راز عدد ۷۳ در هوش مصنوعی چرا AI آن را انتخاب می کند

راز لو رفته عدد ۷۳: چرا هوش مصنوعی ظاهرا همیشه همین عدد را انتخاب می کند؟

آیا تا امروز از ChatGPT، Gemini، Claude یا یک هوش مصنوعی دیگر خواسته اید: «ی یک عدد بین 1 تا 100 به صورت تصادفی انتخاب کن »؟

احتمالا با پاسخ عجیبی روبرو شده اید: ۷۳.

افراد زیادی همین آزمایش را با مدل های مختلف تکرار کرده اند و بارها به عدد ۷۳، ۳۷، ۴۷ ، 42 یا اعداد مشابه رسیده اند. این تکرار آن قدر زیاد است که در نگاه اول ممکن است تصور کنیم شرکت های سازنده، عدد ۷۳ را مخفیانه در مدل های خود برنامه نویسی کرده اند.

اما راز واقعی جالب تر است: عدد ۷۳ معمولا یک انتخاب تصادفی واقعی نیست؛ بلکه نتیجه ترکیب معماری مدل های زبانی، سوگیری های ذهن انسان، داده های آموزشی و تنظیمات تولید پاسخ است.

پاسخ سریع: چرا هوش مصنوعی عدد ۷۳ را انتخاب می کند؟

مدل زبانی بزرگ یا Large Language Model برای پاسخ دادن، یک تاس مجازی با احتمال برابر برای اعداد ۱ تا ۱۰۰ پرتاب نمی کند. مدل بررسی می کند که با توجه به متن پرسش، کدام Token یا پاسخ از نظر آماری محتمل تر است.

اعدادی مانند ۷۳، ۳۷ و ۴۷ در نوشته ها و انتخاب های انسانی بیشتر از یک عدد کاملا یکنواخت، «تصادفی به نظر می رسند». مدل های زبانی نیز این الگو را از داده های انسانی یاد می گیرند.

مطالعات مستقیم درباره تولید اعداد تصادفی توسط LLMها نشان داده اند که خروجی مدل ها می تواند به شکل قابل توجهی قابل پیش بینی باشد و عواملی مانند معماری مدل، زبان Prompt، بازه اعداد و Temperature نتیجه را تغییر می دهند. بنابراین، همه مدل ها همیشه ۷۳ را انتخاب نمی کنند؛ اما احتمال انتخاب بعضی اعداد به طور غیر عادی بیشتر است.

افسانه اول: هوش مصنوعی واقعا یک عدد تصادفی تولید می کند

وقتی به یک مدل زبانی می گویید «یک عدد تصادفی انتخاب کن»، این درخواست لزوما به یک Random Number Generator یا RNG ارسال نمی شود.

مدل ابتدا متن را به Token تبدیل می کند و سپس احتمال Token بعدی را محاسبه می کند. برای مثال، ممکن است در یک شرایط مشخص، توکن مربوط به عدد ۷۳ احتمال بیشتری از ۲۶، ۵۰ یا ۹۱ داشته باشد.

نکته فنی مهم این است که بعضی سامانه ها هنگام مرحله Sampling از یک مولد شبه تصادفی یا PRNG برای انتخاب میان Tokenها استفاده می کنند. با این حال، این انتخاب از یک توزیع احتمالاتی نامتوازن انجام می شود؛ نه از یک توزیع یکنواخت که در آن هر عدد دقیقا یک درصد شانس داشته باشد.

به زبان ساده:

ممکن است فرایند انتخاب Token دارای عنصر تصادفی باشد، اما احتمال انتخاب تمام اعداد برابر نیست.

روش هایی مانند Temperature، Top-k Sampling و Nucleus Sampling تعیین می کنند مدل از کدام بخش توزیع احتمالاتی نمونه برداری کند. تغییر این تنظیمات می تواند تنوع پاسخ ها را افزایش دهد، اما لزوما خروجی را به یک عدد تصادفی آماری معتبر تبدیل نمی کند. پژوهش های مربوط به Decoding نیز نشان داده اند که روش نمونه برداری تاثیر مستقیمی بر خروجی یک مدل زبانی ثابت دارد.

راز اصلی: هوش مصنوعی «عدد» را انتخاب نمی کند، پاسخ محتمل را پیش بینی می کند

هدف اصلی LLM تولید یک عدد با Entropy بالا نیست. هدف آن پیش بینی ادامه طبیعی و محتمل گفتگو است.

در داده های اینترنتی، بعد از جمله هایی مانند «یک عدد تصادفی بین ۱ تا ۱۰۰ انتخاب کن»، بعضی پاسخ ها بیشتر دیده شده اند. مدل در زمان آموزش این همبستگی ها را یاد می گیرد و هنگام پاسخ دادن دوباره آن ها را بازسازی می کند.

یک پژوهش منتشر شده در سال ۲۰۲۵ که چند مدل، زبان، بازه عددی و مقدار Temperature را بررسی کرد، نشان داد مدل های زبانی با وجود سازوکار احتمالاتی خود، هنگام تولید عدد می توانند پاسخ های بسیار محدود و شبه قطعی ارائه دهند. پژوهشگر این رفتار را به سوگیری های موجود در داده های آموزشی و شباهت آن با سوگیری شناختی انسان مرتبط دانست.

پژوهش گسترده تری در ACL 2026 نیز یازده مدل را روی پانزده توزیع آماری آزمایش کرد. در حالت درخواست های مستقل، ده مدل از یازده مدل نتوانستند حتی یکی از توزیع ها را با معیارهای آماری مورد نظر با موفقیت بازتولید کنند. نتیجه پژوهش این بود که مدل های زبانی فعلی فاقد یک Internal Sampler قابل اتکا برای کاربردهایی هستند که تضمین آماری نیاز دارند.

انسان ها نیز در انتخاب عدد تصادفی شکست می خورند

منشا بخشی از مشکل، خود انسان است.

وقتی از یک انسان خواسته می شود عددی تصادفی انتخاب کند، ذهن او معمولا تلاش می کند عددی را پیدا کند که «تصادفی به نظر برسد». این تلاش آگاهانه باعث می شود انتخاب نهایی از تصادفی بودن واقعی فاصله بگیرد.

انسان ها معمولا:

• اعداد رند مانند ۱۰، ۲۰، ۵۰ و ۱۰۰ را کنار می گذارند.
• از اعداد تکراری مانند ۳۳، ۴۴ و ۷۷ دوری می کنند.
• اعداد ابتدا و انتهای بازه را کمتر انتخاب می کنند.
• به اعداد فرد، غیر رند و گاهی اول گرایش پیدا می کنند.
• از تکرارهای متوالی اجتناب می کنند، حتی زمانی که تکرار در یک توالی تصادفی واقعی کاملا طبیعی است.

مطالعات روانشناسی درباره Human Random Number Generation نشان داده اند که انسان ها در ساخت توالی های تصادفی، وابستگی های قابل تشخیص ایجاد می کنند، از تکرار فوری اعداد دوری می کنند و الگوهای خاصی را بیش از حد تکرار می کنند.

این رفتار فقط به اعداد محدود نیست. پژوهش مربوط به تولید توالی شیر یا خط توسط مدل های زبانی نیز نشان داد GPT-4 و Llama 3 بسیاری از سوگیری های انسانی، مانند Alternation Bias یا تمایل افراطی به جابجایی میان شیر و خط، را بازتولید و حتی تشدید می کنند.

مدل های زبانی روی محصول ذهن همین انسان ها آموزش دیده اند. بنابراین، وقتی انسان در درک تصادفی بودن دچار سوگیری است، مدل نیز نسخه آماری همان سوگیری را یاد می گیرد.

چرا عدد ۷۳ از میان تمام اعداد برجسته شده است؟

عدد ۷۳ چند ویژگی دارد که باعث می شود در ذهن انسان «به اندازه کافی تصادفی» به نظر برسد:

• فرد است.
• عدد اول یا Prime Number است.
• در میانه بازه ۱ تا ۱۰۰ قرار دارد، اما به مرکز دقیق آن نزدیک نیست.
• مضرب ۵ یا ۱۰ نیست.
• رقم تکراری ندارد.
• رقم ۷ دارد؛ رقمی که در انتخاب های ذهنی انسان معمولا برجسته است.
• با معکوس خود، یعنی ۳۷، رابطه ریاضی جذابی دارد.

این ویژگی ها به تنهایی ثابت نمی کنند که مدل باید ۷۳ را انتخاب کند. اما باعث می شوند ۷۳ در مثال ها، معماها، گفتگوها و مطالب اینترنتی بیشتر از بسیاری اعداد عادی دیده شود.

نقش پنهان سریال The Big Bang Theory

یکی از مهم ترین عوامل فرهنگی در شهرت عدد ۷۳، سریال The Big Bang Theory است.

در این سریال، شخصیت شلدون کوپر عدد ۷۳ را «بهترین عدد» معرفی می کند. استدلال او بر چند رابطه ریاضی استوار است:

• ۷۳ بیست و یکمین عدد اول است.
• معکوس ۷۳، عدد ۳۷ است.
• عدد ۳۷ دوازدهمین عدد اول است.
• ۱۲ معکوس ۲۱ است.
• حاصل ضرب ۷ در ۳ نیز ۲۱ می شود.

این ارتباط فقط یک شوخی تلویزیونی باقی نماند. دو ریاضیدان به نام های Carl Pomerance و Chris Spicer مفهوم Sheldon Prime را به شکل رسمی بررسی کردند و اثبات کردند که ۷۳ تنها عدد اولی است که همزمان ویژگی Product Property و Mirror Property تعریف شده در این مسئله را دارد.

پس از محبوب شدن این دیالوگ، درباره عدد ۷۳ حجم زیادی مقاله، پست، معما، ویدیو و گفتگو تولید شد. این برجستگی فرهنگی می تواند وزن ارتباطی عدد ۷۳ با عبارت هایی مانند «بهترین عدد» یا «یک عدد خاص انتخاب کن» را در داده های متنی افزایش دهد.

با این حال، نمی توان سهم دقیق سریال را در خروجی یک مدل اختصاصی اندازه گیری کرد؛ زیرا مجموعه داده آموزشی کامل بیشتر مدل های تجاری عمومی نیست. بنابراین، نقش The Big Bang Theory یک توضیح محتمل و موثر است، نه مدرکی که به تنهایی تمام رفتار مدل ها را توضیح دهد.

آیا عدد ۷۳ داخل هوش مصنوعی Hardcode شده است؟

در حالت معمول، خیر.

هیچ مدرک معتبری وجود ندارد که نشان دهد سازندگان تمام مدل های هوش مصنوعی قانونی مانند زیر را در برنامه قرار داده اند:

When asked for a random number between 1 and 100, return 73.

تکرار عدد ۷۳ را می توان بدون چنین قانون مستقیمی توضیح داد. مدل از میان پاسخ هایی که آموخته است، پاسخ دارای احتمال بیشتر را انتخاب می کند. اگر تنظیمات Decoding محافظه کارانه باشند، پاسخ های پرتکرار حتی بیشتر تکرار می شوند.

البته ممکن است یک محصول خاص از System Prompt، ابزار داخلی، Cache، Seed ثابت یا منطق برنامه نویسی جداگانه استفاده کند. به همین دلیل، رفتار تمام سرویس ها را نمی توان صرفا از معماری عمومی LLM نتیجه گیری کرد.

چرا بعضی مدل ها ۳۷، ۴۲ یا ۴۷ را انتخاب می کنند؟

عدد ۷۳ تنها پاسخ پرتکرار نیست.

عدد ۳۷ بسیاری از ویژگی های ۷۳ را دارد و معکوس آن نیز محسوب می شود. عدد ۴۷ فرد، اول و غیر رند است. عدد ۴۲ نیز به دلیل کتاب و فیلم The Hitchhiker’s Guide to the Galaxy یک ارجاع فرهنگی بسیار شناخته شده محسوب می شود.

انتخاب نهایی می تواند با این عوامل تغییر کند:

• مدل و نسخه آن
• زبان Prompt
• متن دقیق سوال
• Temperature
• Top-p و Top-k
• System Prompt
• سابقه گفتگو
• Seed و تنظیمات زیرساخت
• استفاده یا عدم استفاده از ابزار خارجی
• به روزرسانی مدل

پژوهش سال ۲۰۲۵ نیز تفاوت معنی دار میان مدل ها، زبان های مختلف و تنظیمات Temperature را گزارش کرده است. بنابراین، عبارت «تمام هوش های مصنوعی همیشه عدد ۷۳ را می گویند» از نظر علمی دقیق نیست. صورت درست تر این است:

بسیاری از مدل های زبانی در بعضی تنظیمات، مجموعه کوچکی از اعداد ظاهرا تصادفی مانند ۷۳ و ۳۷ را به شکل نامتناسب انتخاب می کنند.

آیا افزایش Temperature مشکل را حل می کند؟

افزایش Temperature معمولا توزیع خروجی را گسترده تر می کند و احتمال انتخاب Tokenهای کم احتمال را افزایش می دهد. اما این کار تضمین نمی کند که اعداد ۱ تا ۱۰۰ با احتمال برابر انتخاب شوند.

حتی وقتی خروجی متنوع تر می شود، توزیع نهایی ممکن است همچنان دارای Bias باشد. تحقیقات اخیر نیز نشان داده اند مدل ها در تولید نمونه از توزیع های آماری مشخص، حتی با پروتکل ها و تنظیمات مختلف، عملکرد قابل اتکایی ندارند.

Temperature ابزار کنترل خلاقیت و تنوع متن است؛ نه جایگزین یک Random Number Generator استاندارد.

چگونه از هوش مصنوعی یک عدد واقعا تصادفی بگیریم؟

برای قرعه کشی ساده یا آزمایش غیر حساس، باید صریحا از مدل بخواهید یک ابزار خارجی یا کد واقعی اجرا کند:

با استفاده از یک Random Number Generator واقعی، یک عدد یکنواخت بین ۱ تا ۱۰۰ تولید کن. عدد را مستقیما از پیش بینی زبانی انتخاب نکن.

اگر ابزار اجرای کد در دسترس باشد، تولید عدد باید با یک کتابخانه مناسب انجام شود. برای کاربردهای امنیتی، باید از Cryptographically Secure Pseudo-Random Number Generator یا CSPRNG استفاده کرد.

استانداردهای NIST برای تولید بیت های تصادفی، سازوکارهای DRBG و منابع Entropy را به صورت جداگانه تعریف می کنند. OWASP نیز برای رمزها، Tokenها، کلیدها و مقادیر غیر قابل حدس، استفاده از CSPRNG را توصیه می کند.

هرگز برای موارد زیر از عددی که یک مدل زبانی مستقیما «انتخاب» کرده استفاده نکنید:

• کلید رمزنگاری
• Password یا Recovery Code
• Session Token
• API Key
• Salt یا Nonce
• قرعه کشی مالی
• نمونه گیری علمی
• تصمیم گیری آماری حساس

آیا تکرار عدد ۷۳ نشانه تقلب هوش مصنوعی است؟

خیر. این رفتار بیشتر از آنکه نشانه تقلب باشد، پنجره ای به سازوکار درونی LLM است.

مدل های زبانی برای تولید پاسخ های طبیعی، منسجم و شبیه انسان ساخته شده اند. اگر یک پاسخ در متن های انسانی طبیعی تر یا پرتکرارتر باشد، مدل نیز احتمال بیشتری به آن می دهد.

مشکل زمانی ایجاد می شود که کاربر، «پاسخ زبانی احتمالاتی» را با «نمونه آماری تصادفی» اشتباه بگیرد.

عدد ۷۳ به ما نشان می دهد که مدل های زبانی فقط اطلاعات انسان را یاد نمی گیرند؛ بلکه عادت ها، ترجیحات و خطاهای شناختی انسان را نیز جذب می کنند.

راز عدد ۷۳ را نباید در یک خط کد مخفی جستجو کرد.

این عدد در نقطه تلاقی چهار عامل قرار گرفته است:

۱. مدل زبانی به جای اجرای یک RNG یکنواخت، Token بعدی را پیش بینی می کند.
۲. انسان ها در انتخاب عدد تصادفی دارای Human Bias هستند.
۳. تنظیمات Decoding بعضی پاسخ های پرتکرار را تقویت می کنند.
۴. فرهنگ عامه و محتوای اینترنت، عدد ۷۳ را بیش از اعداد معمولی برجسته کرده است.

بنابراین، وقتی چند هوش مصنوعی عدد ۷۳ را انتخاب می کنند، شاهد تصادف نیستیم. شاهد بازتاب فشرده ای از الگوهای آماری، فرهنگ اینترنت و روانشناسی انسان درون یک مدل زبانی هستیم.

شاید عجیب ترین بخش ماجرا این باشد که عدد ۷۳ راز هوش مصنوعی را فاش نمی کند؛ بلکه نشان می دهد انسان ها تا چه اندازه در «تصادفی بودن» قابل پیش بینی هستند.