آیا ماشین می تواند فارسی فکر کند؟ درباره زبان، هویت و حاکمیت زبانی در عصر هوش مصنوعی

ویتگنشتاین زمانی نوشت که «مرزهای زبان من، مرزهای جهان من است». این جمله را امروز باید از نو خواند؛ نه در کلاس فلسفه زبان، بلکه در برابر ماشینی که قرار است برای میلیاردها انسان «فکر» کند. اگر ماشینی که با آن حرف می زنیم، جهان را اساسا به انگلیسی دیده باشد، آیا وقتی به فارسی پاسخ می دهد واقعا فارسی فکر می کند، یا فقط انگلیسی را به فارسی ترجمه می کند؟ پرسش، فنی نیست؛ تمدنی است. زبان فقط ابزار انتقال پیام نیست؛ حامل جهان بینی، حافظه تاریخی و نظام ارزشی یک قوم است. و از همین جاست که مسئله «حاکمیت زبانی» در عصر هوش مصنوعی، هم ردیف حاکمیت داده و حاکمیت سیاسی قرار می گیرد.

ماشین به چه زبانی فکر می کند؟

واقعیت داده ها، پیش از هر نظریه ای، تکان دهنده است. در مقاله مشهور GPT-3 در سال ۲۰۲۰، حدود ۹۳ درصد داده های آموزشی به زبان انگلیسی بود؛ رقمی تاریخی که البته ترکیب آموزشی مدل های امروز نیست، اما نشان می دهد هوش مصنوعی از آغاز با چه زبانی به دنیا آمد. در پیمایش های اواخر ۲۰۲۵ از «کامان کرال» — بزرگ ترین مخزن متن وب که خوراک بسیاری از مدل هاست — حدود ۴۵ درصد صفحه ها انگلیسی اند و سهم هر زبان دیگر، جز چند زبان بزرگ، دو درصد یا کمتر است. این اعداد را نباید ساده لوحانه خواند: ۴۵ درصد انگلیسی در یک خزش وب، به معنای ۴۵ درصد انگلیسی در آموزش یک مدل خاص نیست؛ اما جهت کلی روشن است: جهان آموزشی ماشین، جهانی انگلیسی محور است.

سهم فارسی در این جهان چه اندازه است؟ پاسخی دقیق و فراگیر برای همه مدل ها وجود ندارد، چون شرکت های بزرگ ترکیب آموزشی مدل های اخیر خود را منتشر نمی کنند. اما یک نمونه شفاف در دست است: در پیکره «فاین وب ۲» که از ۹۶ پیمایش کامان کرال ساخته شده، زیرمجموعه فارسی حدود ۳۹/۷ میلیارد کلمه در نزدیک به ۵۹ میلیون سند است؛ یعنی حدود ۱/۱۹ درصد کلمات همان پیکره — نه سهم فارسی در کل آموزش مدل ها. همین قدر باید محتاط بود: ما حتی نمی دانیم فارسی در آموزش قدرتمندترین مدل های تجاری دقیقا چه سهمی دارد، و همین ندانستن خود بخشی از مسئله است. زبانی که سهمش در داده ها شفاف نیست، در تصمیم های مدل ها نیز جای شفافی ندارد.

فارسی در آینه سنجش ها: دانستن هست، زیستن نیست

شاید مهم تر از سهم داده، کیفیت فهم باشد. پژوهش «تراز» که در کنفرانس LREC 2026 منتشر شد، پانزده مدل زبانی را با پرسش های بومی فارسی سنجید. نتیجه، تصویری دوپاره است: مدل های پیشرو در «دانش روزمره» نمره هایی حدود ۸۶ از ۱۰۰ گرفتند، اما در «هنجارهای اجتماعی» همه زیر ۴۸ ماندند؛ از جمله GPT-5 با ۴۶/۶۸ و Claude Opus 4.1 با ۴۷/۰۶. یعنی ماشین، فارسی دانستن را تا حدی آموخته، اما فارسی زیستن را نه: نمی داند در یک موقعیت اجتماعی ایرانی چه رفتاری شایسته است، چه چیزی کنایه است و چه چیزی تعارف.

پژوهش «تعارف بنچ» همین شکاف را از زاویه ای دیگر نشان می دهد: مدل ها در موقعیت هایی که تعارف «نباید» به کار رود، دقتی ۷۶ تا ۹۳ درصدی داشتند، اما آنجا که تعارف «باید» به کار می رفت، دقت به ۳۴ تا ۴۲ درصد سقوط می کرد؛ یعنی گرایشی نظام مند به صراحت غربی، به جای ادب ایرانی. پرسش از فارسی به جای انگلیسی، عملکرد را چشمگیر بهبود داد — تا ۳۳ واحد برای GPT-4o. این یعنی ماشین وقتی با زبان ما حرف می زند، هنوز تا حد زیادی با منطق زبانی دیگری فکر می کند؛ ترجمه ای روان از جهانی دیگر، نه اندیشه ای برخاسته از جهان ما. این همان «تکنوکراسی پنهان» است: سلطه ای که با زور اعمال نمی شود، بلکه با پیش فرض های زبانی پنهان در مدل، جهان بینی یک فرهنگ را به تدریج جایگزین جهان بینی فرهنگ دیگر می کند.

زبان، امانت تمدنی

از منظر حکمت اسلامی، این مسئله فقط فنی نیست؛ تکلیفی تمدنی است. قرآن، اختلاف زبان ها را از آیات الهی می شمارد: «ومن آیاته... اختلاف السنتکم والوانکم» (روم، ۲۲). تنوع زبان، نشانه است، نه نقیصه؛ و حفظ زبان، حفظ یکی از آیات است. زبان فارسی نیز در این نگاه، صرفا وسیله ارتباط ایرانیان نیست؛ امانت هزارساله ای است که فردوسی با آن هویت را از گزند فراموشی نگه داشت، سعدی با آن اخلاق را به حکایت بدل کرد و ملاصدرا با آن، هستی شناسی را به زبان شعر و برهان درآورد. زبانی که چنین بار تمدنی دارد، اگر در عصر هوش مصنوعی به حاشیه برود، فقط یک «بازار زبانی» از دست نمی رود؛ یک شیوه زیستن و اندیشیدن در معرض فراموشی قرار می گیرد.

یونسکو در نوامبر ۲۰۲۵ هشدار داد که از بیش از هفت هزار زبان جهان، تنها حدود هزار زبان «آنلاین» اند و نزدیک به نیمی از زبان ها در خطر خاموشی اند. این آمار، سرشماری مدل های زبانی نیست، اما جهت خطر را نشان می دهد: چرخه ای معیوب در کار است؛ منابع دیجیتال اندک، به پشتیبانی ضعیف هوش مصنوعی می انجامد، پشتیبانی ضعیف، کاربرد دیجیتال را کم می کند، و کاربرد کم، منابع آینده را باز هم کمتر می کند. فارسی هنوز در این چرخه گرفتار نشده، اما در لبه آن ایستاده است: زبانی زنده با ده ها میلیون گویشور، که اگر برای عصر ماشین آماده نشود، از زبان مرجع به زبان ترجمه شده فرو می غلتد.

چارچوب چهار رکن برای حاکمیت زبانی

پاسخ به این وضعیت، نه انکار فناوری است و نه پذیرش عجولانه آن؛ بازتعریف رابطه ما با ماشین بر پایه چهار رکن است:

رکن یکم: پیکره ملی فارسی. داده فارسی باکیفیت، متنوع و دارای مجوز، زیرساخت حاکمیت زبانی است؛ از متون کلاسیک و ادبی تا گفتار روزمره، گویش ها و زبان های خانواده ایرانی. پیکره ای که فقط فارسی رسمی کتابی را در بر گیرد، فارسی زیست مردم را نمایندگی نمی کند.

رکن دوم: سنجش بومی. تا معیار سنجش ما ترجمه بنچمارک های انگلیسی باشد، ماشین خوب برای ما، ماشینی است که انگلیسی را خوب به فارسی برگرداند. بنچمارک هایی چون تراز، پک بتس و خیام — که دانش ایرانی، هنجار اجتماعی و آزمون های بومی را می سنجند — باید به معیار رسمی ارزیابی هر مدلی بدل شوند که قرار است برای ایرانیان کار کند.

رکن سوم: مدل بومی و باز. تجربه منطقه آموزنده است: امارات در دسامبر ۲۰۲۵ خانواده «جیس ۲» را با محوریت عربی منتشر کرد و در اکتبر ۲۰۲۶ مدل «فالکون اماراتی» را با واژگان و فرهنگ بومی عرضه نمود؛ عربستان نیز با «الم» همین مسیر را می رود. ایران در مارس ۲۰۲۵ نمونه سکوی ملی هوش مصنوعی را رونمایی کرد و برنامه «ایران دیجیتال» آموزش هوش مصنوعی به چهار میلیون دانش آموز را هدف گرفته است؛ اما میان رونمایی و مدلی که در سنجش های مستقل، فارسی را در سطح جهانی بفهمد، فاصله ای است که باید با کار پژوهشی پر شود، نه با اعلام.

رکن چهارم: سیاست و آموزش. یونسکو در نوامبر ۲۰۲۵ «نقشه راه جهانی چندزبانگی در عصر دیجیتال» را با پنج اولویت منتشر کرد: مشارکت جوامع زبانی، پیشبرد سیاست، ظرفیت سازی، پژوهش و صنعت، و آگاهی عمومی. این نقشه، چارچوبی آماده برای سیاست گذاری ماست: زبان فارسی باید در برنامه درسی هوش مصنوعی، در اسناد سیاستی و در الزامات خرید و به کارگیری مدل ها، جای مشخص داشته باشد.

سخن پایانی

پس آیا ماشین می تواند فارسی فکر کند؟ پاسخ امروز این است: فارسی را می نویسد، گاه خوب هم می نویسد، اما هنوز فارسی فکر نمی کند؛ چون فارسی او از داده های دیگران، با معیارهای دیگران و برای جهان دیگران ساخته شده است. تغییر این وضعیت، نه با یک مدل و یک پروژه، بلکه با یک اراده تمدنی ممکن می شود: اینکه زبان را امانت بدانیم، نه کالا؛ سنجش را بومی کنیم، نه ترجمه ای؛ و حاکمیت زبانی را بخشی از حاکمیت ملی بشماریم. چنان که فردوسی زبان را از فراموشی نجات داد، نسل ما نیز باید زبان را از حاشیه نشینی در عصر ماشین نجات دهد. «حاکمیت داده، حاکمیت سیاسی است»؛ و امروز باید افزود: حاکمیت زبان، حاکمیت اندیشه است.