پژوهشی تازه نشان می‌دهد مدلسازی جهان ذهنی به‌عنوان لایه‌ای مکمل برای مدل‌های جهان ضروری است. مدل‌های مبتنی بر داده‌های صرفاً فیزیکی در پیش‌بینی رفتار انسان دچار خطا می‌شوند، چون متغیرهای ذهنی ــ مانند باور، نیت و توجه ــ در فضای حالت آن‌ها بازنمایی نمی‌شوند.

مشکل اصلی در مدل‌های فعلی

نسل کنونی مدل‌های جهان مثل Sora، Genie 3، JEPA و Marble عمدتاً ساختار فیزیکی صحنه را ثبت می‌کنند: اشیاء، موقعیت‌ها، حرکت و موانع. وقتی باور یا انتظار افراد در مدل محاسبه نشده باشد، تصمیم‌گیری عامل‌های خودگردان (ربات‌های خدماتی، دستیاران پزشکی یا هر عامل تعاملی دیگری) ناقص می‌ماند. برای نمونه، اگر فنجانِ کسی هنگام غیبت او به داخل کابینت منتقل شود، مدل فیزیکی فقط وضعیت «فنجان داخل کابینت» را نشان می‌دهد؛ اما رفتار انسان بر اساس باور او دربارهٔ مکان فنجان شکل می‌گیرد، نه صرفاً وضعیت فیزیکی حاضر.

چارچوب مدلسازی جهان ذهنی (MWM)

چارچوب Mental World Modeling (MWM) پیشنهاد می‌دهد مدل‌های جهان علاوه بر متغیرهای فیزیکی، متغیرهای ذهنی مانند باورها، توجه، اهداف، نیت‌ها، احساسات، نورم‌ها و روابط اجتماعی را نیز نگهداری کنند. در این رویکرد هر عمل به دو مؤلفه تقسیم می‌شود:

  • حامل فیزیکی — مثلاً صحبت کردن، اشاره یا گرفتن
  • بار ذهنی — مثلاً تسلی دادن، فریب دادن یا رد کردن

بنابراین همان حرکت فیزیکی می‌تواند معانی متفاوتی داشته باشد و تنها با در نظر گرفتن متغیرهای ذهنی می‌توان این معانی را از یکدیگر تفکیک کرد. منابع مرتبط با نظریهٔ ذهن را می‌توانید در صفحهٔ Theory of mind در ویکی‌پدیا دنبال کنید.

MENTIS؛ پیاده‌سازی مرجع بدون نیاز به آموزش

برای ارزیابی عملی MWM، تیم پژوهشی شمایی مدولار به نام MENTIS پیاده‌سازی کرد که نیازی به آموزش مجدد شبکه‌ها ندارد. فرایند MENTIS در شش گام اجرا می‌شود:

  1. تفکیک و پارس صحنه و رندر دیدِ ایگو
  2. تفکیک گزینه‌های عمل به اجزای فیزیکی و ذهنی
  3. شبیه‌سازی موازی حالات حاصل
  4. امتیازدهی شاخه‌ها براساس سه معیار: باورپذیری فیزیکی، سازگاری ذهنی و مناسب‌بودن اجتماعی
  5. تصمیم‌گیری قطعی بر پایهٔ نتایج امتیازدهی
  6. ثبت نتایج میانی قابل‌خواندن توسط ماشین برای ردیابی خطا

هر مرحله خروجی‌های میانی تولید می‌کند تا امکان بررسی دقیق خطاها و تمرکز بهبودها فراهم شود.

روند مدلسازی ذهنی و شبیه‌سازی موازی در MENTIS

مجموعه‌دادگان و روش سنجش

برای اندازه‌گیری کارایی چارچوب، مجموعه‌دادهٔ Menti-Bench طراحی شد که شامل 448 صحنهٔ تصمیم‌گیری است: 320 توصیف متنی، 100 داستان تصویری و 28 کلیپ صوتی-ویدیویی. هر صحنه 6 گزینهٔ پاسخ دارد و برای هر مورد، یک راه‌حل مرجع انسانی تهیه شده که هم عمل درست و هم حالات ذهنی و فیزیکی زیربنایی را مستندسازی کرده است. در 78٪ صحنه‌ها حداقل دو شخصیت وجود دارد، بنابراین تعامل بین افراد محور ارزیابی است.

نمونه‌ای از صحنه‌های Menti-Bench با چند گزینهٔ پاسخ

آزمایش‌ها و نتایج کلیدی

تیم پژوهشی هشت مدل زبانی را آزمایش کرد (پنج مدل از OpenAI و سه مدل از Anthropic) و از معیار F1 score برای سنجش استفاده نمود. نتایج اصلی به اختصار:

  • پاسخ‌های مستقیم: 63.3
  • خودهمخوانی (self-consistency): 77.9
  • پایپلاین کامل MWM: 87.9
  • انسان‌ها تحت همان پروتکل: 98.5

اضافه‌کردن لایه‌های مدلسازی ذهنی و فیزیکی تأثیری فراتر از صرفاً نمونه‌برداری چندباره از مدل‌های پایه نشان داد؛ حتی مدل‌های ضعیف‌تر با MWM از مدل‌های قوی‌تر با پاسخ مستقیم بهتر عمل کردند.

تحلیل بخش به بخش

  • حذف کانال ذهنی: افت میانگین 12.1 امتیاز
  • حذف کانال فیزیکی: افت میانگین 16.5 امتیاز
  • پیش‌بینی مستقل کانال‌ها به‌جای جفت‌شدن آن‌ها: کاهش 6.4 امتیاز

تأثیر مدلسازی ذهنی بیشترین مقدار را در صحنه‌های بین‌فردی داشت (افزایش 26.4 امتیاز) و در صحنه‌های متمرکز بر شیء به‌طور متوسط 14.0 امتیاز افزایش مشاهده شد.

تحلیل نتایج مقایسه‌ای بین MWM و روش‌های مرسوم

گلوگاه‌ها و مسیرهای بهبود

با جایگزینی خروجی‌های میانی با مرجع انسانی مشخص شد بیشترین بهبود عملکرد از «گذارهٔ حالت کامل» حاصل می‌شود (+3.5)، سپس «حالت اولیهٔ کامل» (+2.8) و «مشاهدهٔ کامل» (+1.7). نویسندگان بر این باورند که نزدیک به 80٪ از شکاف باقیمانده تا سطح انسانی ناشی از خطاهای پیش‌بینی در مراحل میانی، بخصوص در شبیه‌سازی گذار حالات، است. بنابراین اولویت تحقیقاتی بعدی باید افزایش دقت شبیه‌سازی انتقال حالات و مدیریت عدم‌قطعیت در فروض ذهنی باشد.

پیامدها برای رباتیک و عامل‌های تعاملی

افزودن متغیرهای ذهنی به مدل جهان نتایج مستقیمی برای طراحی ربات‌های خدماتی، دستیاران پزشکی و سامانه‌های خودگردان دارد. عامل‌هایی که صرفاً دنیای فیزیکی را مدلسازی می‌کنند، توانایی پیش‌بینی و تبیین رفتار پیچیدهٔ انسانی را به‌طور قابل‌اعتماد ندارند. مدلسازی ذهنی می‌تواند تعاملات را طبیعی‌تر، ایمن‌تر و قابل‌فهم‌تر سازد.

جمع‌بندی و چشم‌انداز

نتایج این مطالعه نشان می‌دهد مدلسازی جهان ذهنی نه یک افزودن تشریفاتی، بلکه یک نیاز عملی برای ارتقای توان پیش‌بینی و تبیین رفتار انسانی است. گام‌های بعدی شامل بهبود دقت شبیه‌سازی گذار حالات، ترکیب اطلاعات چندمنظوره و توسعه روش‌های مدیریت عدم‌قطعیت در فروض ذهنی خواهد بود. این پیشرفت‌ها می‌توانند تعامل انسان و ماشین را از ربات‌های خانگی تا سامانه‌های پشتیبان بالینی قابل‌اعتمادتر کنند.

برای دسترسی به منابع فنی و پروژه‌های متن‌باز مرتبط می‌توانید به GitHub و تحلیل‌های خبری در TechCrunch مراجعه کنید.