گوگل اخیراً از مدل هوش مصنوعی جدیدی با نام HOPE پردهبرداری کرده است؛ مدلی که با هدف کمک به ماشینها برای یادگیری و تطبیقپذیری در طول زمان توسعه یافته است. گوگل این سیستم را یک مدل «خوداصلاحگر (self-modifying)» توصیف میکند که از چارچوب آموزشی نوآورانهای به نام یادگیری تودرتو (Nested Learning) بهره میبرد.
این شیوهی جدید آموزشی میتواند بر یکی از بزرگترین چالشهای دنیای هوش مصنوعی غلبه کند: ناتوانی در یادگیری پیوسته بدون فراموشی دانش قبلی. طبق اعلام گوگل، مدل HOPE در مقایسه با مدلهای زبانی بزرگ (LLMها) از نظر مدیریت حافظه و میزان سازگاری عملکرد بهتری دارد.
پژوهشگران همچنین بر این باورند که این رویکرد میتواند در آینده پلی میان سیستمهای فعلی و هوش مصنوعی عمومی (AGI) — یعنی سطحی از هوش که به تواناییهای انسانی نزدیک است — ایجاد کند. یافتههای این پروژه در مقالهای با عنوان
«Nested Learning: The Illusion of Deep Learning Architectures» در کنفرانس NeurIPS 2025 ارائه شده است.
مدل HOPE چیست؟
تیم تحقیقاتی گوگل، HOPE را بهعنوان یک پروژهی آزمایشی و اثبات مفهوم (Proof of Concept) برای آزمودن روش جدیدی از آموزش ماشینها توسعه داده است که بر پایهی یادگیری تودرتو کار میکند.
در این ساختار، چندین وظیفهی یادگیری بهصورت همزمان عمل میکنند و مدل را قادر میسازند دانش جدید را بر پایهی دانستههای پیشین بنا کند، به جای آنکه آموختههای قبلی را هنگام آموزشهای تازه حذف کند.
چرا پژوهشگران معتقدند HOPE میتواند آیندهی هوش مصنوعی را دگرگون کند
یکی از موانع اساسی در مسیر ساخت سیستمهای پیشرفتهتر هوش مصنوعی، یادگیری مستمر یا continual learning است — قابلیتی که به سیستم اجازه میدهد اطلاعات جدید را بیاموزد بدون اینکه دانستههای گذشته را بازنویسی یا از دست بدهد.
مدلهای زبانی بزرگ کنونی (LLMها) با وجود توانایی در تولید متن، کد و استدلالهای پیچیده، همچنان از پدیدهای رنج میبرند که پژوهشگران آن را «فراموشی فاجعهبار (catastrophic forgetting)» مینامند؛ یعنی زمانی که دادههای آموزشی جدید باعث از بین رفتن اطلاعات پیشتر آموختهشده میشود.
آندری کارپاتی (Andrej Karpathy)، پژوهشگر هوش مصنوعی و از دانشمندان سابق گوگل دیپمایند، در یک پادکست گفت:
«مدلهای فعلی توانایی یادگیری مداوم ندارند. شما نمیتوانید چیزی به آنها بیاموزید و انتظار داشته باشید که آن را به خاطر بسپارند. از نظر شناختی هنوز کاستی دارند.»
او اضافه کرد که این محدودیت یکی از دلایلی است که باعث میشود دستیابی به هوش مصنوعی همتراز انسان (AGI) هنوز حداقل یک دهه فاصله داشته باشد.
چگونه HOPE بر چالش یادگیری مداوم غلبه میکند
رویکرد جدید گوگل، نحوهی خودِ یادگیری درون یک مدل را از نو تعریف میکند. پژوهشگران این شرکت معتقدند که ساختار مدل و روش آموزش آن دو وجه از یک مفهوم واحد هستند — و هر دو برای شکلگیری هوش حیاتیاند.
با پیوند دادن این دو فرآیند، یادگیری تودرتو (Nested Learning) بُعد جدیدی را معرفی میکند که به گفتهی تیم تحقیقاتی، تاکنون «نامرئی» بوده است؛ بُعدی که میتواند پایهگذار سیستمهای هوش مصنوعی توانمندتر و سازگارتر با دنیای واقعی باشد.
عملکرد اولیه و نتایج HOPE
بر اساس گزارش گوگل، مدل HOPE در آزمایشهای اولیه توانسته است میزان سردرگمی (Perplexity) کمتری و دقت بالاتری در طیف وسیعی از آزمونهای استاندارد زبان و استدلال در مقایسه با LLMهای برتر فعلی به دست آورد.
این نتایج اولیه نشان میدهد که یادگیری تودرتو میتواند پایهای برای ساخت سیستمهایی باشد که بهصورت مداوم و تدریجی رشد کرده و درک خود را اصلاح میکنند — درست مانند انسانها، نه اینکه با هر مجموعه دادهی تازه از نو آغاز کنند.
پژوهشگران گوگل در مقالهی خود نوشتند:
«ما معتقدیم پارادایم یادگیری تودرتو، بنیانی قوی برای پر کردن شکاف میان ماهیت فراموشکار مدلهای زبانی فعلی و توانایی شگفتانگیز مغز انسان در یادگیری مداوم فراهم میآورد.»
در حال حاضر، پروژهی Google HOPE در مرحلهی آزمایشی قرار دارد. با این حال، در صورت عرضهی عمومی، میتواند بهعنوان یکی دیگر از نوآوریهای بنیادین در مسیر تحول هوش مصنوعی شناخته شود.
