کلاد،چت جی پی تی یا جمینای؟مدل یک چیز نیست
متنِ این قسمت
پنج فصل است که یک کلمه را بیاحتیاط به کار بردهایم. گفتیم مدل کلمهی بعدی را حدس میزند، مدل نمیفهمد، مدل صدای اطمینان را یاد گرفته نه خودِ اطمینان را. در تمام این جملهها «مدل» را طوری گفتیم که انگار یک موجودِ واحد است.
تا اینجا این سادهسازی عمدی بود و بیضرر، چون هر چه گفتیم دربارهی همهشان به شکلِ یکسانی صادق است. چتجیپیتی (ChatGPT)، جمینای (Gemini)، کلاد (Claude) و بقیه، همه از یک منطق بیرون آمدهاند و هیچکدام این منطق را نقض نمیکنند. وقتی حرف سرِ مرزها بود، تفکیککردنشان فقط بحث را شلوغ میکرد.
از این فصل به بعد وضع فرق میکند، چرا که قرار است با این ابزار که تا الان به آن مدل میگفتیم چیزی بسازید، و ساختن با قضاوتکردن متفاوت است. برای قضاوت لازم بود بدانید این خانواده چه محدودیتی دارد؛ برای ساختن لازم است بدانید کدام عضوِ خانواده برای کارِ امشبِ شما ساخته شده. کسی که میخواهد یک مقالهی چهلصفحهای را بخواند با کسی که میخواهد یک پیامِ کوتاه برای بیمار بنویسد به یک ابزار مشابه احتیاج ندارد.
اما اول باید انتظارتان را از این مقایسه تصحیح کنم. سؤالی که تقریباً همه میپرسند این است که کدام باهوشتر است. این سؤال جوابِ پایداری ندارد و ارزشِ وقتگذاشتن هم ندارد. جدولهای مقایسهای و امتیازهایی که هر چند ماه در اینترنت میچرخد، تا وقتی این متن را بخوانید چند بار عوض شدهاند. مهمتر اینکه آن امتیازها روی آزمونهایی گرفته میشوند که هیچ ربطی به کارِ شما ندارند. مدلی که در حلِ مسئلهی ریاضی یا نوشتنِ کد یک پله بالاتر است، لزوماً مقالهی پریو را بهتر برایتان خلاصه نمیکند. چیزی که پایدار است و به دردتان میخورد، تفاوت در جنسِ کار است، نه در رتبه.
در ادامه اسم هم میبرم، چون بدونِ مصداق این حرفها به کارِ کسی نمیآید. ولی یک قید را همینجا بگویم و دیگر تکرارش نکنم: هر چه با اسم میگویم مربوط به روزی است که این متن نوشته شد. این شرکتها هر چند هفته چیزی اضافه میکنند و از هم کپی میکنند، و امتیازی که امروز مالِ یکی است شش ماه دیگر ممکن است مالِ همه باشد. پس اسمها را بهعنوان نمونه بخوانید، نه بهعنوان حکم. آنچه دیرتر عوض میشود، خودِ دستهبندی است: اینکه اصلاً باید دنبالِ چه چیزهایی بگردید.
سه تفاوت واقعاً به کارِ شما میآید.
اول: ورودی مدل به چه شکل و فرمتی است، یعنی چه چیزی را میتواند بگیرد
بعضی مدلها فقط متن میگیرند، بعضی تصویر هم میبینند، بعضی فایل را مستقیم میخوانند، و بعضی صدا و ویدیو را هم میگیرند. به مدلی که چند نوع ورودی را با هم میفهمد مالتیمودال (multimodal) میگویند و این کلمه را زیاد خواهید دید.
جمینای از این جهت جلوتر بوده و از ابتدا طوری ساخته شد که صدا و تصویر و ویدیو را مثلِ متن ببیند، نه اینکه بعداً چیزی به آن وصل کنند. یعنی میتوانید فایلِ صوتیِ یک سخنرانی یا وبینار را بدهید و بخواهید نکاتش را دربیاورد، بیآنکه خودتان اول پیادهاش کنید. چتجیپیتی هم صدا را میگیرد و در تولیدِ تصویر و کارِ صوتیِ زنده اکوسیستمِ بزرگتری دارد. کلاد بیشتر روی متن و فایل تمرکز داشته است.
این تفاوت خیلی عملیتر از چیزی است که بهنظر میرسد. مثلاً اگر مدلی پیدیاف را درست نمیخواند، شما مجبورید متنِ مقاله را کپی کنید، و در آن کپیکردن جدولها به هم میریزند، شمارهی رفرنسها جابهجا میشوند و کپشنِ تصویرها وسطِ پاراگراف میافتد. بعد از مدل جواب میخواهید و جوابِ بدی میگیرید و خیال میکنید مدل ضعیف بوده، در حالی که چیزی که به دستش رسیده از اساس بههمریخته بود.
دوم: چقدر اطلاعات را میتواند یکجا نگه دارد
هر گفتوگو سقفی دارد. اسمِ فنیاش پنجرهی کانتکست (context window) است. تا آن سقف، مدل همهی چیزی را که دادهاید جلوی چشمش دارد؛ بعد از آن، اولِ گفتوگو شروع میکند به محوشدن.
برای یک سؤالِ کوتاه این سقف اصلاً به چشم نمیآید. برای وقتی که هفت مقاله دربارهی بقای ایمپلنت در بیمارِ دیابتی دادهاید و حالا میخواهید مدل بینشان مقایسه کند، این مسئله اهمیت زیادی پیدا میکند. مدلی که ظرفیتش پر شده، بدون اینکه به شما اطلاعی بدهد، مثلاً فقط از دو مقالهی اول استفاده میکند و مقایسهای تحویلتان میدهد که بهنظر میرسد سرِ هر هفت مقاله نوشته شده.
اینجا دو چیز را نباید یکی گرفت: بزرگیِ آن سقف، و اینکه مدل تا نزدیکِ سقف چقدر خوب کار میکند. جمینای بزرگترین سقف را تبلیغ میکند و کلاد بیشتر به این معروف شده که در متنِ طولانی نخِ بحث را از دست نمیدهد. ولی هیچکدامشان در عمل به شما هشدار نمیدهند که «از اینجا به بعد دیگر اولِ گفتوگو یادم نیست». در فصل ۵ گفتیم مدل تردیدش را به شما نشان نمیدهد؛ فراموشیاش را هم نشان نمیدهد. نمیگوید چیزی از دستم رفته، فقط با همان لحنِ مطمئنِ همیشگی از روی آنچه برایش باقی مانده جواب میدهد. این موضوع آنقدر مهم است که قسمتِ آخرِ همین فصل کاملاً به آن اختصاص دارد.
سوم: فقط جواب میدهد، یا کار هم میکند
مدلِ معمولی متن تولید میکند و تمام. شما سؤال میپرسید، او از چیزی که در خودش دارد جوابی مینویسد، و بعد خروجیاش را برمیدارید و جایی میبرید. تمامِ کاری که کرده نوشتن است.
چیزی که این روزها به آن ایجنت (agent) میگویند همان مدل است، منتها اجازه دارد بین سؤالِ شما و جوابِ نهایی چند کارِ واقعی هم انجام بدهد. مثالِ سادهاش این است: از مدلِ معمولی میپرسید تازهترین شواهد دربارهی ماندگاریِ ونیرهای کامپوزیتی چیست، و او از حافظهاش جوابی مینویسد که ممکن است سه سال قدیمی باشد یا رفرنسش اصلاً وجود نداشته باشد. همان سؤال را از ایجنت میپرسید و او واقعاً میرود جستجو میکند، چند صفحه را باز میکند و میخواند، میبیند نتیجهی اول به دردش نمیخورد، با عبارتِ دیگری دوباره جستجو میکند، و آخرش با چیزی برمیگردد که همین حالا جایی وجود دارد.
پس تفاوت در هوش نیست، در دامنهی اختیار است. ایجنت اجازه دارد ابزار بردارد: جستجو کند، فایل بسازد، چیزی را باز کند و بخواند، کدی را اجرا کند. و مهمتر از خودِ ابزارها، اجازه دارد بین این کارها خودش تصمیم بگیرد که قدمِ بعدی چیست. شما یک بار درخواست میدهید و او چند قدم برمیدارد.
دو نکته را از همینجا داشته باشید، چون هر دو در ادامه به کارتان میآید. اول اینکه اکثرِ آن قدمها را نمیبینید یا سرسری از جلوی چشمتان رد میشود؛ یعنی همان نقشِ ناظری که پنج فصل رویش تأکید کردیم اینجا سختتر میشود، نه آسانتر.
دوم اینکه ایجنت آنجا بهترین کارش را میکند که بتواند کارِ خودش را راستیآزمایی کند. کدنویسی بهترین مثال است: مدل کدی مینویسد، اجرایش میکند، ارور میگیرد، میبیند کجا خراب بوده، برمیگردد اصلاحش میکند و دوباره اجرا میکند. این حلقه واقعاً کار میکند و تماشایش هم جالب است. ولی دقت کنید چه چیزی این حلقه را ممکن کرده: کد یا اجرا میشود یا نمیشود، و این جواب از بیرونِ مدل میآید، نه از قضاوتِ خودش دربارهی خودش.
برای مطلبِ علمی چنین چیزی وجود ندارد. مدل نمیتواند جملهای را که دربارهی دوز یا پروگنوز نوشته «اجرا» کند و ببیند ارور میدهد یا نه. هیچ معیاری نیست که به او بگوید این را غلط نوشتی. پس آن رفتارِ جالبی که در کد دیدهاید به این حوزه منتقل نمیشود، هرچند اعتمادی که از تماشایش در شما ایجاد شده معمولاً منتقل میشود. سرِ فرصت در فصلِ بعد سراغِ همین میرویم.
ضمناً هر سه شرکت الان چنین چیزی دارند و اسمهایشان مدام عوض میشود، پس دنبالِ اسم نگردید؛ دنبالِ این بگردید که مدل اجازه دارد بین سؤال و جواب چند قدم بردارد یا نه.
و یک تفاوتِ چهارم که در ظاهرِ برنامه میبینید
بعضی مدلها حالتی دارند که به آن «فکرکردن» یا استدلال (reasoning) میگویند و در آن حالت جواب دیرتر میآید. کاری که در آن فاصله انجام میشود این است که مدل قبل از جوابِ نهایی، متنِ میانیِ بیشتری برای خودش تولید میکند و مسئله را در چند قدم جلو میبرد. این برای کارهایی که چند مرحله دارند واقعاً بهتر جواب میدهد، مثلاً وقتی میخواهید دو پروتکلِ درمانی را از چند جهت با هم بسنجید.
ولی اسمش شما را گمراه نکند. آن متنِ میانی هم از همان جنسِ محتملبودن بیرون آمده است. مدل بیشتر فکر نمیکند، بیشتر نمیفهمد، صرفاً بیشتر مینویسد. مسیرِ رسیدن به جوابِ غلط طولانیتر و منظمتر میشود، و متأسفانه قانعکنندهتر هم میشود.
مدلِ مخصوصِ دندانپزشکی وجود دارد؟
این را تقریباً هر دندانپزشکی زود میپرسد. آن دستیارهای آمادهای که اسمِ تخصصی روی خودشان دارند، در اکثرِ موارد همان مدلهای عمومیاند که یک نفر برایشان یک پرامپتِ ثابت نوشته است. پرامپت (prompt) همان متنی است که به مدل میدهید؛ هر چیزی که در آن چتباکس تایپ میکنید یک پرامپت است، و فصل ۴ تماماً دربارهی خوبنوشتنش بود. اینجا فرقش این است که آن متن را شما نمینویسید: پشتِ صحنه، قبل از هر سؤالِ شما، به مدل داده میشود و به او میگوید چطور رفتار کند. بعضیشان مجموعهای از منابع هم همراهشان است، که آن دیگر حسابش جداست و موضوعِ قسمتِ بعد است. ولی خودِ آن پوسته دانشی اضافه نمیکند.
این دقیقاً همان چیزی است که در فصل ۴ دربارهی نقشدادن گفتیم: نقش لحن و زاویهی نگاه را عوض میکند، پشتوانه را نه. یک پوستهی آماده هم همان نقشدادن است، فقط اینبار کسِ دیگری آن پرامپت را نوشته و شما نمیبینید چه نوشته. یعنی حتی نمیدانید چه محدودیتی برایش گذاشتهاند و چه چیزی از او خواستهاند.
پس عملاً کدام را انتخاب کنم؟
بین دو سه مدلِ اصلی، هر کدام را که دستتان راحتتر است انتخاب کنید و همان را جدی یاد بگیرید. آشناییِ عمیق با یک ابزار از پرش بین چهار ابزار بیشتر به کارتان میآید. اگر بخواهم همان مثالهای بالا را جمع کنم: برای کار با فایلِ صوتی و متنهای خیلی طولانی جمینای، برای نوشتن و کار با متنِ علمی کلاد، برای وقتی که بیشترین امکاناتِ جانبی را یکجا میخواهید چتجیپیتی. ولی این تقسیمبندی هر سال جابهجا میشود و ارزشش را ندارد که سرش وسواس به خرج بدهید.
شاید بپرسید خودم چه میکنم. من دو تا را کنارِ هم نگه داشتهام: کلاد برای مقاله و کدنویسی، جمینای برای کارهای روزمره. کلاد را برای مقاله انتخاب کردهام چون کارم با متنهای بلند است و همان مسئلهی پنجرهی کانتکست که بالاتر گفتم برایم تعیینکننده بود. و بینِ چتجیپیتی و جمینای، جمینای را برداشتم دقیقاً به این دلیل که چتجیپیتی با کلاد همپوشانی بیشتری داشت؛ وقتی قرار است دو ابزار داشته باشید، منطقی است دو تایی را انتخاب کنید که همدیگر را پوشش ندهند، نه دو تایی که هر دو یک کار را خوب انجام میدهند. این ترکیب برای کارِ من جواب داده، نه اینکه فرمولِ درستِ همه باشد.
و همینجا یک نکته را از حالا بدانید، چون در ادامهی همین فصل روشهایی میآید که به بیش از یک مدل احتیاج دارند: داشتنِ دسترسی به دو مدلِ متفاوت، حتی نسخهی رایگانشان، از داشتنِ نسخهی گرانترِ یکیشان به کارِ شما بیشتر میآید.
و مهمتر از همهی اینها، چیزی که با هیچ انتخابِ درستی حل نمیشود: مدلِ عمومی، هر کدامشان که باشد، جهانِ خودش را دارد و منابعِ شما در آن جهان نیست. آن مقالهای که هفتهی پیش خواندید، آن پروتکلی که در مطبتان جا افتاده، آن پروندههایی که سالِ گذشته جمع کردهاید، هیچکدام برای مدل وجود ندارند مگر اینکه خودتان جلوی چشمش بگذارید.
تا وقتی سوالتان از حافظهی مدل است،در همان زمینی بازی میکنید که پنج فصل گفتیم زمینِ لغزندهای است. قدمِ اول برای ساختنِ چیزی که بشود به آن تکیه کرد این است که مدل را از آن جهان بیرون بیاورید و وارد دنیایی کنید که خودتان انتخاب کردید