به نقل از «ایران اکونومیست»

دانش زبانی بازیکنان تیم ملی

تاریخ انتشار: ۱۹ خرداد ۱۴۰۱ | کد خبر: ۳۵۱۹۱۴۹۶

در مقایسه با سایر نسل‌های فوتبالی ایران، نسل کنونی از لحاظ دانش زبانی به سطح بالاتری رسیده و یکی، دو چهره ملی‌پوش ایرانی، چنان با کیفیت انگلیسی صحبت می‌کنند که نمی‌شود به‌سادگی آنها را از یک انگلیسی‌زبان تمیز داد.

به گزارش ایران اکونومیست، روزنامه شرق نوشت: «تیم ملی ایران در شرایطی باید از آبان‌ماه کارش را در رقابت‌های جام جهانی قطر شروع کند که در گروه سهل و ممتنعی قرار گرفته است! در مقایسه با سایر تیم‌های آسیایی حاضر در جام جهانی، گروه ایران از بقیه راحت‌تر است ولی همین گروه هم با ارزیابی دقیق، یکی از سخت‌ترین گروه‌های ممکن برای ایران می‌تواند باشد.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

تیم ملی در گروه دوم با تیم‌های انگلیس، آمریکا و ولز هم‌گروه شده است.

انگلیس یکی از مدعیان کسب قهرمانی جام جهانی است و انگیزه زیادی برای درخشیدن در جام پیش‌ رو دارد. آمریکا هم یکی از بهترین نسل‌های فوتبالی‌اش را دارد و این روزها ستاره‌های این تیم در مطرح‌ترین باشگاه‌های اروپایی بازی می‌کنند. سومین و آخرین رقیب ایران هم ولز است؛ تیمی که به‌تازگی به طلسم ۶۴‌ ساله‌اش پایان داده و به جام جهانی رسیده است. یاران گرت بیل هم که حالا به این طلسم طولانی‌مدت پایان داده‌اند، قاعدتا علاقه‌ای به حذف زودهنگام از جام جهانی نخواهند داشت و با تمام قوا کارشان را در مرحله گروهی استارت خواهند زد. اینها به آن معنی نیست که ایران حریف دست‌وپابسته‌ای است؛ اتفاقا فوتبال ایران هم این روزها یکی از بهترین نسل‌های فوتبالی‌اش را دارد و چندین ستاره بین‌المللی در ترکیب این تیم قرار گرفته‌اند. با این حال نگاهی به سایر رقبای ایران در گروه دوم، مشخص می‌کند که کار چندان ساده نخواهد بود.

به غیر از داستان قدرت فوتبالی، سه رقیبی که قرار است برابر ایران در این گروه صف‌آرایی کنند، یک زبان مشترک دارند: انگلیسی. انگلیس و آمریکا که وضعیت روشنی دارند و تفاوت آنها در صحبت انگلیسی به لهجه «بریتیش» و «امریکن» برمی‌گردد. ولز هم که بریتانیایی است و مثل سایر کشورهای بریتانیایی زبان انگلیسی دارد؛ حال شاید با لهجه‌ای متفاوت از لندنی‌ها.

البته این اختلاف زبانی در تیم ملی ایران با سایر رقبا هم تا حدود بسیار زیادی از بین رفته و حالا به لطف لژیونرهای بیشماری که ایران دارد، بازیکنان تیم ملی هم رفته‌رفته با زبان انگلیسی آشنا شده‌اند. عده‌ای از آنها روان‌تر صحبت می‌کنند و عده‌ای دیگر کم‌وبیش زبان انگلیسی را فراگرفته‌اند. بدیهی است که دانش زبانی همه بازیکنان یکسان نباشد ولی در مقایسه با سایر نسل‌های فوتبالی ایران، نسل کنونی از لحاظ دانش زبانی به سطح بالاتری رسیده و یکی، دو چهره ملی‌پوش ایرانی، چنان با کیفیت انگلیسی صحبت می‌کنند که نمی‌شود به‌سادگی آنها را از یک انگلیسی‌زبان تمیز داد.

وضعیت برای تیم ملی ایران از این لحاظ تقریبا در تمام خطوط مشابه است؛ یعنی از خط دروازه گرفته تا مهاجمان ایران، بالاخره یکی، دو نفر پیدا می‌شوند که زبان انگلیسی را متوجه شوند و بتوانند به این زبان صحبت کنند. در خط دروازه، جایگاه امیر عابدزاده از این لحاظ متمایز است. او به واسطه سال‌ها حضورش در فوتبال پرتغال و تلاش برای ارتباط برقرارکردن با هم‌تیمی‌ها، از رقبای دیگر پیشی گرفته است. پیش‌تر ویدئوهایی از زمان حضور او در تیم ماریتیمو منتشر شده که نشان می‌دهد او با زبان انگلیسی ارتباط برقرار می‌کند و حتی بازیکنان رقیب را با همین زبان در هنگام زدن ضربات پنالتی تحریک به چیپ‌زدن می‌کند. در کنار او پیام نیازمند و علیرضا بیرانوند هم حضور دارند. درست است که درباره انگلیسی صحبت‌کردن علیرضا بیرانوند حکایت‌های زیادی ساخته شده، اما او هم در یکی، دو سال گذشته مجبور شده دانش زبانی‌اش را ارتقا دهد. در مقام مقایسه با سال‌های گذشته، بیرانوند پیشرفت بسیار خوبی داشته است. شاید یکی از سرگرمی‌های بازیکنان تیم ملی شنیدن خاطرات انگلیسی صحبت‌کردن بیرانوند باشد ولی او حالا تا حدودی می‌تواند گلیمش را از آب بیرون بکشد.

شبیه به وضعیت بیرانوند را دو مدافع میانی تیم ملی یعنی شجاع خلیل‌زاده و کنعانی‌زادگان دارند. این دو هم بعد از رفتن به قطر، مجبور به بالابردن کیفیت زبان دوم شده‌اند ولی هنوز هم زیادی سربه‌سر یکدیگر می‌گذارند و انگلیسی صحبت‌کردن طرف مقابل را به سخره می‌گیرند. وجه اشتراک خاطراتی که از بیرانوند و کنعانی‌زادگان روایت می‌شود، این است که آنها در میانه زمین اشتباهی «داور» را «مربی» خطاب کرده‌اند! به هر روی همان‌ طور که عنوان شد، این موضوع دیگر برطرف شده و حداقل از لحاظ برقراری ارتباط با سایر هم‌تیمی‌های انگلیسی‌زبان‌ خود کمتر مشکل دارند. شاید بهترین وضعیت در این زمینه را در بین مدافعان میلاد محمدی داشته باشد؛ بازیکنی که بعد از لژیونرشدن از صفر شروع کرد اما در عرض شش ماه توانست گلیمش را از این ماجرا بیرون بکشد. باشگاه برای او مترجم و معلم گرفته بود و وادارش کرده بودند انگلیسی را زودتر بیاموزد. میلاد انگلیسی صحبت می‌کند ولی مثل سایر بازیکنان تیم ملی انگلیسی را با لهجه و «اکسان» فارسی صحبت می‌کند. این یکی دیگر با تمرین و تمرین بهتر می‌شود و نمی‌توان خرده‌ای گرفت.

اگرچه هنوز ویدئویی درباره انگلیسی صحبت‌کردن یا خاطره‌ای در این مورد از صادق محرمی هم منتشر نشده، ولی می‌توان حدس زد که بعد از پیوستن او به دینامو، مجبور شده در محیط قرار بگیرد و برای برقراری ارتباط به زبان دیگری حرف بزند.

در میانه میدان، شرایط از لحاظ انگلیسی صحبت‌کردن خوب است؛ سامان قدوس که کلا انگلیسی را بهتر از فارسی صحبت می‌کند. او به غیر از انگلیسی به زبان سوئدی هم صحبت می‌کند. سامان چند ماهی هم در آمیان فرانسه بازی کرده و بدیهی است که با این زبان هم در حد اندکی آشنایی داشته باشد.

سعید عزت‌اللهی هم در بین هافبک‌های تیم ملی شرایط خوبی دارد. برخلاف شایعاتی که درباره او و دانستن زبان اسپانیایی مطرح می‌شود، او تسلطی به این زبان ندارد ولی در انگلیسی مشکلی ندارد. سعید هم به واسطه حضور چندین‌ساله‌اش در فوتبال اروپا و قطر، مجبور به یادگیری فشرده زبان انگلیسی بوده است.

در خط حمله تیم ملی ایران، مهدی طارمی، ستاره بین‌المللی ایران، انگلیسی را با لهجه فارسی صحبت می‌کند ولی آن‌قدر در این زمینه پیشرفت داشته که حالا بیشتر مصاحبه‌هایی که از او پخش می‌شود، به زبان انگلیسی است. طارمی نشان داده استعداد خوبی در این زمینه دارد و بدیهی است که شرایطش از این نظر در سال‌های پیش‌ رو به مراتب بهتر و بهتر می‌شود. در بین مهاجمان تیم ملی او به‌راحتی به زبان انگلیسی حرف می‌زند و این زبان را متوجه می‌شود. درباره سردار آزمون چندان با قاطعیت نمی‌توان نظر داد. بدیهی است که او کلمه و جملات کلیدی را که برای برقراری ارتباط نیاز است، می‌داند ولی به واسطه حضورش در فوتبال روسیه، زبان این کشور را بلد است و به ترکمنستانی هم حرف می‌زند. او حالا که به آلمان رفته مجبور است علاوه بر بالابردن کیفیت زبان انگلیسی‌اش، سراغ زبان آلمانی هم برود.

کریم انصاری‌فرد هم دیگر مهاجم ملی‌پوش ایرانی است که به زبان انگلیسی تسلط دارد و می‌تواند راحت صحبت کند. با این حال شاید جایزه بهترین دانش زبانی در تیم ملی را بتوان به علیرضا جهانبخش اهدا کرد؛ ستاره‌ای که انگلیسی را کاملا شبیه به خود انگلیسی‌ها و بدون لهجه فارسی و بسیار روان صحبت می‌کند. به غیر از این زبان، علیرضا مسلط به زبان داچ یا همان هلندی هم هست. شاید بشود از سامان قدوس به‌عنوان جدی‌ترین رقیب جهانبخش در این زمینه نام برد ولی نباید فراموش کرد که علیرضا بر خلاف سامان در محیط خارجی بزرگ نشده و با تلاش و پشتکار، کیفیت زبان انگلیسی‌اش را بالا برده است.

بدیهی است که این گزارش می‌تواند کامل‌تر از اینها هم باشد و شاید چندین بازیکن از قلم افتاده باشند (مثل علی قلی‌زاده، سروش رفیعی و ...) ولی مسئله اینجاست که با نگاهی مختصر به شرایط کنونی، پرواضح است که وضعیت دانش زبانی بازیکنان تیم ملی در مقایسه با سال‌های گذشته رشد بسیار چشمگیری داشته است؛ آنها حالا انگلیسی را متوجه می‌شوند و اگر چه تعدادی از آنها گاهی با لهجه فارسی ولی انگلیسی هم صحبت می‌کنند.»

 

منبع: خبرگزاری ایسنا برچسب ها: تیم ملی فوتبال ایران

منبع: ایران اکونومیست

کلیدواژه: تیم ملی فوتبال ایران انگلیسی صحبت کردن بازیکنان تیم ملی نسل های فوتبالی تیم ملی ایران زبان انگلیسی صحبت می کنند دانش زبانی جام جهانی سال ها

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت iraneconomist.com دریافت کرده‌است، لذا منبع این خبر، وبسایت «ایران اکونومیست» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۵۱۹۱۴۹۶ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

چرا ارتش‌ها نمی‌توانند به هوش مصنوعی اعتماد کند؟

فرارو- ژاکلین اشنایدر؛ پژوهشگر موسسه هوور در دانشگاه استنفورد است. او در موسسه هوور مدیر ابتکار عمل بازی و شبیه سازی بحران است.او یکی از افراد وابسته به مرکز امنیت و همکاری بین‌المللی استنفورد است.تحقیقات اشنایدر بر حوزه تلاقی فناوری، امنیت ملی و روانشناسی سیاسی با علاقه ویژه نسبت به امنیت سایبری، فناوری‌های خودمختار، مانور‌های نظامی و شمال شرق آسیا متمرکز بوده است. اشنایدر در سال ۲۰۲۰ میلادی برنده جایزه پژوهشگران نوظهور پری ورلد هاوس شد.

به گزارش فرارو به نقل از فارن افرز، شرکت Open AI  در سال ۲۰۲۲ میلادی از چت بات Chat GPT رونمایی کرد که از مدل‌های زبانی بزرگ یا به اختصار LLMs برای تقلید از مکالمات انسانی و پاسخ به پرسش‌های کاربران استفاده می‌کند. توانایی‌های خارق العاده آن چت بات بحثی را در مورد نحوه استفاده از مدل‌های زبانی بزرگ برای انجام کار‌های دیگری از جمله جنگیدن در یک جنگ برانگیخت. برخی مانند مشاوران کمیته بین المللی صلیب سرخ هشدار داده اند که این قبیل فناوری‌ها می‌توانند تصمیم گیری انسانی را از حیاتی‌ترین مسائل زندگی و مرگ حذف کنند.

وزارت دفاع ایالات متحده اکنون به طور جدی در حال بررسی کار‌هایی است که مئل‌های زبانی بزرگ می‌توانند برای ارتش انجام دهند. وزارت دفاع آمریکا در بهار ۲۰۲۲ میلادی دفتر اصلی هوش مصنوعی و دیجیتال را تأسیس کرد تا بررسی نماید که هوش مصنوعی چگونه می‌تواند به نیرو‌های مسلح کمک کند.

وزارت دفاع استراتژی خود را برای پذیرش فناوری‌های مبتنی بر هوش مصنوعی در نوامبر ۲۰۲۳ میلادی  منتشر کرد. آن گزارش با نگاهی خوش بینانه اشاره کرده بود که "تازه‌ترین پیشرفت‌ها در فناوری‌های داده، تجزیه و تحلیل و هوش مصنوعی به رهبران این امکان را می‌دهد که  از اتاق هیئت مدیره تا میدان جنگ سریع‌ترین تصمیمات را اتخاذ کنند".

بر این اساس اکنون از فناوری‌های مجهز به هوش مصنوعی استفاده می‌شود. برای مثال، نیرو‌های آمریکایی دارای سیستم‌های مجهز به هوش مصنوعی برای هدف قرار دادن منافع انصارالله در خاورمیانه و شمال آفریقا بوده اند. نیرو‌های تفنگدار دریای ایالات متحده و نیروی هوایی آن کشور در حال آزمایش با مدل‌های زبانی بزرگ هستند و از آن برای مانور‌های جنگی، برنامه ریزی نظامی و وظایف اداری اساسی استفاده می‌کنند. Palantir شرکتی که فناوری اطلاعات را برای وزارت دفاع آمریکا توسعه می‌دهد محصولی ایجاد کرده که از مدل‌های زبانی بزرگ  برای مدیریت عملیات نظامی استفاده می‌کند. در همین حال، وزارت دفاع آمریکا یک کارگروه جدید برای بررسی استفاده از هوش مصنوعی مولد از جمله مدل‌های زبانی بزرگ در ارتش ایالات متحده تشکیل داده است.

با این وجود، علیرغم اشتیاق نسبت به هوش مصنوعی و مدل‌های زبانی بزرگ در پنتاگون رهبری آن نهاد نگران خطراتی است که این فناوری‌ها ایجاد می‌کنند. اخیرا نیروی دریایی ایالات متحده دستورالعملی را منتشر کرده که استفاده از اپلیکیشن‌های مبتنی  بر مدل‌های زبانی بزرگ را محدود کرده چرا که باور دارد این اپلیکیشن‌ها دچار سوگیری و توهم می‌شوند و آسیب پذیری امنیتی را با انتشار ناخواسته اطلاعات حساس افزایش خواهند داد.

نتیجه تحقیقات من و همکاران ام نشان می‌دهند که این نگرانی‌ها موجه هستند. مدل‌های زبانی بزرگ می‌توانند مفید باشند،  اما پیش بینی اقدامات آن مدل‌ها دشوار است و می‌توانند تماس‌های خطرناک را به شکلی تشدید شده افزایش دهند. بنابراین، ارتش باید محدودیت‌هایی را برای این فناوری‌ها زمانی که برای تصمیم گیری‌های پرمخاطره به ویژه در موقعیت‌های جنگی استفاده می‌شود اعمال کند. مدل‌های زبانی بزرگ کاربرد‌های زیادی در وزارت دفاع ایالات متحده دارند، اما برون سپاری انتخاب‌های پرمخاطب به ماشین‌ها تصمیمی خطرناک است.

مشکلات آموزشی

مدل‌های زبانی بزرگ سیستم‌های مبتنی بر هوش مصنوعی هستند  که بر روی مجموعه‌های بزرگی از داده‌ها آموزش دیده اند که براساس آن چه قبلا نوشته شده متن یا یک کلمه در یک زمان تولید می‌کنند.

 این فرآیند دو مرحله می‌باشد. اولین مرحله پیش آموزش است زمانی که مدل‌های زبانی بزرگ از ابتدا آموزش داده می‌شوند و الگو‌های اساسی  موجود در یک مجموعه داده عظیم را بازتولید می‌کنند. برای انجام این کار مدل باید مقدار زیادی در مورد موضوعاتی از جمله گرامر، تداعی‌های واقعی، تجزیه و تحلیل احساسات و ترجمه زبان را بیاموزد. مدل‌های زبانی بزرگ بخش عمده مهارت‌های خود را در طول دوره پیش آموزش توسعه می‌دهند، اما موفقیت آن مدل‌ها به کیفیت، اندازه و تنوع داده‌هایی که مصرف می‌کنند بستگی دارد. به قدری متن مورد نیاز است که عملا غیرممکن می‌باشد که یک مدل زبانی بزرگ صرفا بر اساس داده‌های با کیفیت بالا بررسی شود. این به معنای پذیرش داده‌های با کیفیت پایین نیز می‌باشد. برای نیرو‌های مسلح یک مدل زبانی بزرگ نمی‌تواند تنها بر اساس داده‌های نظامی آموزش ببیند و هنوز هم به اشکال عمومی بیش تری از اطلاعات از جمله دستور العمل ها، رمان‌های عاشقانه، و مبادلات دیجیتالی روزانه که اینترنت را پر می‌کنند نیاز دارد.

با این وجود، پیش آموزش برای ساخت یک چت بات مفید یا یک دستیار فرماندهی و کنترل دفاعی کافی نیست. این بدان خاطر است که در مرحله اول مدل‌های زبانی بزرگ استایل‌ها و کاراکتر‌های مختلف نوشتاری را اتخاذ می‌کنند که همه آن‌ها لزوما برای وظیفه در نظر گرفته شده برای آن مدل مناسب نیستند. مدل‌های زبانی بزرگ پس از پیش آموزش ممکن است فاقد دانش خاص لازم مانند اصطلاحات تخصصی مورد نیاز برای پاسخ به پرسش‌ها در مورد برنامه‌های نظامی باشند. به همین خاطر است که مدل‌های زبانی بزرگ به تنظیم دقیق در مجموعه داده‌های کوچک‌تر و خاص‌تر نیاز دارند.

در مرحله دوم توانایی مدل‌های زبانی بزرگ برای  ارتباط با کاربر با یادگیری نحوه تبدیل شدن به یک شریک مکالمه و دستیار بهبود بخشیده می‌شوند. روش‌های مختلفی برای تنظیم دقیق وجود دارد، اما اغلب با ترکیب اطلاعات از فوروم‌های پشتیبانی آنلاین و هم چنین بازخورد انسانی انجام می‌شود تا اطمینان حاصل شود که خروجی‌های مدل‌های زبانی بزرگ با اولویت‌های انسانی همسو هستند.

این فرآیند باید بین پیش آموزش اولیه مدل‌های زبانی بزرگ با ملاحظات انسانی دقیق‌تر از جمله مفید یا مضر بودن پاسخ‌ها تعادل برقرار کند. ایجاد این تعادل دشوار است. برای مثال، یک چت بات که همواره از درخواست‌های کاربر پیروی می‌کند مانند مشاوره در مورد نحوه ساخت بمب بی ضرر نیست،  اما اگر اکثر درخواست‌های کاربر را رد کند دیگر مفید نخواهد بود.

طراحان باید راهی برای فشرده سازی چکیده‌ها از جمله هنجار‌های رفتاری و اخلاقیات در معیار‌هایی برای تنظیم دقیق پیدا کنند. برای انجام این کار محققان با مجموعه داده‌هایی که توسط انسان‌ها مشروح شده کار را آغاز کرده و  نمونه‌های تولید شده توسط مدل‌های زبانی بزرگ را به طور مستقیم مقایسه کرده و انتخاب می‌کنند که کدام یک ارجح هستند. مدل زبانی دیگر یا مدل ترجیحی به طور جداگانه بر روی رتبه بندی‌های انسانی نمونه‌های تولید شده توسط مدل‌های زبانی بزرگ آموزش داده می‌شود تا به هر متن داده شده امتیازی مطلق در استفاده از آن برای انسان اختصاص دهد. سپس از مدل ترجیحی برای فعال کردن تنظیم دقیق مدل‌های زبانی بزرگ اصلی استفاده می‌شود.

این رویکرد محدودیت‌هایی دارد. این که چه چیزی ارجح است بستگی به آن دارد که از چه کسی بپرسید و این که مدل با ترجیحات متضاد چگونه برخورد می‌کند.  علاوه بر این، کنترل کمی بر روی قوانین اساسی که توسط مدل‌های زبانی بزرگ در طول تنظیم دقیق آموخته می‌شود وجود دارد. این بدان خاطر است که نه مدل‌های زبانی بزرگ و نه مدل ترجیحی برای تنظیم دقیق موضوعی را مستقیما یاد نمی‌گیرند بلکه تنها با نشان دادن نمونه‌هایی از رفتار مطلوب در عمل می‌توان آن‌ها را آموزش داد و انسان امیدوار است که قوانین اساسی به اندازه کافی درونی شده باشند، اما هیچ گونه تضمینی وجود ندارد که چنین اتفاقی رخ دهد.

با این وجود، تکنیک‌هایی برای کاهش برخی از این مشکلات وجود دارد. برای مثال، برای غلبه بر محدودیت‌های مجموعه داده‌های کوچک و گران قیمت برچسب گذاری شده توسط انسان، مجموعه داده‌های ترجیحی را می‌توان با استفاده از یک مدل زبانی بزرگ  برای تولید داده‌های ترجیحی برچسب گذاری شده با هوش مصنوعی گسترش داد. رویکرد‌های جدیدتر حتی از قوانینی استفاده می‌کنند که توسط طراحان مدل‌های زبانی بزرگ برای رفتار‌های مناسب ترسیم شده است مانند پاسخ به نژادپرستی تا به طور بالقوه به مربیان مدل کنترلی درباره این که کدام قواعد در معیار ترجیحی مورد استفاده قرار می‌گیرند ایده بهتری بدهند.

پیش آموزش و تنظیم دقیق می‌تواند مدل‌های زبانی بزرگ توانمندی را ایجاد کند، اما این فرآیند هنوز برای ایجاد جایگزین‌های مستقیم برای تصمیم گیری انسانی کامل نیست. این بدان خاطر است که یک مدل زبانی بزرگ فارغ از آن که چه اندازه خوب تنظیم شده یا آموزش دیده صرفا می‌تواند رفتار‌های خاصی را ترجیح دهد و قابلیت انتزاع ندارد و هم چنین نمی‌تواند مانند انسان استدلال کند. انسان‌ها در محیط‌ها تعامل دارند، مفاهیم را می‌آموزند و با استفاده از زبان با آن مفاهیم ارتباط برقرار می‌کنند.

این در حالیست که مدل‌های زبانی بزرگ صرفا می‌توانند زبان و استدلال را با انتزاع همبستگی‌ها و مفاهیم از داده‌ها تقلید کنند. مدل‌های زبانی بزرگ اغلب ممکن است به درستی ارتباطات انسانی را تقلید کنند، اما بدون توانایی درونی کردن و با توجه به اندازه عظیم مدل هیچ تضمینی وجود ندارد که انتخاب‌های آن مدل‌ها ایمن یا اخلاقی باشد. بنابراین، نمی‌توان به طور قابل اعتماد پیش بینی کرد که یک مدل زبانی بزرگ هنگام تصمیم گیری‌های پرمخاطره چه خواهد کرد.

یک بازیگر خطرناک

مئل‌های زبانی بزرگ قادر هستند آن دسته از وظایف نظامی را انجام دهند که نیازمند پردازش مقادیر زیادی از داده‌ها در بازه‌های زمانی بسیار کوتاه می‌باشند بدان معنا که نظامیان ممکن است بخواهند از آن مدل‌ها به منظور تقویت تصمیم گیری یا ساده سازی عملکرد‌های بوروکراتیک استفاده کنند. برای مثال، مدل‌های زبانی بزرگ برای برنامه ریزی نظامی، فرماندهی و اطلاعات کاربرد خوبی دارند. آن مدل‌ها می‌توانند بسیاری از برنامه ریزی‌های سناریو، مانور‌های جنگی، بودجه بندی و آموزش را اتوماتیزه یا خودکار کنند. آن مدل‌ها هم چنین قادر هستند برای ترکیب اطلاعات، تقویت پیش بینی تهدید و ایجاد توصیه‌های هدف استفاده شوند.

مدل‌های زبانی بزرگ در طول جنگ یا بحران می‌توانند از راهنمایی‌های موجود برای ارائه دستورات استفاده کنند حتی زمانی که ارتباط محدود یا حداقلی بین واحد‌ها و فرماندهان آن‌ها وجود دارد. شاید مهم‌تر از برای عملیات روزانه ارتش آن باشد که مدل‌های زبانی بزرگ ممکن است بتوانند وظایف نظامی سخت گیرانه مانند سفر، تدارکات و ارزیابی عملکرد را خودکار کنند. با این وجود، حتی برای انجام این وظایف نیز موفقیت مدل‌های زبانی بزرگ را نمی‌توان تضمین کرد.

رفتار آن مدل‌ها به ویژه در نمونه‌های نادر و غیرقابل پیش بینی می‌تواند نامنظم باشد و از آنجایی که هیچ دو مدل زبانی بزرگی در آموزش یا تنظیم دقیق خود دقیقا مشابه نیستند به طور منحصر بفردی تحت تاثیر ورودی‌های کاربر قرار می‌گیرند. برای مثال، در یکی از بررسی‌ها درباره مانور‌های جنگی و سناریو سازی یکی از مدل‌های زبانی بزرگ مورد آزمایش قرار گرفته توسط من و تیم پژوهشی ام سعی کرده بود با گشودن آتش بر روی رزمندگان دشمن و گرم کردن فضای جنگ سرد از تلفات یا برخورد دوستانه جلوگیری کند با این استدلال که استفاده از خشونت پیشگیرانه به احتمال زیاد از پیامد بد بحران جلوگیری می‌کند. مشکل در اینجا بود که مدل زبانی بزرگ تصمیمات خود را به گونه‌ای اتخاذ کرد که پیچیدگی تصمیم گیری انسانی را بیان نمی‌کرد.

گفتگو‌های ایجاد شده توسط مدل زبانی بزرگ بین بازیکنان اختلاف کمی داشت و شامل بیانیه‌های کوتاه واقعیت بود. این بسیار دور از استدلال‌های عمیق بود که اغلب بخشی از مانور‌های جنگی انسانی را شامل می‌شود.

تیم پژوهشی ما در پروژه تحقیقاتی متفاوتی نحوه رفتار مدل‌های زبانی بزرگ در مدل‌های جنگی شبیه سازی شده را مطالعه کرد. ما متوجه شدیم که مدل‌های زبانی بزرگ براساس نسخه خود، داده‌هایی که در آن آموزش دیده اند و انتخاب‌هایی که طراحان آن مدل‌ها در هنگام تنظیم دقیق ترجیحات خود انجام داده اند متفاوت رفتار می‌کنند. علیرغم این تفاوت‌ها ما متوجه شدیم که همه مدل‌های زبانی بزرگ تشدید وضعیت را انتخاب کردند و مسابقات تسلیحاتی، درگیری و حتی استفاده از سلاح‌های هسته‌ای را ترجیح داده اند. حتی زمانی که یک مدل زبانی بزرگ که به خوبی تنظیم نشده بود را مورد آزمایش قرار دادیم منجر به اقدامات آشفته و استفاده از سلاح‌های هسته‌ای شد. استدلال مدل زبانی بزرگ این بود:"بسیاری از کشور‌ها دارای سلاح هسته‌ای هستند برخی فکر می‌کنند که باید آن تسلیحات را امحا کرد برخی دیگر دوست دارند آن تسلیحات را حفظ کنند. ما آن سلاح را داریم پس از آن استفاده می‌کنیم"!

سوء تفاهم‌های خطرناک

علیرغم  تمایل نظامیان به استفاده از مدل‌های زبانی بزرگ و سایر ابزار‌های تصمیم گیری مبتنی بر هوش مصنوعی محدودیت‌ها و خطرات واقعی در این باره وجود دارد. ارتش‌هایی که برای تصمیم گیری به این فناوری‌ها متکی هستند نیاز به درک بهتری از نحوه عملکرد مدل زبانی بزرگ و اهمیت تفاوت در طراحی و اجرای آن مدل‌ها دارند. این امر مستلزم آموزش قابل توجه کاربر و توانایی ارزیابی منطق‌ها و داده‌های اساسی است که باعث می‌شود یک مدل زبانی بزرگ کار کند.

نظامیان باید بدانند که اساسا رفتار یک مدل زبانی بزرگ هرگز نمی‌تواند کاملا تضمین شود به ویژه زمانی که انتخاب‌های نادر و دشواری درباره تشدید تنش و جنگ انجام می‌دهند. این واقعیت بدان معنا نیست که ارتش نمی‌تواند از مدل زبانی بزرگ استفاده کند. برای مثال، مدل‌های زبانی بزرگ را می‌توان برای ساده سازی فرآیند‌های داخلی مانند نوشتن خلاصه‌های کوتاه و گزارش‌ها مورد استفاده قرار داد. هم چنین، می‌توان از مدل‌های زبانی بزرگ در کنار فرآیند‌های انسانی از جمله مانور‌های جنگی یا ارزیابی‌های هدف گیری به‌عنوان راه‌هایی برای کشف سناریو‌ها و دوره‌های عمل جایگزین استفاده کرد بدون آن که تصمیم گیری برای کاربرد یا عدم کاربرد خشونت را به آن مدل واگذار کنیم.