پرامپت مایوتیک؛ وقتی هوش مصنوعی هم دلیل موافق می‌آورد هم مخالف

فرض کن از هوش مصنوعی یک سؤال جدی می‌پرسی و پاسخ می‌گیری؛ چند دقیقه بعد همان سؤال را کمی جور دیگری می‌پرسی و این‌بار خلافِ قبل را می‌شنوی، آن هم با استدلالی که به‌ظاهر بی‌نقص است. این ناسازگاری، آفتِ بزرگِ استدلالِ ماشینی است. پرامپت مایوتیک تکنیکی است که همین نقطه‌ضعف را به فرصت تبدیل می‌کند: به‌جای پنهان‌کردن تناقض، عمداً آن را بیرون می‌کشد و مدل را وادار می‌کند تناقضِ خودش را حل کند.

گام ۱ — مایوتیک از کجا آمد و چیست؟

واژهٔ «مایوتیک» از یونانی می‌آید و به‌معنای «مامایی» است. سقراط می‌گفت خودش دانشی به کسی نمی‌دهد؛ فقط مثل یک ماما کمک می‌کند حقیقتی که در ذهن طرف نهفته است «زاده» شود، آن هم با زنجیره‌ای از پرسش و پاسخ. پژوهشگران هوش مصنوعی همین ایده را وام گرفتند: به‌جای اینکه از مدل یک پاسخِ نهاییِ سرراست بخواهیم، از او می‌خواهیم توضیح‌هایش را بسازد، آن توضیح‌ها را باز هم توضیح دهد، و از دلِ این گفت‌وگوی درونی به پاسخی برسد که با خودش سازگار است.

تفاوت کلیدی همین‌جاست: در روش‌های معمول، مدل یک مسیرِ فکری را جلو می‌برد و به نتیجه می‌رسد. در مایوتیک، مدل هم‌زمان مسیرِ «درست بودن» و مسیرِ «نادرست بودن» را می‌سازد و بعد قضاوت می‌کند کدام مسیر منطقاً پابرجاست. اگر با مبانی پرامپت‌نویسی تازه آشنا شده‌اید، پیشنهاد می‌کنیم اول پرامپت‌نویسی به زبان ساده را بخوانید تا این درس روان‌تر پیش برود.

مثال: «نقشِ یک منطق‌دان را بگیر. این گزاره را بررسی کن: «افزایش قیمت همیشه فروش را کم می‌کند.» ابتدا توضیح بده اگر این گزاره درست باشد، چه دلایلی آن را پشتیبانی می‌کند. سپس، جدا از آن، توضیح بده اگر نادرست باشد چه دلایلی آن را پشتیبانی می‌کند. هنوز نتیجه نگیر.»

گام ۲ — مشکلی که مایوتیک واقعاً حل می‌کند

مدل‌های زبانی روی پرسش‌های سخت یک عادتِ دردسرساز دارند: «تناقض‌گوییِ درونی». ممکن است در یک پاسخ بگویند فلان کار شدنی است و در پاسخِ بعدی، با همان اطمینان، بگویند شدنی نیست. مشکل این نیست که مدل «نمی‌داند»؛ مشکل این است که هر بار فقط یک طرفِ ماجرا را می‌بیند و طرفِ دیگر را نادیده می‌گیرد. نتیجه، اطمینانِ کاذب است.

مایوتیک این بازی را عوض می‌کند. با واداشتنِ مدل به ساختِ دلیل برای هر دو طرف، تناقض‌ها از حالت پنهان به حالت آشکار درمی‌آیند. حالا می‌شود آن‌ها را کنار هم گذاشت و پرسید: «کدام‌یک از این دلیل‌ها با بقیه جور درنمی‌آید؟» همین کارِ ساده، بخش بزرگی از خطاهای استدلالی را می‌گیرد. اگر می‌خواهید بدانید مرزِ واقعیِ توانایی و ناتواناییِ این مدل‌ها کجاست، راهنمای توان و محدودیت‌های هوش مصنوعی دید خوبی می‌دهد.

مثال: «برای این پرسش که «آیا برای یک استارتاپِ نوپا، استخدام زودهنگامِ نیروی فروش عاقلانه است؟» نخست سه دلیلِ محکم برای «بله» بیاور، سپس سه دلیلِ محکم برای «خیر». دلیل‌ها باید مستقل باشند، نه تکرارِ هم.»

گام ۳ — سه گامِ اجراییِ روش

پرامپت مایوتیک را می‌توان به سه گامِ ساده خلاصه کرد که پشت سر هم اجرا می‌شوند. گامِ نخست، «طرحِ دوگانه» است: از مدل بخواه هم برای ادعا و هم برای نقیضِ آن دلیل بسازد. گامِ دوم، «توضیحِ بازگشتی» است: برای هر دلیلِ مهم بپرس «چرا خودِ این دلیل درست است؟» تا به ریشه برسی. گامِ سوم، «حلِ تناقض» است: دو طرف را رودررو کن و پاسخی را نگه دار که زنجیره‌اش نمی‌شکند.

زیباییِ این ساختار در این است که هر گام روی گامِ قبل سوار می‌شود و مدل مجبور می‌شود کارش را نشان بدهد، نه اینکه فقط یک نتیجهٔ خام تحویل دهد. این «نشان‌دادنِ کار» همان چیزی است که در آموزش‌های چت‌جی‌پی‌تی بارها بر اهمیتش تأکید کرده‌ایم.

مثال: «سه گام را پشت هم اجرا کن. گام یک: برای پرسشِ من دو مجموعه دلیل بساز (موافق و مخالف). گام دو: زیرِ هر دلیل، یک توضیحِ کوتاه بنویس که چرا خودِ آن دلیل معتبر است. گام سه: تناقض‌ها را پیدا کن و پاسخِ نهایی را فقط بر پایهٔ دلیل‌های باقی‌مانده بده.»

گام ۴ — درختِ توضیح‌ها را بساز

قلبِ مایوتیک، ساختِ یک «درختِ توضیح» است. تصور کن ریشهٔ درخت، پرسشِ اصلی است. از آن دو شاخهٔ بزرگ درمی‌آید: «چرا بله» و «چرا خیر». هر شاخه به دلیل‌های کوچک‌تر تقسیم می‌شود و هر دلیل، خودش با یک توضیحِ زیرین پشتیبانی می‌شود. هرچه پایین‌تر می‌روی، ادعاها ریزتر و قابل‌سنجش‌تر می‌شوند تا جایی که یا آشکارا درست‌اند یا آشکارا غلط.

وقتی درخت ساخته شد، وارسی آسان می‌شود: کافی است از برگ‌ها به سمت ریشه برگردی و هر شاخه‌ای که پایه‌اش سست بود را هَرَس کنی. این نگاهِ «کل‌نگر و شبکه‌ای» شباهت زیادی به طرزِ فکری دارد که در نوشته‌های حوزهٔ کسب‌وکار هم اهمیت پیدا کرده است؛ اگر علاقه‌مندید، چرا هوش مصنوعی در کسب‌وکار مهم است نمونهٔ خوبی از همین کاربرد است.

مثال: «برای هر دلیلی که آوردی، یک سطحِ عمیق‌تر برو: بنویس این دلیل بر چه فرضی استوار است و آن فرض چقدر قابل‌اتکاست. اگر فرض شکننده بود، آن شاخه را علامت بزن تا بعداً حذفش کنیم.»

گام ۵ — تناقض‌ها را شکار کن و حل کن

حالا که درختِ دلیل‌ها آماده است، وقتِ شکارِ تناقض است. دو شاخهٔ «بله» و «خیر» را کنار هم بگذار و دنبال جفت‌دلیل‌هایی بگرد که نمی‌توانند هم‌زمان درست باشند. برای هر تناقض، از مدل بخواه توضیح دهد کدام طرف پایهٔ محکم‌تری دارد و چرا. این‌جا دیگر بحث بر سرِ «کدام پاسخ را بیشتر دوست داریم» نیست؛ بحث بر سرِ این است که «کدام زنجیرهٔ دلیل بدون شکستن باقی می‌ماند».

در پایانِ این مرحله، معمولاً یک طرف روشن‌تر می‌شود و طرفِ دیگر فرومی‌پاشد. اگر هیچ طرف کاملاً پیروز نشد، همان هم یک نتیجهٔ ارزشمند است: یعنی پاسخ «بستگی دارد» و باید شرط‌هایش را دقیق کنی. این صداقتِ استدلالی، درست نقطهٔ مقابلِ آن اطمینانِ کاذبی است که در توهمِ توسعه‌دهندهٔ تنها در برابر مهندسِ واقعی دربارهٔ آن هشدار داده‌ایم.

مثال: «دو مجموعه دلیل را مقابل هم بچین. فهرستی از تناقض‌ها بساز؛ برای هر تناقض بگو کدام سمت قوی‌تر است و چرا. در آخر فقط پاسخی را اعلام کن که هیچ‌یک از دلیل‌های باقی‌مانده آن را نقض نمی‌کند.»

گام ۶ — مایوتیک در برابر تکنیک‌های خویشاوند

مایوتیک با چند تکنیکِ آشنا مرز مشترک دارد، اما یکی‌شان نیست. در «زنجیرهٔ تفکر»، مدل یک مسیرِ فکریِ خطی را جلو می‌برد؛ مایوتیک اما یک درختِ دوسویه می‌سازد. در «اجماعِ چندپاسخ»، مدل چند پاسخِ مستقل تولید می‌کند و رأی اکثریت را برمی‌داریم؛ مایوتیک به‌جای رأی‌گیری، ساختارِ منطقیِ دلیل‌ها را وارسی می‌کند. در «وکیلِ شیطان»، صرفاً یک دیدگاهِ مخالف مطرح می‌شود؛ مایوتیک هر دو طرف را تا ریشه می‌کاود و بعد تناقض را حل می‌کند.

تفاوت با «زنجیرهٔ راستی‌آزمایی» هم ظریف است: راستی‌آزمایی بیشتر سراغِ درستیِ ادعاهای واقعی می‌رود، اما مایوتیک روی سازگاریِ منطقیِ استدلال تمرکز دارد. برای عمیق‌ترشدن در این خانواده از تکنیک‌ها، تازه‌ترین اخبار و آموزش‌های ما را در بخش اخبار دنبال کنید.

مثال: «اگر پاسخت با روشِ زنجیرهٔ تفکر به یک نتیجه رسید، حالا همان را با مایوتیک بازآزمایی کن: برای نتیجهٔ مخالف هم دلیل بساز و ببین آیا استدلالِ اولت زیرِ این فشار سالم می‌ماند یا نه.»

گام ۷ — کجا بدرخشد و کجا کنار بگذاریمش

مایوتیک ابزارِ همه‌کاره نیست و نباید باشد. جایی می‌درخشد که پرسش دو-گزینه‌ایِ دشوار باشد، داوریِ منطقی لازم باشد، یا موضوع طوری باشد که مدل مستعدِ تناقض‌گویی است؛ مثل ارزیابیِ یک تصمیمِ پرریسک، سنجشِ یک ادعای بحث‌برانگیز، یا بررسیِ اینکه یک استدلال واقعاً منطقی است یا فقط خوش‌صداست. در این موقعیت‌ها، هزینهٔ توکنِ بیشتر کاملاً می‌ارزد.

اما برای کارهای سبک، مثل نوشتنِ یک کپشنِ کوتاه یا خلاصهٔ یک متنِ ساده، مایوتیک بیش‌ازحد سنگین است و فقط وقت و توکن هدر می‌دهد. قاعدهٔ سرانگشتی: هرچه احتمالِ تناقض‌گوییِ مدل بیشتر و هزینهٔ اشتباه بالاتر باشد، مایوتیک ارزشمندتر است.

مثال: «فقط اگر این پرسش پاسخِ قطعیِ بله/خیر دارد و اشتباهش پرهزینه است، روشِ مایوتیک را کامل اجرا کن؛ در غیر این صورت یک پاسخِ مستقیمِ کوتاه بده و توکن هدر نده.»

گام ۸ — قالبِ آمادهٔ پرامپت مایوتیک

برای اینکه لازم نباشد هر بار از صفر بنویسی، این قالبِ آماده را ذخیره کن و جای پرسش را با سؤالِ خودت پر کن. این قالب هر سه گام را در یک پرامپت جمع کرده و به مدل می‌گوید دقیقاً چه چیزی و با چه ترتیبی تولید کند.

مثال: «نقشِ یک منطق‌دانِ بی‌طرف را بگیر و این پرسش را با روشِ مایوتیک تحلیل کن: [پرسشِ تو].\n۱) سه دلیلِ مستقل برای «بله» و سه دلیلِ مستقل برای «خیر» بنویس.\n۲) زیرِ هر دلیل، فرضِ پایه‌اش را مشخص کن و بگو چقدر قابل‌اتکاست.\n۳) تناقض‌های دو طرف را فهرست کن و برای هرکدام بگو کدام سمت قوی‌تر است.\n۴) فقط پاسخی را اعلام کن که دلیل‌های باقی‌مانده آن را نقض نمی‌کنند؛ اگر پاسخ مشروط است، شرط‌ها را دقیق بنویس.»

همین چهار خط، تفاوتِ میان یک پاسخِ سرسری و یک استدلالِ منسجم را رقم می‌زند. اگر می‌خواهی این تکنیک را در کنار بقیهٔ روش‌ها به‌ترتیب یاد بگیری، نقشهٔ راه سری آموزشی پرامپت‌نویسی نقطهٔ شروعِ خوبی است.

پرسش‌های پرتکرار

آیا مایوتیک فقط برای پرسش‌های بله/خیر است؟ نه لزوماً، اما بیشترین سود را همان‌جا می‌دهد. برای پرسش‌های چندگزینه‌ای هم می‌شود برای هر گزینه یک شاخهٔ دلیل ساخت و بعد تناقض‌ها را حل کرد.

فرقش با اینکه صرفاً بگویم «به هر دو طرف فکر کن» چیست؟ تفاوت در ساختار و وارسیِ صریح است. مایوتیک فقط دو دیدگاه نمی‌خواهد؛ دلیل‌ها را تا ریشه می‌کاود و بعد به‌شکلِ آشکار تناقض‌ها را حل می‌کند.

آیا برای مدل‌های کوچک هم کار می‌کند؟ تا حدی. هرچه مدل تواناتر باشد، درختِ توضیح‌ها و حلِ تناقض دقیق‌تر انجام می‌شود؛ ولی حتی روی مدل‌های متوسط هم صرفِ واداشتن به ساختِ دلیل برای هر دو طرف، خطای استدلالی را کم می‌کند.