تحقیقات جدید گوگل نشان می دهد که مدل های زبانی بزرگ (LLMs) زمانی که سوالات، ترتیب معمول نهاد و مفعول (موجودیت ها) را معکوس می کنند، در به یادآوری و فراخوانی حقایق دچار مشکل می شوند.
گوگل اخیراً یک مقاله پژوهشی جدید منتشر کرده است که نشان می دهد مدل های زبانی بزرگِ پیشگام (Frontier LLMs – مدل های لبه تکنولوژی)، بین ۹۵ تا ۹۸ درصد از حقایق آزمایش شده را در خود رمزگذاری (Encode) و ذخیره می کنند؛ اما در پاسخگویی به سوالات، قادر به فراخوانی و به یادآوری مستقیمِ ۲۶ تا ۳۴ درصد از این اطلاعات نیستند. بخشی از این مشکل به این موضوع برمی گردد که وقتی سوالات پرسیده شده، ترتیب موجودیت های نهاد و مفعول (فاعل و هدف) را نسبت به آنچه مدل در زمان آموزش دیده است معکوس می کنند، فراخوانی اطلاعات برای هوش مصنوعی بسیار دشوارتر می شود.
اطلاعات پارامتریک (Parametric Information) چیست؟
اطلاعات پارامتریک در واقع همان داده هایی هستند که مدل های زبانی بزرگ طی فرآیند آموزش در شبکه های عصبی خود رمزگذاری کرده اند. این اطلاعات از صفحات وب، متن ترانه ها، کتاب ها، دستورالعمل ها، کدهای برنامه نویسی و هر چیز دیگری که مدل زبانی با آن آموزش دیده، به دست می آید.
سوالی که پژوهشگران گوگل به دنبال پاسخی برای آن بودند این بود: چرا مدل های زبانی بزرگ در فراخوانی برخی از اطلاعاتی که روی آن ها آموزش دیده اند شکست می خورند؟
پیش از این تصور می شد که شاید این مدل ها با حجم اطلاعات کافی آموزش ندیده اند، اما محققان دریافتند که در مورد مدل های پیشگام و پیشرفته فعلی، همیشه این طور نیست.
محققان توضیح می دهند که ظرفیت رمزگذاری داده ها به «اشباع» رسیده است. به زبان ساده، یعنی اطلاعات مورد نیاز برای پاسخگویی به سوالات کاربران، از قبل درون این مدل های زبانی وجود دارد (مثل کتابخانه ای که تمام کتاب ها در آن موجود است، اما کتابدار نمی تواند برخی از آن ها را پیدا کند).
آن ها در مقاله می نویسند:
«رمزگذاری (Encoding) به حد اشباع رسیده است؛ اما فراخوانی (Recall) نه. در مدل های پیشگامی مانند Gemini-3-Pro و GPT-5، رمزگذاریِ حقایق تقریباً کامل است و ۹۵ تا ۹۸ درصد از حقایق با موفقیت در مدل ثبت شده اند. با این حال، این مدل ها در فراخوانی مستقیم ۲۶ تا ۳۴ درصد از این حقایق ناتوان هستند (و حتی در صورت پردازش عمیق و اصطلاحاً «تفکر»، باز هم ۱۱ تا ۱۲ درصد خطا دارند). بر همین اساس، نقص در فراخوانی اطلاعات، عامل بیش از ۷۰ درصد خطاهای مدل GPT-5.2 و حتی سهم بزرگتری از خطاهای مدل های قوی تر است. این موضوع نشان می دهد که فراخوانی اطلاعات، دقیقاً همان گلوگاه (Bottleneck) اصلی سیستم است.»
معنای این یافته ها این است که مشکل اصلی، کمبود داده ها و اطلاعات در مدل های زبانی نیست، بلکه گلوگاه اصلی، نحوه دسترسی به آن اطلاعات و استخراج آن هاست.
دیاگرام مفهومی که نحوه اتصال و جابه جایی موجودیت های نهاد و مفعول در جملات و تاثیر آن بر عدم توانایی یادآوری هوش مصنوعی را به تصویر می کشد.
موجودیت های نهاد و مفعول (Subject And Object Entities)
یکی از کشفیات جالب این پژوهش این است که یکی از دلایل ناتوانی LLMها در یادآوری حقایق خاص، این است که موجودیت نهاد (Subject) و موجودیت مفعول/هدف (Object) مرتبط با یک حقیقت، با یک ترتیب خاص توسط هوش مصنوعی یاد گرفته شده اند. وقتی یک کوئری (درخواست جستجو) با ترتیب معکوس به مدل زبانی داده می شود، مدل در به یادآوری آن حقیقت دچار مشکل می شود، زیرا آن را با ساختار و ترتیب دیگری آموخته است.
مقاله پژوهشی دقیقاً توضیح می دهد که منظور از این موجودیت ها چیست:
«نقش های نهاد و مفعول توسط متن مرجعی که حقیقت از آن استخراج شده (مثلاً یک مقاله ویکی پدیا) تعیین می شود: نهاد، موجودیتی است که اول در متن ظاهر می شود و مفعول، موجودیتی است که پس از آن می آید.»
سپس توضیح می دهد که معکوس کردن نهاد و مفعول به چه معناست:
«سوالی که پاسخ آن مفعولِ جمله باشد، «سوال مستقیم» (Direct Question) نامیده می شود، در حالی که سوالی که پاسخ آن نهادِ جمله باشد، یک «سوال معکوس» (Reverse Question) است.»
گوگل در توضیحات خود برای روشن شدن جفت های نهاد/مفعول از مثال زیر استفاده می کند:
«گروه Oasis اولین اجرای خود را در کلاب Boardwalk انجام داد.»
در مثال بالا، “Oasis” موجودیت نهاد است و “the Boardwalk club” موجودیت مفعول.
بنابراین، وقتی این جفت کلمات در آموزش مدل همواره با تقدمِ Oasis ظاهر شده باشند، اگر کاربر کوئری خود را به صورت معکوس بپرسد (مثلاً بپرسد: کدام گروه موسیقی اولین اجرای خود را در کلاب Boardwalk انجام داد؟)، هوش مصنوعی دچار اختلال در یادآوری می شود.
معمای سوالات چندگزینه ای در هوش مصنوعی
فرض کنید در صفحات درباره ما یا لندینگ پیج های سایت خود نوشته اید: «دانش وب برترین خدمات طراحی سایت و سئو را در تهران ارائه می دهد». در اینجا «دانش وب» نهاد و «خدمات طراحی سایت در تهران» مفعول است. مدل های زبانی این ساختار را به همین شکل یاد می گیرند. اگر کاربر از هوش مصنوعی بپرسد “کدام آژانس خدمات سئو در تهران ارائه می دهد؟” (حالت معکوس)، هوش مصنوعی ممکن است نام برند شما را فراخوانی نکند! اینجاست که اهمیت تولید محتوای هوشمندانه در سئو خود را نشان می دهد.
حالا به یک کشف عجیب دیگر می رسیم: مدل های زبانی می توانند همین حقایق معکوس را زمانی که در قالب یک سوال چندگزینه ای در کنار سایر گزینه ها مطرح شوند، با موفقیت تشخیص دهند! محققان دلیل این تواناییِ مدل در سوالات چندگزینه ای را توضیح نمی دهند، اما از آن به عنوان سندی استفاده می کنند که نشان می دهد پاسخ در دلِ مدل های زبانی رمزگذاری و ذخیره شده و کاملاً قابل تشخیص است (فقط در به یادآوری مستقیم آن مشکل دارند).
تصویری از پردازش سوالات چندگزینه ای و بازیابی اطلاعات رمزگذاری شده در هوش مصنوعی
لحن و نگارش سوال، تاثیر ناچیزی بر یادآوری داشت
پژوهشگران آزمایش کردند که آیا تغییر لحن و نحوه جمله بندی سوالات تاثیری در توانایی مدل های پیشگام برای فراخوانی حقایق دارد یا خیر. نتایج نشان داد که تغییر جمله بندی، تاثیر معناداری بر عملکرد مدل ندارد؛ آنچه واقعاً مهم و تعیین کننده بود، تغییر ترتیب نهاد و مفعول بود.
به یادآوری «حقایق دم دراز» بسیار دشوار است
یکی دیگر از یافته های جذاب این بود که LLMهای پیشگام در پردازش حقایق طولانی و خاص که محققان به آن ها «حقایق نادر» (Rare Facts) می گویند، با مشکل مواجه می شوند. فاصله و اختلاف بین رمزگذاریِ حقایق محبوب با حقایق نادر بسیار کم بود، اما این اختلاف در مرحله «فراخوانی» بسیار چشمگیر می شد. ناتوانی در به یادآوری حقایق خاص به این دلیل نبود که هوش مصنوعی آن ها را یاد نگرفته باشد، بلکه آن ها صرفاً در مرحله فراخوانی در گلوگاه گیر می کردند.
(این مفهوم در سئو دقیقاً مشابه کلمات کلیدی Long-tail یا دم دراز است که جستجوی کمتری دارند اما بسیار هدفمندتر هستند).
راه حلِ آزمایش شده: «تفکر بیشتر» (More Thinking)
پژوهشگران اختصاص زمانِ پردازش بیشتر (مفهومی که به آن Thinking یا تفکر در مدل های هوش مصنوعی می گویند) را برای فراخوانی حقایق آزمایش کردند. آن ها دریافتند که مدل ها با پردازش عمیق تر توانستند بین ۴۰ تا ۶۵ درصد از حقایق رمزگذاری شده ای را که قبلاً نمی توانستند به طور مستقیم به یاد بیاورند، بازیابی کنند. نقطه ضعف «تفکر بیشتر» این است که از نظر محاسباتی بسیار گران و پرهزینه است. محققان همچنین به این چالش اشاره می کنند که سیستم چگونه باید تشخیص دهد که دقیقاً چه زمانی باید این پردازش عمیق تر را فعال کند.
افزایش حجم آموزش (Scaling)، راه حل نیست
در نهایت، محققان خاطرنشان کردند که صرفاً بزرگتر کردن مدل های زبانی و افزایش حجم داده های آموزشی (Scaling LLM Training)، راه حلی برای رفع مشکل فراخوانی (Recall) به شمار نمی رود.
تصویری از پردازنده هوشمند و حالت های محاسباتی سنگین که نشان می دهد تفکر بیشتر می تواند بخش زیادی از اطلاعات فراموش شده را بازیابی کند
سئو و جفت های موجودیت نهاد/مفعول (SEO And Entity Pairs)
درک شهودی از ترتیب قرارگیری موجودیت های نهاد و مفعول به ما می گوید که بهتر است این موجودیت ها را بر اساس رایج ترین شیوه ای که کاربران جستجو می کنند، در محتوای خود مرتب کنیم. این موضوع مستقیماً به عنوان یک کشف در مقاله پژوهشی ذکر نشده و ثابت هم نشده است؛ اما از منظر منطقی، چیدمان نهادها و مفعول ها بر اساس رایج ترین قالب جستجوی کابران کاملاً معقول به نظر می رسد.
با وجود اینکه مقاله صراحتاً اعلام نکرده است که چیدمان رایج این موجودیت ها به هوش مصنوعی در انتخاب یک صفحه وبِ خاص کمک می کند، اما از دیدگاه سئو (SEO) این یک فرضیه کاملاً منطقی و قدرتمند است.
در تیم تخصصی دانش وب، هنگام تدوین استراتژی های سئو و تولید محتوا برای مشتریان، ما دقیقاً روی همین موضوع یعنی هم راستایی ساختار معنایی جملات با قصد جستجوی کاربر (Search Intent) تمرکز می کنیم. بهینه سازی محتوا بر اساس نحوه پرسش کاربران به خصوص در دوران سئوی هوش مصنوعی (AEO)، تضمین می کند که برند و خدمات شما بدون مشکلِ فراخوانی، در پاسخ های چت بات ها و نتایج جستجو ظاهر شود.
نام این مقاله پژوهشی: قفسه های خالی یا کلیدهای گمشده؟ فراخوانی، گلوگاهِ واقعیت های پارامتریک است (Empty Shelves or Lost Keys? Recall Is the Bottleneck for Parametric Factuality)
نتیجه گیری
گزارش جدید گوگل زنگ خطری جدی برای تولیدکنندگان محتوا است؛ دیگر صرفاً تولید محتوای جامع و پر از کلمه کلیدی کافی نیست. معماری اطلاعات و «ترتیب قرارگیری کلمات و موجودیت ها در جملات» نقشی حیاتی در دیده شدن شما توسط هوش مصنوعی ایفا می کند. به عنوان یک وب مستر یا متخصص سئو، باید به ساختار جملات خود دقت کنید و آن ها را به همان شکلی بنویسید که مخاطب هدف شما جستجو می کند (Direct vs Reverse Queries). اگر به دنبال موفقیت در چشم انداز جدید موتورهای جستجو مبتنی بر AI هستید، تمرکز بر درک موجودیت ها (Entities) و رعایت ساختارهای معنایی استاندارد، اولویتی غیرقابل چشم پوشی است؛ مسیری که کارشناسان در مجموعه های تخصصی مثل دانش وب می توانند آن را برای کسب وکار شما مهندسی و پیاده سازی کنند.