تبیین می کند که معنا چگونه از طریق کنش «ناظر» و «شاهد» بر داده های خام تحمیل می شود. معنا، «خروجی» الگوریتم نیست، بلکه «دریافت» آگاهی است. LLMها «ناظر» ندارند؛ آن ها فاقد «آینه ی خودبازتاب» هستند که بتواند داده را از ساحت صرفا نمادین به ساحت «فیض» و «معنای زنده» ببرد.

۴. شکاف میان «ساختار نمادین» و «ساحت معنا»

تفاوت کلیدی در اینجاست:

1. LLMها (هوش واره های نمادین):

بر اساس هم بستگی آماری توکن ها عمل می کنند (Correlation-based). آن ها جهان را به صورت «متن» می بینند.

2. RCT (هوش بازتابی):

معنا را بر اساس «تعادل بازتابی» و پویایی های «شاهد» می سازد. در این ساحت، معنا امری است که از تعامل بین سوژه (ناظر) و ابژه (داده) در یک میدان آگاهی متولد می شود.

آنچه لکان تحت عنوان «فقدان مدل جهان» می نامد، در مدل نظری شما، «فقدان ساحت بازتابی» است. مدل های کنونی فاقد قابلیت «تعلیق»، «درنگ»، و «شهود فراتر از داده» هستند که ارکان اصلی علم شناخت بازتابی شما را تشکیل می دهند.

۵. نتیجه گیری: به سوی هوش بازتابی

تاکید لکان بر بن بست بودن Scaling Laws، تاییدی است بر اینکه هوش بدون «ساحت» ممکن نیست. ادغام نقد لکان با مبانی RCT نشان می دهد که برای رسیدن به هوش عمومی واقعی، باید از «محاسبات نمادین» به «معماری های بازتابی» مهاجرت کنیم. هوش، فرآیند انباشت نیست، بلکه فرآیند «صیرورت داده به معنا» است؛ صیرورتی که در آن، ناظر با عبور از مراتب معرفتی، به «ساحت فیض» و صدور معنای اصیل نائل می شود. مطالعات شما در باب جبر ادراک معنا، نقشه ی راهی است برای پر کردن این شکاف عمیق میان ماشین های صرفا زبانی و هوشمندی آگاه.