بحث درباره آینده هوش مصنوعی معمولا میان دو روایت افراطی گرفتار میشود. در روایت نخست، هوش مصنوعی عمومی بسیار نزدیک است و قرار است تقریبا تمام کارهای فکری انسان را انجام دهد. در روایت دوم، سامانههای فعلی صرفا ابزارهایی آماریاند و هیچ مسیر روشنی از آنها به هوش عمومی وجود ندارد. هر دو روایت ممکن است بخشی از واقعیت را نشان دهند، اما هیچکدام به تنهایی مبنای مناسبی برای تصمیمگیری نیستند. مشکل اصلی این است که هنوز تعریف واحد و مورد توافقی برای «هوش مصنوعی عمومی» یا AGI وجود ندارد. وقتی یک مدیر فناوری از نزدیک شدن به AGI سخن میگوید و یک پژوهشگر این ادعا را رد میکند، ممکن است اختلاف آنها فقط درباره توانایی سامانههای فعلی نباشد؛ ممکن است هرکدام مفهوم متفاوتی را AGI بنامند.
این ابهام وقتی مهمتر میشود که بخواهیم درباره آینده حوزههایی مانند سئو، تولید محتوا و جستجوی اطلاعات صحبت کنیم. آیا هوش مصنوعی عمومی موتورهای جستجو را حذف میکند؟ آیا دیگر نیازی به تولید محتوا نخواهد بود؟ آیا برندهای کوچک دیده نخواهند شد؟ آیا صفحات وب جای خود را به پایگاههای داده ساختاریافته میدهند؟ برای پاسخ علمی به این پرسشها باید یک قاعده روشن داشته باشیم:
هر گزاره این مقاله یا از شواهد و معماری سامانههای فعلی نتیجه میشود، یا صریحا بهعنوان احتمال، سناریو یا تحلیل نویسنده معرفی خواهد شد. درباره آینده، ادعای قطعی مطرح نمیشود.
این مقاله تاریخ مشخصی برای رسیدن به AGI یا ASI پیشبینی نمیکند. هدف آن جداکردن بخشهای نسبتا پایدار از بخشهایی است که به تصمیمهای فنی، تجاری و معماری شرکتها وابستهاند.
AGI چیست؟
AGI مخفف Artificial General Intelligence و به معنای «هوش مصنوعی عمومی» است. با وجود رواج این اصطلاح، تعریف علمی واحد و پذیرفتهشدهای برای آن وجود ندارد. ملانی میچل در مقالهای منتشرشده در مجله Science توضیح میدهد که بحث AGI با اختلافهای اساسی درباره ماهیت هوش، عمومیبودن قابلیتها و معیار مقایسه انسان و ماشین روبهرو است [۱]. مقاله «هوش غیراجتماعی» (Unsocial Intelligence) نیز با بررسی تعریفهای مختلف نشان میدهد که تصورهای رایج از AGI فقط فنی نیستند و اغلب مفروضات اجتماعی، سیاسی و ارزشی مشخصی را در خود دارند [۲].
بنابراین، AGI یک برچسب کاملا خنثی و یک آستانه دقیق مانند نقطه جوش آب نیست. قبل از اینکه بپرسیم «آیا AGI ساخته شده است؟» باید مشخص کنیم کدام تعریف را به کار میبریم و چه شواهدی را برای تحقق آن لازم میدانیم.
-
چهار تعریف رایج از هوش مصنوعی عمومی
تعریفهای موجود را میتوان بهصورت تقریبی در چهار گروه قرار داد. این تقسیمبندی برای روشنشدن بحث مفید است، اما به معنای وجود اجماع علمی درباره این چهار گروه نیست.
-
تعریف اقتصادی
در تعریف اقتصادی، سامانه زمانی AGI محسوب میشود که بتواند بیشتر کارهای دارای ارزش اقتصادی را در سطح انسان یا بالاتر انجام دهد. منشور رسمی اوپنایآی (OpenAI) از چنین تعریفی استفاده میکند و AGI را سامانههای بسیار خودمختاری میداند که در بیشتر کارهای دارای ارزش اقتصادی از انسان عملکرد بهتری دارند [۳]. مزیت این تعریف آن است که میتوان آثار اقتصادی سامانه را بررسی کرد؛ اما «بیشتر کارهای دارای ارزش اقتصادی» خود عبارتی متغیر است. کارها، بازارها و ارزش اقتصادی آنها در طول زمان تغییر میکنند.
این تعریف لزوما مستلزم آن نیست که سامانه مانند انسان بفهمد، خودآگاهی داشته باشد یا در تمام زمینهها توانایی یکسانی نشان دهد. کافی است بتواند مجموعه بزرگی از فعالیتهای اقتصادی را با کیفیت و استقلال کافی انجام دهد.
-
تعریف عملکردی
در تعریف عملکردی، AGI سامانهای است که بتواند طیف گستردهای از وظایف شناختی انسان را انجام دهد. در این رویکرد، تاکید اصلی بر نتیجه قابل مشاهده است، نه بر شباهت سازوکار درونی ماشین به ذهن انسان. مشکل این تعریف، مشخصکردن دامنه وظایف است. اگر سامانه در نوشتن، برنامهنویسی، تحلیل داده و حل مسئله قوی باشد اما نتواند در محیط فیزیکی ناآشنا عمل کند، آیا عمومی محسوب میشود؟ اگر در صدها آزمون از انسان بهتر باشد اما در چند وظیفه ساده و تازه شکست بخورد، چه حکمی باید داد؟
این پرسشها نشان میدهند که «عمومیبودن» به انتخاب آزمونها و وزن هر قابلیت وابسته است.
-
تعریف مبتنی بر یادگیری و سازگاری
در این تعریف، هوش فقط توانایی انجام کارهای آموختهشده نیست؛ بلکه توانایی کسب مهارت جدید با داده، تجربه و راهنمایی محدود اهمیت دارد. فرانسوا شوله در مقاله «درباره سنجش هوش» پیشنهاد میکند هوش را بر اساس کارایی کسب مهارت در مجموعهای از وظایف و با توجه به پیشدانستهها، تجربه و دشواری تعمیم ارزیابی کنیم [۴]. از این دیدگاه، سامانهای که با حجم عظیمی از داده برای هزاران مسئله آماده شده است، لزوما بهاندازه سامانهای که با چند نمونه یک مسئله کاملا تازه را میآموزد، عمومی نیست.
این تعریف برای ارزیابی سامانههای فعلی اهمیت زیادی دارد؛ زیرا عملکرد بالا در یک آزمون ممکن است حاصل مواجهه قبلی با دادههای مشابه، مهندسی ویژه یا مصرف بالای محاسبات باشد.
-
تعریف مبتنی بر فهم و استدلال
برخی پژوهشگران AGI را با توانایی ساختن مدل قابل تعمیم از جهان، استدلال علّی، انتقال دانش میان حوزهها و عملکرد پایدار در موقعیتهای واقعا تازه مرتبط میدانند. این تعریف به تصور عمومی ما از هوش انسانی نزدیکتر است، اما سنجش آن دشوارتر خواهد بود. هنوز آزمون واحدی وجود ندارد که بتواند بهطور کامل مشخص کند یک سامانه «میفهمد» یا فقط در الگوهای آزمون عملکرد مناسبی دارد.
در نتیجه، ممکن است یک سامانه بر اساس تعریف اقتصادی به AGI نزدیک باشد، اما بر اساس تعریف یادگیری یا فهم هنوز فاصله زیادی داشته باشد. بخش مهمی از اختلاف درباره زمان رسیدن به AGI، از همین تفاوت در تعریفها ناشی میشود [۱۷].
چرا انتخاب تعریف AGI بیطرف نیست؟
تعریف AGI فقط یک اختلاف واژگانی نیست. هر تعریف میتواند بر سرمایهگذاری، مقررات، ارزیابی ایمنی و حتی قراردادهای تجاری اثر بگذارد. یک شرکت ممکن است AGI را بر اساس میزان خودکارسازی کارهای اقتصادی تعریف کند، زیرا محصولاتش برای بازار کار طراحی شدهاند. یک گروه دانشگاهی ممکن است یادگیری سریع در محیط ناآشنا را معیار قرار دهد. پژوهشگران ایمنی نیز ممکن است بر خودمختاری، توان برنامهریزی و قابلیت اثرگذاری در جهان واقعی تمرکز کنند.
بنابراین، هنگام مواجهه با جملههایی مانند «AGI رسیده است» باید دستکم چهار پرسش مطرح کنیم:
- گوینده AGI را چگونه تعریف کرده است؟
- از چه آزمون یا شاهدی استفاده میکند؟
- آیا آزمون، قابلیت عمومی را میسنجد یا عملکرد در یک دامنه محدود را؟
- گوینده از پذیرش این تعریف چه منفعت پژوهشی، اقتصادی یا سازمانی دارد؟
وجود منفعت به معنای نادرستبودن ادعا نیست، اما بخشی از زمینهای است که باید در ارزیابی آن در نظر گرفته شود.
به جای یک آستانه، از سطحهای مختلف صحبت کنیم
یکی از تلاشهای مهم برای عملیاتیکردن مفهوم AGI، چارچوب پژوهشگران گوگل دیپمایند (Google DeepMind) است. این چارچوب بهجای پرسش دوتایی «AGI آمده یا نیامده است؟»، قابلیت سامانهها را بر اساس دو محور بررسی میکند:
- عمق عملکرد؛ یعنی سامانه در یک وظیفه چقدر توانمند است.
- گستره یا عمومیت؛ یعنی این توانایی در چند حوزه و وظیفه متفاوت دیده میشود.
در این چارچوب پنج سطح عملکرد پیشنهاد شده است: نوپا، شایسته، خبره، چیرهدست و فراانسانی. این پژوهش همچنین تاکید میکند که «قابلیت»، «عمومیت» و «خودمختاری» مفاهیم یکسانی نیستند و باید جداگانه ارزیابی شوند [۵].
این نگاه از یک برچسب دوتایی دقیقتر است. ممکن است سامانهای در برنامهنویسی سطح خبره داشته باشد، در تحلیل تصویر به سطحی دیگر برسد و در یادگیری وظایف کاملا تازه ضعیف بماند. چنین سامانهای را نمیتوان فقط با یک واژه توصیف کرد.
البته چارچوب DeepMind نیز یک پیشنهاد پژوهشی است، نه معیار نهایی و مورد توافق همه دانشمندان.
ASI چیست؟
ASI مخفف Artificial Superintelligence و به معنای «فراهوش مصنوعی» است. تعریف واحد و مورد توافقی برای آن وجود ندارد؛ این اصطلاح معمولا برای سامانهای فرضی به کار میرود که قابلیت شناختی آن در گستره وسیعی از حوزهها بهطور معناداری از انسانها فراتر میرود.
در گزارش سناریومحور «از AGI تا ASI»، پژوهشگران Google DeepMind، فراهوش مصنوعی را بهصورت شهودی سامانهای توصیف میکنند که از نظر هوش و توانایی شناختی از سازمانهای بزرگ انسانی نیز توانمندتر است [۶]. این گزارش مسیرهای احتمالی مختلفی را مطرح میکند؛ از جمله گسترش مقیاس سامانههای عمومی، تغییر الگوی معماری، بهبود بازگشتی و ظهور قابلیتهای سطح بالا از مجموعههای چندعاملی. این معیار با تعریف عمومیتر بالا یکسان نیست: معیار رایجتر برتری نسبت به تکتک انسانها را مبنا میگیرد، اما معیار DeepMind سختگیرانهتر است و برتری نسبت به مجموعههای بزرگ انسانی را شرط میداند.
اما این مسیرها پیشبینی قطعی نیستند. خود گزارش بر اصطکاکها، محدودیتها و پرسشهای حلنشده تاکید میکند.
بحث درباره ASI از بحث AGI نامطمئنتر است. درباره سامانههای نزدیک به AGI دستکم میتوان از معماریهای موجود، آزمونهای فعلی و روندهای قابل مشاهده سخن گفت. درباره ASI، هنوز نمونه تجربی مستقیمی وجود ندارد. به همین دلیل، هر ادعایی درباره «سئو در دوران ASI» باید سناریوی فرضی محسوب شود، نه نتیجه علمی.
تفاوت AGI و ASI در یک نگاه
جمعبندی تفاوت این دو مفهوم:
- AGI به عمومیبودن تواناییها در طیف گستردهای از وظایف مربوط است.
- ASI به عبور معنادار از توان شناختی انسانها یا مجموعههای بزرگ انسانی مربوط است.
- AGI لزوما به ASI منتهی نمیشود.
- درباره ASI شواهد تجربی مستقیم در دست نیست.
- مسیر و سرعت گذار از AGI به ASI، در صورت وقوع، نامعلوم است.
سامانههای فعلی در چه نقطهای قرار دارند؟
مدلهای زبانی و چندوجهی جدید در بسیاری از وظایف پیشرفت قابل توجهی داشتهاند. آنها میتوانند متن تولید کنند، کد بنویسند، تصویر و صوت را تحلیل کنند، از ابزار استفاده کنند و در برخی آزمونهای تخصصی به عملکرد بالایی برسند. با این حال، عملکرد خوب در مجموعهای از آزمونها بهتنهایی اثباتکننده AGI نیست. برای ارزیابی دقیق باید پرسید:
- آیا دادههای مشابه آزمون در فرایند آموزش وجود داشتهاند؟
- آیا سامانه در مسائل واقعا تازه نیز عملکرد پایدار دارد؟
- آیا نتیجه با افزایش شدید محاسبات یا تولید تعداد زیادی پاسخ به دست آمده است؟
- آیا مدل میتواند مهارت آموختهشده را به موقعیتی متفاوت منتقل کند؟
- آیا امتیاز مربوط به خود مدل است یا ترکیبی از مدل، ابزارها، حافظه، بازیابی و برنامهریزی بیرونی؟
این تفکیکها مهماند؛ زیرا محصولی که کاربر تجربه میکند معمولا فقط یک مدل زبانی نیست. ممکن است شامل موتور جستجو، سامانه بازیابی، ابزار محاسباتی، حافظه، دستورالعملهای سیستمی و چند مرحله کنترل پاسخ باشد.
آزمون ARC-AGI چه چیزی را اندازه میگیرد؟
ARC-AGI برای سنجش نوعی از سازگاری و حل مسئله در موقعیتهای تازه طراحی شده است. در این آزمون، سامانه باید با مشاهده چند نمونه محدود، قاعده تبدیل شبکههای رنگی را کشف و آن را روی مسئله جدید اعمال کند.
نسخه ARC-AGI-2 در سال ۲۰۲۵ با هدف افزایش دشواری برای سامانههای هوش مصنوعی و حفظ قابلیت حل برای انسان معرفی شد. براساس گزارش فنی رسمی، در زمان انتشار گزارش، مدلهای پیشرو کمتر از ۵ درصد وظایف را حل میکردند؛ در حالی که تمام وظایف مجموعه ارزیابی دستکم توسط دو شرکتکننده انسانی و در حداکثر دو تلاش حل شده بودند [۷].
این جمله را نباید بهاشتباه چنین تفسیر کرد که «هر انسان در ARC-AGI-2 امتیاز ۱۰۰ درصد میگیرد». داده رسمی میگوید هر مسئله توسط حداقل دو انسان حل شده است، نه اینکه یک فرد متوسط تمام مسائل را حل کرده باشد.
همچنین امتیاز مدلها ثابت نیست. تابلوی رسمی بنیاد آرک پرایز (ARC Prize Foundation) با انتشار مدلها و روشهای جدید تغییر میکند [۸]. بنابراین، هر عددی درباره عملکرد مدلها باید همراه با نام سامانه، نسخه آزمون، شیوه ارزیابی و تاریخ مشاهده گزارش شود.
مهمتر از عدد امتیاز، پیام روششناختی این آزمون است: توانایی بالا در تولید زبان، الزاما به معنای توانایی همسطح انسان در کشف قواعد تازه با داده محدود نیست.
از طرف دیگر، ARC-AGI نیز هوش عمومی را بهطور کامل اندازهگیری نمیکند. این آزمون روی شکل مشخصی از استدلال انتزاعی و کسب مهارت تمرکز دارد. عملکرد ضعیف در آن به معنای فقدان تمام انواع هوش نیست و عملکرد قوی نیز بهتنهایی AGI را اثبات نمیکند.
چرا پرسش «آیا AGI آمده است؟» پرسش مناسبی نیست؟
پرسش دوتایی درباره آمدن یا نیامدن AGI، مجموعه بزرگی از قابلیتهای ناهمگون را در یک برچسب جمع میکند. پرسشهای دقیقتر عبارتاند از:
- سامانه در کدام قابلیت مشخص پیشرفت کرده است؟
- عملکرد آن در چه دامنهای سنجیده شده است؟
- این عملکرد با چه میزان داده و محاسبات به دست آمده است؟
- آیا در برابر تغییر صورت مسئله پایدار میماند؟
- چه مقدار مداخله انسانی یا ابزار بیرونی لازم دارد؟
- میزان خودمختاری و قابلیت اصلاح خطای آن چقدر است؟
این تغییر پرسش برای تحلیل آینده سئو نیز ضروری است. سئو با یک موجود واحد به نام «هوش مصنوعی» روبهرو نیست؛ بلکه با مجموعهای از قابلیتها، معماریهای بازیابی، رابطهای کاربری و تصمیمهای تجاری سروکار دارد.
چارچوب سه لایه برای تحلیل آینده سئو
برای بررسی ادعاهای مربوط به آینده سئو، میتوان از یک چارچوب تحلیلی سهلایه استفاده کرد. این چارچوب پیشنهاد نویسنده این مقاله است و نباید با یک مدل دانشگاهی تثبیتشده اشتباه گرفته شود. سه لایه عبارتاند از:
- قیدهای بنیادی و نسبتا پایدار
- انتخابهای معماری و محصول
- قابلیتهای مدل
در ادامه این مقاله، این سه سطح به ترتیب لایه صفر، لایه یک و لایه دو نامیده شدهاند تا شماره هر لایه با جایگاه آن در چارچوب یکی باشد.
قاعده استفاده از چارچوب چنین است:
هرچه یک پیشبینی بیشتر به قابلیتهای متغیر مدل یا تصمیمهای تجاری شرکتها وابسته باشد، با اطمینان کمتری میتوان آن را به آینده تعمیم داد. برای مثال، این ادعا که «اطلاعات منتشرنشده مستقیما از وب بازیابی نمیشود» بر یک محدودیت بنیادی تکیه دارد. اما این ادعا که «پاسخهای هوش مصنوعی همیشه منبع خود را با لینک نشان خواهند داد» به طراحی محصول و سیاست شرکت ارائهدهنده وابسته است و ثبات بسیار کمتری دارد.
لایه صفر: قیدهایی که با افزایش هوش از بین نمیروند
اطلاعات باید به شکلی تولید یا ثبت شده باشد
سامانهای که نه به شواهد ثبتشده و نه به مسیر مستقیمی برای مشاهده یا اندازهگیری یک رویداد دسترسی دارد، نمیتواند درباره جزئیات واقعی آن، اطلاعات دقیق و قابل راستیآزمایی ارائه دهد. مدل ممکن است بر اساس الگوهای قبلی حدس بزند، اما حدس با دسترسی به واقعیت یکسان نیست.
برای مثال، اگر یک شرکت فرایند تولیدی جدیدی طراحی کرده اما نتایج آن را ثبت یا منتشر نکرده باشد، سامانه بیرونی نمیتواند جزئیات واقعی آن را بداند. ممکن است پاسخی محتمل تولید کند، ولی آن پاسخ شاهدی درباره عملکرد واقعی فرایند نیست.
پیامد این اصل برای سئو روشن است: تولید اطلاعات دستاول، گزارش تجربه، داده اختصاصی، آزمایش واقعی، مستندات محصول و پژوهش میدانی با افزایش توان هوش مصنوعی بیارزش نمیشوند. برعکس، چنین اطلاعاتی میتوانند مواد اولیهای باشند که انسانها و سامانههای هوشمند برای پاسخ دقیق به آن نیاز دارند.
دسترسی فنی همچنان اهمیت دارد
در معماری فعلی وب و موتورهای جستجو، محتوا باید کشف، دریافت و پردازش شود تا بتواند در نمایه جستجو یا سامانه بازیابی حضور پیدا کند. مستندات رسمی گوگل (Google) مراحل کلی جستجو را شامل خزش، نمایهسازی و ارائه نتایج میداند [۹].
البته عبارت «صفحهای که خزیده نشود وجود ندارد» بیش از حد مطلق است. یک سامانه ممکن است محتوا را از خوراک داده، رابط برنامهنویسی، پایگاه داده دارای مجوز یا منبع دیگری دریافت کند. صورت دقیقتر گزاره این است:
محتوایی که از هیچ مسیر مجاز و قابل پردازشی در دسترس سامانه نباشد، نمیتواند مستقیما در بازیابی آن سامانه استفاده شود. بنابراین، دسترسی فنی، پیوندهای قابل کشف، معماری اطلاعات و امکان پردازش محتوا همچنان اهمیت دارند؛ هرچند شکل دسترسی ممکن است از صفحه وب به خوراک داده، رابط برنامهنویسی یا ساختارهای دیگر تغییر کند.
محاسبه و توجه رایگان نیستند
افزایش طول پنجره بافت به معنای آن نیست که خواندن و پردازش همه اطلاعات وب بهطور همزمان بهینه یا بدون هزینه میشود. پردازش اطلاعات به زمان، انرژی، حافظه و زیرساخت نیاز دارد.
مطالعات قوانین مقیاس نشان دادهاند که عملکرد مدلها با داده، اندازه مدل و بودجه محاسباتی رابطه دارد [۱۰]. پژوهش Chinchilla نیز نشان داد که عملکرد فقط با بزرگترکردن مدل بهینه نمیشود و میان حجم داده و محاسبات باید تناسب برقرار باشد [۱۱].
علاوه بر هزینه، استفاده موثر از بافت طولانی نیز مسئلهای حلشده نیست. پژوهش «گمشده در میانه» نشان داد که جایگاه اطلاعات در متن میتواند بر عملکرد مدل اثر بگذارد و اطلاعات قرارگرفته در میانه بافتهای طولانی گاهی کمتر از اطلاعات ابتدا یا انتها بازیابی میشوند [۱۲].
این محدودیتها ممکن است کاهش پیدا کنند، اما اصل انتخاب باقی میماند: وقتی منابع بیشتر از ظرفیت یا بودجه پردازش باشند، سامانه باید تصمیم بگیرد چه چیزی را دریافت، رتبهبندی یا خلاصه کند. از منظر این مقاله، هر جا سامانه مجبور به چنین انتخاب و اولویتبندیای باشد، احتمال شکلگیری نوعی رقابت برای بازیابی و دیدهشدن نیز وجود دارد. این محدودیت بهویژه برای محتوای فارسی ملموستر است؛ رمزگذاری متن فارسی معمولا به توکن بیشتری نسبت به متن انگلیسی همارز نیاز دارد و سهم بزرگتری از همین بودجه محدود را مصرف میکند، موضوعی که مقالهی ماشین فارسی را چطور میخواند؟ با داده تجربی بررسی کرده است.
روان بودن متن، صحت آن را اثبات نمیکند
یک مدل میتواند متنی منسجم درباره ادعایی نادرست تولید کند. از ساختار زبانی یک جمله بهتنهایی نمیتوان صحت جهان خارج را نتیجه گرفت. سامانههای آینده ممکن است در تشخیص ناسازگاری، مقایسه منابع و ارزیابی اعتبار بسیار بهتر شوند؛ اما برای تایید بسیاری از ادعاها همچنان به داده بیرونی، منشأ مشخص، شواهد مستقل و امکان راستیآزمایی نیاز خواهند داشت.
پژوهشهای مربوط به تولید تقویتشده با بازیابی نشان میدهند که اتصال مدل به منابع بیرونی میتواند دسترسی آن به دانش قابل بهروزرسانی و امکان ردیابی منشأ اطلاعات را بهبود دهد؛ هرچند بازیابی یک منبع بهتنهایی صحت ادعا یا دقت استناد را تضمین نمیکند [۱۳]. روشهایی مانند RARR نیز برای یافتن شواهد بیرونی و اصلاح ادعاهای تولیدشده پیشنهاد شدهاند [۱۴].
پیامد آن برای سئو، حذف اعتبار نیست؛ بلکه احتمالا تغییر شکل ارزیابی اعتبار است. سابقه نویسنده، شواهد دستاول، منابع مستقل، شفافیت روش و سازگاری ادعاها میتوانند همچنان اهمیت داشته باشند. این همان نقطهای است که این تحلیل با چارچوب «هزینهی جعل» در مقالهی سئو چیست؟ به هم میرسد: هرچه تولید متنی روان و قانعکننده آسانتر شود، هزینهی جعل کردن اعتبار پایینتر میآید و نیاز به این نشانههای بیرونی بیشتر میشود.
لایه یک: مواردی که با تغییر معماری عوض میشوند
این لایه به تصمیمهای فنی و محصولی مربوط است. درباره آن باید با زبان شرطی صحبت کرد.
بازیابی ممکن است شکل دیگری پیدا کند
سامانههای امروز ممکن است برای پاسخ به پرسش، ابتدا اسناد مرتبط را بازیابی و سپس بر اساس آنها پاسخ تولید کنند. در آینده ممکن است نقش جستجوی واژگانی، بازیابی برداری، گراف دانش، حافظه بلندمدت یا عاملهای جستجوگر تغییر کند.
ممکن است یک عامل هوشمند چند مرحله جستجو کند، منابع را با هم مقایسه کند، به داده ساختاریافته دسترسی بگیرد و فقط در پایان پاسخ نهایی را بسازد. این تغییر میتواند تاکتیکهای فعلی سئو را تغییر دهد، اما نیاز به انتخاب منابع را از بین نمیبرد.
واحد بازیابی ممکن است دیگر صفحه کامل نباشد
در جستجوی سنتی، صفحه وب واحد اصلی مشاهده و رتبهبندی است؛ ولی سامانههای بازیابی میتوانند پاراگراف، قطعه، جدول، تصویر، ویدئو یا موجودیت مشخصی را انتخاب کنند. اگر بازیابی قطعهمحور گسترش یابد، هر بخش محتوا باید تا حد مناسبی معنای مستقل و زمینه کافی داشته باشد. این به معنای نوشتن جملههای پراکنده و تکرار مصنوعی کلمات کلیدی نیست. قطعه باید هم برای انسان قابل فهم باشد و هم رابطه آن با موضوع کلی صفحه روشن بماند.
در آینده ممکن است واحد بازیابی دوباره تغییر کند. بنابراین، «بهینهسازی قطعه» یک قانون ابدی نیست؛ بلکه پاسخی به برخی معماریهای فعلی است.
شیوه استناد ممکن است تغییر کند
پاسخهای مولد میتوانند لینک مستقیم، فهرست منابع، کارت محصول یا هیچ استناد آشکاری نشان ندهند. شکل استناد به رابط، سیاست محصول، حقوق ناشر و نیاز کاربر وابسته است. این همان پرسشی است که مقالهی «GEO چیست؟» در مجموعهی سایت بهطور مستقل بررسی کرده است.
نباید از وضعیت امروز نتیجه گرفت که همه سامانههای آینده همیشه به منابع لینک خواهند داد. همچنین نباید فرض کرد استناد بهطور کامل حذف میشود. در موضوعات حساس، علمی، حقوقی یا مالی، نیاز به منشأ قابل بررسی میتواند فشار بیشتری برای ارائه شواهد ایجاد کند.
رابط کاربر ممکن است کاملا دگرگون شود
ممکن است بخشی از جستجو از فهرست لینکها به گفتوگو، عاملهای اجرایی، دستیارهای صوتی یا رابطهای تعبیهشده در نرمافزارها منتقل شود. در چنین شرایطی، معیار موفقیت فقط کلیک روی نتیجه نخواهد بود.
دیدهشدن نام برند، استفاده از داده، انتخابشدن بهعنوان منبع، انجام اقدام در یک ابزار یا ایجاد تقاضای مستقیم نیز ممکن است اهمیت پیدا کند. این تغییر میتواند تعریف عملی سئو را گسترش دهد؛ اما هنوز نمیتوان شکل نهایی این رابطها را با قطعیت تعیین کرد.
لایه دو: قابلیتهایی که همین حالا تغییر میکنند
فهم و پردازش متن بهتر میشود
بسیاری از مدلهای مرزی جدید در برخی ارزیابیهای دنبالکردن دستور، استدلال و ترکیب اطلاعات نسبت به نسلهای پیشین عملکرد بهتری نشان دادهاند؛ هرچند این برتری در همه مدلها و همه وظایف یکسان نیست. در نتیجه، تاکتیکهایی که صرفا از ضعف فهم ماشین استفاده میکنند، احتمالا دوام کمتری خواهند داشت. جزئیات این فرایند فهم را مقالهی هوش مصنوعی محتوا را چطور میخواند؟ بهطور مستقل بررسی کرده است.
تکرار افراطی کلمه کلیدی، تولید متنهای مشابه برای عبارتهای بسیار نزدیک و پنهانکردن ضعف محتوا پشت ساختار ظاهری، ممکن است با افزایش قدرت تحلیل سامانهها ارزش کمتری پیدا کند.
با این حال، نباید «بهبود فهم» را با فهم کامل و بدون خطا یکسان دانست. مدلها همچنان میتوانند تحت تاثیر نحوه صورتبندی پرسش، ترتیب اطلاعات و دادههای زمینهای قرار بگیرند.
تحمل ابهام ممکن است افزایش یابد
مدلهای توانمندتر میتوانند برخی ابهامهای زبانی را با استفاده از زمینه حل کنند. اگر این توانایی بهتر شود، الزامهای صوری مانند تکرار نام کامل موضوع در هر بخش ممکن است اهمیت کمتری پیدا کنند.
اما همه ابهامها زبانی نیستند. اگر نویسنده مشخص نکرده باشد یک عدد مربوط به کدام سال، کشور، محصول یا روش اندازهگیری است، مدل نمیتواند با اطمینان آن را اصلاح کند. شفافیت داده و زمینه همچنان ضروری است.
تشخیص محتوای کمارزش ممکن است بهتر شود
اگر سامانهها بتوانند شباهت میان صفحات، نبود اطلاعات تازه، تناقض در ادعاها و استفاده سطحی از منابع را بهتر تشخیص دهند، تولید انبوه محتوای مشابه بازده کمتری خواهد داشت.
این گزاره یک پیشبینی شرطی است، نه واقعیت تضمینشده. سامانههای ارزیابی نیز ممکن است خطا کنند یا توسط تولیدکنندگان محتوا دور زده شوند. اما جهت منطقی رقابت روشن است: هرچه تشخیص الگوهای سطحی بهتر شود، ایجاد تمایز واقعی اهمیت بیشتری پیدا میکند. این روند مستقیما به همان چارچوب «هزینهی جعل» که پیشتر معرفی شد وصل است: هرچه تشخیص محتوای بیارزش دقیقتر شود، جعل اعتبار گرانتر تمام میشود.
برخی ضعفها ممکن است پایدارتر از بقیه باشند
پژوهش «نفرین معکوس» نشان داده است که مدلهای خودبازگشتی ممکن است رابطه «الف، ب است» را بیاموزند اما نتوانند همان رابطه را در جهت معکوس بازیابی کنند [۱۵]. پژوهش «گمشده در میانه» نیز حساسیت مدلها به جایگاه اطلاعات را نشان داده است [۱۲].
این نتایج را نباید به تمام مدلها و تمام آینده تعمیم داد. روش آموزش، معماری، بازیابی و ابزارهای بیرونی میتوانند نتیجه را تغییر دهند. استفاده درست از این پژوهشها چنین است:
سامانههای فعلی ممکن است با وجود عملکرد زبانی قوی، ضعفهای ساختاری و الگوهای خطای غیرمنتظره داشته باشند؛ بنابراین نباید روانی پاسخ را معادل استدلال عمومی و پایدار دانست.
بررسی چهار پیشبینی رایج درباره آینده سئو
«سئو تمام میشود»
این ادعا معمولا فرض میکند مدل آینده بدون نیاز به انتخاب منبع، اطلاعات درست را مستقیما در اختیار کاربر قرار میدهد. اما تا زمانی که منابع متعدد، متعارض و بیشتر از ظرفیت توجه سامانه باشند، نوعی انتخاب و اولویتبندی لازم است. ممکن است نام «سئو» یا ابزارهای آن تغییر کند، اما مسئله دیدهشدن، قابل بازیابیبودن و معتبر شناختهشدن باقی میماند.
بنابراین، پایان شکل فعلی بعضی فعالیتهای سئو قابل تصور است؛ ولی از شواهد موجود نمیتوان پایان کامل رقابت اطلاعاتی را نتیجه گرفت.
«تولید محتوا بیارزش میشود»
اگر منظور از محتوا، بازنویسی اطلاعات موجود بدون تجربه، داده یا تحلیل تازه باشد، ارزش اقتصادی بخشی از آن ممکن است کاهش یابد. مدلها میتوانند چنین متنهایی را سریع و ارزان تولید کنند.
اما اگر محتوا حامل مشاهده دستاول، آزمایش، داده اختصاصی، تجربه حرفهای، روش شفاف یا دیدگاه قابل دفاع باشد، حذف ارزش آن نتیجه منطقی پیشرفت مدلها نیست. سامانه برای دانستن یک واقعیت تازه همچنان به ثبت آن نیاز دارد.
پس هوش مصنوعی احتمالا ارزش انواع مختلف محتوا را یکسان تغییر نمیدهد. محتوای قابل جایگزینی بیشتر تحت فشار قرار میگیرد و اطلاعات کمیاب و قابل راستیآزمایی ممکن است مهمتر شوند.
«فقط برندهای بزرگ باقی میمانند»
برندهای بزرگ مزایایی مانند منابع مالی، شهرت، داده و پوشش رسانهای دارند. اگر سامانههای بازیابی بیش از حد به نشانههای شهرت تکیه کنند، ممکن است این مزیت بیشتر شود.
اما این نتیجه اجتنابناپذیر نیست. در پرسشهای تخصصی، منبع کوچک اما دقیق میتواند اطلاعاتی داشته باشد که برند بزرگ تولید نکرده است. طراحی سامانه بازیابی، تنوع منابع، تخصص موضوعی و کیفیت شواهد تعیین میکنند چه کسی دیده شود.
بنابراین، این پیشبینی به معماری رتبهبندی و سیاست محصول وابسته است، نه به یک قانون بنیادی درباره هوش.
«همهچیز به داده ساختاریافته منتقل میشود»
داده ساختاریافته میتواند به سامانه کمک کند نوع موجودیت، ویژگی محصول، نویسنده، رویداد یا رابطه میان عناصر را بهتر تشخیص دهد. مستندات رسمی Google نیز آن را روشی برای ارائه سرنخ صریح درباره معنای صفحه معرفی میکند [۱۶].
اما داده ساختاریافته جای محتوای اصلی یا شواهد را نمیگیرد. نشانهگذاری یک ادعا آن را درست نمیکند. بسیاری از اطلاعات پیچیده، تفسیری یا تازه نیز بهسادگی در قالب جدول و ویژگیهای ثابت خلاصه نمیشوند.
ممکن است نقش داده ساختاریافته بیشتر شود، اما انتقال «همهچیز» به آن از شواهد فعلی نتیجه نمیشود.
امروز برای آینده سئو چه باید کرد؟
بخش زیر عمدتا استنتاجهای راهبردی نویسنده از محدودیتهای فنی و سناریوهای بررسیشده در این مقاله است و نباید آن را یافته مستقیم پژوهشهای ارجاعشده تلقی کرد.
قاعده تصمیمگیری میتواند چنین باشد:
کاری که در چند سناریوی متفاوت همچنان ارزش دارد، تصمیم مقاومتری است. کاری که فقط در یک آینده خاص سودمند است، تصمیمی پرریسکتر و وابسته به تحقق همان سناریوست.
بر این اساس، چند اقدام در طیف وسیعی از سناریوها منطقیاند.
زیرساخت و دسترسی فنی را حفظ کنید
محتوا باید از مسیرهای مجاز قابل کشف و پردازش باشد. معماری داخلی، پیوندهای سالم، وضعیت نمایهسازی، پاسخ صحیح سرور و کنترل درست دسترسی خزندهها همچنان اهمیت دارند.
اطلاعات دستاول تولید کنید
آزمایش، داده اختصاصی، مطالعه موردی، مصاحبه، تجربه اجرایی، تصویر واقعی، مستندات فنی و روش اندازهگیری، داراییهایی هستند که بهآسانی با بازنویسی منابع عمومی جایگزین نمیشوند.
متن را روشن و دارای زمینه بنویسید
روشنی فقط برای ماشین نیست؛ ابتدا به خواننده انسانی کمک میکند. مشخصکردن موضوع، تاریخ، دامنه، واحد اندازهگیری، روش و محدودیت ادعا، احتمال برداشت اشتباه را کاهش میدهد.
اعتبار را قابل بررسی کنید
نام نویسنده، تخصص مرتبط، تاریخ انتشار، منبع داده، روش پژوهش، اصلاحات بعدی و تعارض منافع باید تا جای ممکن روشن باشند. ادعای تخصص بدون شواهد قابل بررسی، جایگزین اعتبار واقعی نیست.
به یک رابط یا پلتفرم وابسته نشوید
اگر تمام راهبرد دیدهشدن به یک قابلیت خاص در یک موتور جستجو وابسته باشد، تغییر رابط میتواند آن را بیاثر کند. ترکیب جستجو، تقاضای مستقیم برند، جامعه مخاطبان، خبرنامه، روابط عمومی و حضور در منابع معتبر، وابستگی را کاهش میدهد.
بهجای پیشبینی تاریخ، نشانهها را رصد کنید
مهمتر از پرسیدن «AGI چه سالی میآید؟» این است که بدانیم چه تغییراتی را باید دنبال کنیم:
- توان مدلها در یادگیری وظایف واقعا تازه
- هزینه و کارایی استنتاج
- میزان خودمختاری عاملها
- کیفیت بازیابی و استناد
- تغییر رفتار کاربران در جستجو
- سهم پاسخهای بدون کلیک
- سیاست موتورهای جستجو درباره ناشران
- تغییر واحد بازیابی از صفحه به قطعه، موجودیت یا داده
این نشانهها برای تصمیم عملی مفیدتر از یک تاریخ پیشبینیشدهاند.
این تحلیل در چه شرایطی ممکن است غلط باشد؟
هر چارچوب آیندهنگر باید شرایط شکست خود را توضیح دهد. چارچوب سهلایه ممکن است در چند حالت ناکافی شود:
نخست، اگر سامانهها بتوانند بدون دسترسی به اطلاعات ثبتشده و بدون مسیر مستقیم مشاهده یا اندازهگیری، داده دقیق و قابل اثبات درباره رویدادهای بیرونی تولید کنند. چنین وضعیتی با درک فعلی از اطلاعات سازگار نیست، اما باید مرز نظری چارچوب ذکر شود.
دوم، اگر هزینه محاسبه و دسترسی به داده آنقدر ناچیز شود که انتخاب منابع عملا اهمیتی نداشته باشد. حتی در این حالت، تعارض منابع و مسئله صحت احتمالا باقی میماند.
سوم، اگر وب عمومی نقش اصلی خود را در انتشار اطلاعات از دست بدهد و بیشتر دادههای ارزشمند از طریق پایگاههای بسته، حسگرها یا قراردادهای خصوصی منتقل شوند. در آن صورت، سئو ممکن است به بهینهسازی دسترسی داده و مشارکت در شبکههای اطلاعاتی نزدیکتر شود.
چهارم، اگر معیارهای اعتماد و اعتبار بهطور کامل در سامانههای بسته و غیرقابل مشاهده ادغام شوند. در این شرایط، تحلیل بیرونی سازوکار دیدهشدن دشوارتر خواهد شد.
پنجم، ممکن است مرز میان معماری و قابلیت مدل روشن نباشد. ضعفی که امروز ذاتی معماری به نظر میرسد، شاید با روش آموزش یا حافظه بیرونی برطرف شود. برعکس، قابلیتی که به خود مدل نسبت داده میشود ممکن است حاصل ابزارها و مراحل پردازشی پیرامون آن باشد.
نتیجهگیری
AGI هنوز تعریف واحد و آزمون نهایی مورد توافقی ندارد. برخی تعریفها بر کار اقتصادی، برخی بر گستره عملکرد، برخی بر یادگیری سریع و برخی بر فهم و تعمیم تاکید میکنند. به همین دلیل، ادعای رسیدن یا نرسیدن به AGI بدون تعریف و معیار مشخص، اطلاعات چندانی در اختیار ما نمیگذارد.
ASI از این هم نامطمئنتر است. درباره آن میتوان مسیرها و سناریوها را تحلیل کرد، اما شواهد تجربی کافی برای توصیف قطعی آثارش بر سئو وجود ندارد.
برای بررسی آینده سئو بهتر است میان سه سطح تفاوت بگذاریم: قیدهای بنیادی، انتخابهای معماری و قابلیتهای مدل. اطلاعات باید تولید و از مسیری قابل دسترس شود، پردازش هزینه دارد و صحت ادعا به شواهد بیرونی وابسته است. در مقابل، شکل بازیابی، واحد انتخاب اطلاعات، نحوه استناد و رابط کاربر میتوانند بهطور جدی تغییر کنند.
بر این اساس، تصمیمهای مقاوم امروز شامل تولید اطلاعات دستاول، حفظ دسترسی فنی، نگارش روشن، ارائه شواهد قابل بررسی و کاهش وابستگی به یک پلتفرم است. این اقدامات فقط برای موتور جستجوی فعلی مفید نیستند؛ در طیف گستردهای از سامانههای بازیابی و هوش مصنوعی نیز ارزش دارند.
این مقاله نباید بهعنوان پیشبینی قطعی آینده خوانده شود. اعتبار آن به شفافبودن فرضها و بازبینی منظم شواهد وابسته است. با توجه به سرعت تحول مدلها، بنچمارکها و رابطهای جستجو، پیشنهاد میشود ادعاهای تجربی و ارقام این مقاله حداکثر تا سپتامبر ۲۰۲۷ دوباره بررسی شوند.
واژهنامه
AGI: هوش مصنوعی عمومی؛ اصطلاحی برای سامانههایی با قابلیت گسترده و عمومی که تعریف واحدی درباره دامنه و سطح آنها وجود ندارد.
ASI: فراهوش مصنوعی؛ سامانهای فرضی که قابلیتهای شناختی آن در گستره وسیعی از حوزهها بهشکل معناداری از توان انسان یا مجموعههای انسانی فراتر میرود.
بنچمارک: مجموعهای از وظایف و قواعد ارزیابی برای سنجش عملکرد سامانه.
بازیابی اطلاعات: فرایند انتخاب اسناد، قطعات یا دادههای مرتبط با یک پرسش.
تولید تقویتشده با بازیابی: روشی که مدل پیش از تولید پاسخ، اطلاعاتی را از منابع بیرونی دریافت میکند.
پنجره بافت: میزان اطلاعاتی که مدل میتواند در یک مرحله پردازش در اختیار داشته باشد.
خودمختاری: میزان توانایی سامانه برای تعیین مراحل و انجام کار بدون مداخله مستقیم انسان.
تعمیم: توانایی استفاده از آموختهها در مسئلهها و موقعیتهایی که با نمونههای آموزش یکسان نیستند.
منابع
۱. Mitchell, M. (2024). “Debates on the Nature of Artificial General Intelligence.” Science, 383(6689), eado7069.
https://doi.org/10.1126/science.ado7069
۲. Blili-Hamelin, B., Hancox-Li, L., & Smart, A. (2024). “Unsocial Intelligence: An Investigation of the Assumptions of AGI Discourse.” Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 7(1), 141–155.
https://doi.org/10.1609/aies.v7i1.31625 نسخه پیشچاپ آزاد: arXiv:2401.13142.
https://arxiv.org/abs/2401.13142
۳. OpenAI. “OpenAI Charter.” سند رسمی سازمانی؛ تاریخ مشاهده: سپتامبر ۲۰۲۶.
https://openai.com/charter/
۴. Chollet, F. (2019). “On the Measure of Intelligence.” arXiv:1911.01547.
https://arxiv.org/abs/1911.01547
۵. Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2024). “Position: Levels of AGI for Operationalizing Progress on the Path to AGI.” Proceedings of the 41st International Conference on Machine Learning.
https://deepmind.google/research/publications/66938/
۶. Genewein, T., Franklin, M., Lerchner, A., et al. (2026). “From AGI to ASI.” Google DeepMind. گزارش پژوهشی سازمانی و سناریومحور.
https://deepmind.google/research/publications/239142/
۷. Chollet, F., Knoop, M., Kamradt, G., Landers, B., & Pinkard, H. (2025). “ARC-AGI-2: A New Challenge for Frontier AI Reasoning Systems.” arXiv:2505.11831.
https://arxiv.org/abs/2505.11831 نسخه رسمی این گزارش نیز در وبلاگ ARC Prize منتشر شده است:
https://arcprize.org/blog/arc-agi-2-technical-report
۸. ARC Prize Foundation. “ARC Prize Leaderboard.” نتایج پویا؛ ارقام باید همراه با تاریخ مشاهده نقل شوند. تاریخ مشاهده در این مقاله: سپتامبر ۲۰۲۶.
https://arcprize.org/leaderboard
۹. Google Search Central. “In-Depth Guide to How Google Search Works.” مستندات رسمی؛ آخرین بهروزرسانی: ۱۸ دسامبر ۲۰۲۵؛ تاریخ مشاهده: سپتامبر ۲۰۲۶.
https://developers.google.com/search/docs/fundamentals/how-search-works
۱۰. Kaplan, J., McCandlish, S., Henighan, T., et al. (2020). “Scaling Laws for Neural Language Models.” arXiv:2001.08361.
https://arxiv.org/abs/2001.08361
۱۱. Hoffmann, J., Borgeaud, S., Mensch, A., et al. (2022). “Training Compute-Optimal Large Language Models.” Advances in Neural Information Processing Systems, 35.
https://arxiv.org/abs/2203.15556
۱۲. Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). “Lost in the Middle: How Language Models Use Long Contexts.” Transactions of the Association for Computational Linguistics, 12, 157–173.
https://doi.org/10.1162/tacl_a_00638
۱۳. Lewis, P., Perez, E., Piktus, A., et al. (2020). “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” Advances in Neural Information Processing Systems, 33.
https://arxiv.org/abs/2005.11401
۱۴. Gao, L., Dai, Z., Pasupat, P., et al. (2023). “RARR: Researching and Revising What Language Models Say, Using Language Models.” Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics.
https://arxiv.org/abs/2210.08726
۱۵. Berglund, L., Tong, M., Kaufmann, M., et al. (2024). “The Reversal Curse: LLMs Trained on ‘A Is B’ Fail to Learn ‘B Is A’.” International Conference on Learning Representations (ICLR) 2024. نسخه پیشچاپ آزاد:
https://arxiv.org/abs/2309.12288
۱۶. Google Search Central. “Understand How Structured Data Works.” مستندات رسمی؛ تاریخ مشاهده: سپتامبر ۲۰۲۶.
https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data
۱۷. Sarma, G. P., Bhatt, S. D., Jacob, M., & Steratore, R. (2026). Artificial General Intelligence Forecasting and Scenario Analysis: State of the Field, Methodological Gaps, and Strategic Implications. RAND Corporation, RR-A4692-1. گزارش پژوهشی سازمانی.
https://www.rand.org/pubs/research_reports/RRA4692-1.html