امروزه گرچه مدلهای بزرگ زبانی (LLM) مرزهای علم و فناوری را در هوش مصنوعی و پردازش زبان طبیعی جابجا کرده اند ولی بدلیل برخی مشکلات و چالشهایشان هنوز تا هوش مصنوعی واقعی فاصله دارند.

این ارائه با اشاره به “معنا” آغاز می‌شود و به نحوه بازنمایی آن ابتدا در منابع ساخت‌یافته دانش مانند هستان‌شناسی‌ها و گراف‌های دانش، و در ادامه در مدل‌های بزرگ زبانی می پردازد. سپس با اشاره به نقاط قوت و ضعف مدلهای بزرگ زبانی، مشکلاتی مانند تولید توهم، درک سطحی، و ناکارآمدی در استنتاج منطقی عمیق را انگیزه ای برای حرکت به سمت تقویت این مدلها با دانش مفهومی و انتزاعی میشمارد. در ادامه پس از بررسی روشهای تلفیق دانش با مدل های بزرگ زبانی، مدلهای بزرگ مفهومی (LCM) را بعنوان یک تغییر پارادایم با بازگشت به مفاهیم بنیادین مهندسی دانش برای حل چالشهای فوق معرفی می نماید. این سخنرانی با تحلیل مزایا و چالش‌های مدل‌های بزرگ مفهومی ، با ارائه چشم‌اندازی برای آینده به پایان می‌رسد: مدل‌های هوش مصنوعی غنی از دانش که وظایف پیش‌آموزش، روش‌های تزریق دانش، و کل پارادایم را بازتعریف کرده اند تا راه را به سمت درک عمیق و توسعه سیستم های هوشمند واقعی هموار نمایند.

دوقلوهای دیجیتال از نسخه‌های ایستا به اکوسیستم‌های پویا و هوشمند تکامل یافته‌اند که نحوه طراحی، بهره‌برداری و بهینه‌سازی جهان فیزیکی را بازتعریف می‌کنند. اکنون در نقطه تلاقی هوش مصنوعی، اینترنت اشیاء، رایانش لبه و فناوری‌های غوطه‌ور قرار داریم؛ جایی که نسل بعدی دوقلوهای دیجیتال نه‌تنها شبیه‌سازی، بلکه شناخت، خودمختاری و تصمیم‌گیری آنی را نوید می‌دهد.

این سخنرانی کلیدی به بررسی مسیر تحول‌آفرین دوقلوهای دیجیتال در صنایع مختلف می‌پردازد—از شهرهای هوشمند و سلامت گرفته تا تولید صنعتی و تاب‌آوری اقلیمی. همچنین به پارادایم‌های نوظهوری مانند دوقلوهای فدراتیو، مدل‌سازی اخلاق‌محور و تلفیق هوش مصنوعی مولد با جریان‌های داده‌ی لحظه‌ای اشاره خواهد شد. شرکت‌کنندگان با درک عمیق‌تری از الزامات راهبردی، توانمندسازهای فناورانه و تأثیرات اجتماعی که چشم‌انداز دوقلوهای دیجیتال را در دهه آینده شکل خواهند داد، این جلسه را ترک خواهند کرد.