گزارش‌های اخیر نشان می‌دهند که بهبود مدل‌های هوش مصنوعی کند شده است و این امر سوالاتی را در مورد پیش‌بینی‌های بیش از حد خوش‌بینانه در مورد هوش عمومی مصنوعی و مقیاس‌پذیری آن ایجاد می‌کند. به عبارتی، چالش‌های مقیاس‌پذیری مانع بزرگی بر سر راه توسعه هوش عمومی مصنوعی هستند. آیا دوران پیشرفت سریع هوش مصنوعی به یک نقطه سکون رسیده است؟
پیشرفت‌های سریع در هوش مصنوعی منجر به پیش‌بینی‌های جسورانه‌ای در مورد ظهور هوش عمومی مصنوعی (AGI) شده است، یک نقطه فرضی که در آن سیستم‌های هوش مصنوعی از قابلیت‌های انسانی در اکثر کارهای اقتصادی ارزشمند پیشی می‌گیرند. چهره‌های برجسته‌ای مانند سام آلتمن، مدیرعامل شرکت اوپن‌ای‌آی، با پیش‌بینی ظهور آن در اوایل سال ۲۰۲۵، هیجان پیرامون هوش عمومی مصنوعی را افزایش داده‌اند. با این حال، تحولات اخیر در صنعت هوش مصنوعی نشان می‌دهد که این پیش‌بینی‌ها ممکن است بیش از حد خوش‌بینانه باشند. شواهد فزاینده‌ای به کندی احتمالی در نرخ بهبود مدل‌های هوش مصنوعی اشاره دارد و نگرانی‌هایی را در مورد امکان دستیابی به هوش عمومی مصنوعی در آینده نزدیک ایجاد می‌کند.
فرض غالب در توسعه هوش مصنوعی این بوده است که مقیاس‌پذیری – افزایش داده‌ها، قدرت محاسباتی و زمان آموزش – منجر به مدل‌های هوش مصنوعی به طور مداوم بهتر می‌شود. این اصل زیربنای موفقیت مدل‌هایی مانند ChatGPT بود و پیشرفت‌های قابل توجهی در عملکرد را نشان می‌داد. با این حال، شکاف‌هایی در این الگوی مقیاس‌پذیری در حال ظاهر شدن است. چهره‌های کلیدی در اوپن‌ای‌آی، از جمله ایلیا سوتسکور، یکی از بنیانگذاران، و نوام براون، محقق، اذعان کرده‌اند که بازده مقیاس‌پذیری به یک نقطه سکون رسیده است. گزارش‌های داخلی نشان می‌دهد که مدل Orion آینده اوپن‌ای‌آی در مقایسه با جهش از GPT-3 به GPT-4، بهبود کیفیت بسیار کمتری نشان داده است. مشکلات مشابهی در گوگل گزارش شده است، جایی که آخرین نسخه Gemini علی‌رغم افزایش منابع محاسباتی و داده‌های آموزشی، ظاهراً انتظارات را برآورده نکرده است.
این مشاهدات سوالات مهمی را در مورد مسیر توسعه هوش مصنوعی ایجاد می‌کند. اگر مقیاس‌پذیری، محرک اصلی پیشرفت هوش مصنوعی، اثربخشی خود را از دست بدهد، مسیر رسیدن به هوش عمومی مصنوعی کمتر مشخص می‌شود. پیامدهای آن بسیار گسترده است و بر تصمیمات سرمایه‌گذاری، جهت‌های تحقیقاتی و جدول زمانی کلی برای دستیابی به هوش مصنوعی واقعاً متحول‌کننده تأثیر می‌گذارد.
منافع مالی بسیار زیاد است. تریلیون‌ها دلار در تحقیق و توسعه هوش مصنوعی سرمایه‌گذاری می‌شود که بر اساس فرض پیشرفت سریع و مداوم است. کاهش سرعت در قابلیت‌های هوش مصنوعی می‌تواند بازده این سرمایه‌گذاری‌ها را به طور قابل توجهی تغییر دهد و منجر به تنظیم مجدد انتظارات در سراسر صنعت شود.
چالش‌ها فراتر از بهبود الگوریتم‌ها هستند. مارک آندرسن و بن هوروویتز، سرمایه‌گذاران خطرپذیر، که به خوش‌بینی فنی خود معروف هستند، در مورد سرعت فعلی توسعه هوش مصنوعی ابراز تردید کرده‌اند. آنها به محدودیت‌های موجود در داده‌های آموزشی با کیفیت بالا و موانع لجستیکی تأمین انرژی مراکز داده عظیمی که برای آموزش هوش مصنوعی مورد نیاز است، اشاره می‌کنند. این محدودیت‌های عملی، دستیابی به هوش عمومی مصنوعی را پیچیده‌تر می‌کند.
عدم پاسخ رسمی اوپن‌ای‌آی و گوگل به این نگرانی‌ها، بر عدم قطعیت می‌افزاید. در حالی که Anthropic، یکی دیگر از استارت‌آپ‌های پیشرو در زمینه هوش مصنوعی، ادعا می‌کند که هیچ انحرافی از قوانین مقیاس‌پذیری مشاهده نکرده است، سکوت اوپن‌ای‌آی و گوگل قابل توجه است. توییت اخیر آلتمن، “دیواری وجود ندارد”، به نظر می‌رسد پاسخی مستقیم به شک و تردید فزاینده باشد، اما شواهد ملموسی برای مقابله با روایت نوظهور کندی ارائه نمی‌دهد.
مورد دیگری که بر پیچیدگی ماجرا می‌افزاید، توافق اوپن‌ای‌آی با مایکروسافت است. طبق گزارش‌ها، اگر اوپن‌ای‌آی به هوش عمومی مصنوعی دست یابد، شرایط این معامله به طور قابل توجهی تغییر می‌کند و به طور بالقوه موازنه قدرت را به نفع این استارت‌آپ تغییر می‌دهد. این امر سوالاتی را در مورد اینکه آیا خوش‌بینی مداوم آلتمن در مورد هوش عمومی مصنوعی تحت تأثیر ملاحظات استراتژیک است یا خیر، ایجاد می‌کند. در حالی که هوش عمومی مصنوعی تا سال ۲۰۲۵ چشم‌انداز جذابی را ایجاد می‌کند، با منافع شرکتی اوپن‌ای‌آی نیز همسو است.
شباهت‌ها با قانون مور قابل توجه است. برای دهه‌ها، قانون مور، که دو برابر شدن ترانزیستورها روی یک تراشه را هر دو سال یکبار پیش‌بینی می‌کرد، صادق بود و رشد تصاعدی در قدرت محاسباتی را به دنبال داشت. با این حال، این روند در نهایت متوقف شد و بر شرکت‌هایی مانند اینتل تأثیر گذاشت و قیمت سهام آنها در نتیجه آن کاهش یافت. وضعیت فعلی مقیاس‌پذیری هوش مصنوعی احتمال یک مسیر مشابه را افزایش می‌دهد، جایی که پیشرفت سریع اولیه جای خود را به بازده نزولی می‌دهد و به طور بالقوه منجر به ارزیابی مجدد ارزش‌گذاری‌ها و استراتژی‌های سرمایه‌گذاری می‌شود.
بحث بر سر مقیاس‌پذیری هوش مصنوعی و پیش‌بینی‌های هوش عمومی مصنوعی، تعامل پیچیده بین پیشرفت‌های تکنولوژیکی، واقعیت‌های اقتصادی و انگیزه‌های استراتژیک را برجسته می‌کند. در حالی که آینده هوش مصنوعی نامشخص است، شواهد فعلی نیاز به خوش‌بینی محتاطانه را نشان می‌دهد. مسیر رسیدن به هوش عمومی مصنوعی ممکن است طولانی‌تر و چالش‌برانگیزتر از برخی پیش‌بینی‌ها باشد و نیازمند رویکردهای جدید و ارزیابی واقع‌بینانه‌تر از محدودیت‌های تکنیک‌های فعلی باشد. این صنعت باید با این چالش‌ها دست و پنجه نرم کند تا توسعه مسئولانه و پایدار فناوری‌های هوش مصنوعی را تضمین کند. تمرکز باید از دنبال کردن جدول‌های زمانی غیرواقعی به پرداختن به محدودیت‌های اساسی که مانع پیشرفت می‌شوند و کاوش مسیرهای جایگزین برای دستیابی به هوش مصنوعی واقعاً متحول‌کننده تغییر کند.
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: business insider
