مطالعات بین رشته ای قرآن و الهیات

مطالعات بین رشته ای قرآن و الهیات

تحدی قرآن در عصر هوش مصنوعی: ارزیابی توانایی مدل‌های زبانی بزرگ در تحقق «مثل قرآن»

نوع مقاله : مقاله پژوهشی

نویسنده
طلبه سطح چهار حوزه علمیه قم - دانشجوی دکتری فلسفه دین دانشکدگان فارابی دانشگاه تهران
10.22034/isqt.2026.15117.1046
چکیده
ظهور مدل‌های زبانی بزرگ و پیشرفت چشمگیر هوش مصنوعی مولد در تولید متون انسانی، پرسش‌های تازه‌ای را درباره برخی مباحث سنتی الهیات و فلسفه دین پدید آورده است. یکی از این پرسش‌ها به چالش تحدی قرآن و امکان پاسخ‌گویی هوش مصنوعی به آن مربوط می‌شود. از آنجا که تحدی قرآن بر دعوت مخالفان به آوردن متنی همانند قرآن استوار است، توانایی مدل‌های زبانی بزرگ در تولید متون شبه‌قرآنی این مسئله را مطرح می‌کند که آیا چنین فناوری‌هایی می‌توانند به چالش قرآن پاسخ دهند یا خیر. پژوهش حاضر با روش توصیفی ـ تحلیلی و با بهره‌گیری از منابع قرآنی، کلامی و مطالعات معاصر هوش مصنوعی، به بررسی این مسئله می‌پردازد. نخست، مفهوم تحدی و معیارهای «مثل قرآن» در دیدگاه متکلمان و مفسران مسلمان بازسازی می‌شود؛ سپس ماهیت و سازوکار مدل‌های زبانی بزرگ و حدود توانایی آنها در تولید متن تحلیل می‌گردد. یافته‌های پژوهش نشان می‌دهد که پاسخ به این مسئله به نحوه تفسیر اعجاز و تحدی قرآن وابسته است. اگر معیار تحدی صرفاً بر شباهت‌های صوری و زبانی مبتنی باشد، پیشرفت هوش مصنوعی می‌تواند چالش‌های جدیدی برای تلقی‌های سنتی از اعجاز بیانی ایجاد کند؛ اما اگر اعجاز قرآن مجموعه‌ای از ابعاد زبانی، معنایی، معرفتی، هدایتی و تأثیرگذاری وجودی را دربرگیرد، تولید متون مشابه از حیث ساختار زبانی لزوماً به معنای پاسخ‌گویی به تحدی نخواهد بود. بر این اساس، ظهور هوش مصنوعی بیش از آنکه نقض‌کننده تحدی قرآن باشد، ضرورت بازاندیشی در معیارهای همانندی با قرآن و تبیین دقیق‌تر مفهوم اعجاز را آشکار می‌سازد.
کلیدواژه‌ها
موضوعات

منابع

قرآن کریم
1. زمخشری، محمود بن عمر (1358 ه.ش)، أساس البلاغة، دار صادر، بیروت – لبنان.
2. ابن منظور، محمد بن مکرم (بی تا)، لسان العرب، دارالفکر، بیروت – لبنان.
3. مطهری، مرتضی (1389 ه.ش)، مجموعه آثار، صدرا.
4. باقلانی، محمد بن الطیب ( 1993م)، إعجاز القرآن (تحقیق السید أحمد صقر، ط. 5). مصر: دار المعارف.
5. ابن عطیه، عبدالحق بن غالب (1422 ه.ق)، المحرر الوجیز فی تفسیر الکتاب العزیز، دار الکتب العلمیة، بیروت – لبنان.
6. طباطبایی، محمدحسین (1352 ه.ش)، المیزان فی تفسیر القرآن، موسسة الأعلمی للمطبوعات، بیروت – لبنان.
7. تفتازانی، مسعود بن عمر (بی‌تا) مختصر المعانی. دار الفکر.
8. ایازی، محمدعلی (بی تا)، اعجاز قرآن، بی نا، بی  جا.
9. جرجانی، عبدالقاهر بن عبدالرحمن (بی‌تا)، دلائل الإعجاز فی علم المعانی (عبدالحمید هنداوی، محقق). بیروت، لبنان: دار الکتب العلمیة. (چاپ اول).
10. باقلانی، محمد بن الطیب (1407هـ)، تمهید الأوائل فی تلخیص الدلائل (عمادالدین أحمد حیدر، محقق). بیروت، لبنان: مؤسسة الکتب الثقافیة. (چاپ اول).
11. سید مرتضی، علی بن حسین (1411 ه.ق)، الذخیرة فی علم الکلام، جماعة المدرسین فی الحوزة العلمیة بقم، موسسة النشر الإسلامی، قم – ایران.
12. مؤدب، رضا (1379 ه.ش)، اعجاز قرآن در نظر اهل بیت عصمت علیهم السلام و بیست نفر از علمای بزرگ اسلام، احسن الحدیث، قم – ایران.
13. الخوئی، أبو القاسم (بی تا) ،البیان فی تفسیر القرآن، دار الزهراء.
14. طباطبایی، محمدحسین. (1374)، ترجمه تفسیر المیزان (چاپ پنجم، 20 جلد). قم: دفتر انتشارات اسلامی وابسته به جامعه مدرسین حوزه علمیه قم.
15. دراز، محمد بن عبدالله. (2005)، النبأ العظیم: نظرات جدیدة فی القرآن الکریم (احمد مصطفی فضلیة، اعتناء؛ عبدالعظیم ابراهیم المطعنی، مقدمه؛ چاپ مزیده و محققه). قاهره: دار القلم للنشر والتوزیع.
16. راغب اصفهانی، حسین بن محمد (1412 ه.ق)، مفردات الفاظ القرآن، دارالشامیة، بیروت – لبنان.
17. القزوینی، م. ب. ع. ب. ع. (بی تا)، الإیضاح فی علوم البلاغة (تحقیق محمد عبد المنعم خفاجی، ط. 3، جـ 1–3). بیروت: دار الجیل.
18. السکاکی، ی. ب. أ. ب. م. ب. ع. (1987)، مفتاح العلوم (ضبطه وعلق علیه نعیم زرزور، ط. 2). بیروت، لبنان: دار الکتب العلمیة.
19.  Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On meaning, form, and understanding in the age of data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 5185–5198. Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.463
20.  Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
21.  Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
22.  Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrmann, S., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., Nori, H., Palangi, H., Ribeiro, M. T., & Zhang, Y. (2023). Sparks of artificial general intelligence: Early experiments with GPT-4. arXiv. https://doi.org/10.48550/arXiv.2303.12712
23.  Chalmers, D. J. (2023). Could a large language model be conscious? Boston Review.
24.  Clark, E., August, T., Serrano, S., Haduong, N., Gururangan, S., & Smith, N. A. (2021). All that’s “human” is not gold: Evaluating human evaluation of generated text. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (pp. 7282–7296). Association for Computational Linguistics. https://doi.org/10.18653/v1/2021.acl-long.565
25.  Eisenstein, J. (2019). Introduction to Natural Language Processing. MIT Press.
26.  Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Scaling laws for neural language models. arXiv. https://doi.org/10.48550/arXiv.2001.08361
27.  Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. OpenAI Technical Report.
28.  Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756
29.  Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.