پیشرفت هوش مصنوعی با مشکل مواجه شده است و شرکت‌های بزرگی مانند گوگل، OpenAI و Anthropic با چالش‌های توسعه هوش مصنوعی دست و پنجه نرم می‌کنند. محدودیت‌های داده و افزایش هزینه‌ها، از جمله موانع اصلی در مسیر ساخت مدل‌های پیشرفته‌تر هوش مصنوعی و دستیابی به هوش عمومی مصنوعی (AGI) هستند.
پیشرفت سریع هوش مصنوعی (AI) با کاهش سرعت قابل توجهی مواجه شده است، زیرا شرکت‌های پیشرو مانند گوگل، OpenAI و Anthropic با چالش‌های قابل توجهی در توسعه مدل‌های پیچیده‌تر مواجه هستند. هیجان اولیه پیرامون پتانسیل هوش مصنوعی، که با انتشار ابزارهایی مانند ChatGPT برانگیخته شده بود، جای خود را به درک دقیق‌تری از پیچیدگی‌ها و محدودیت‌های موجود در دستیابی به قابلیت‌های واقعاً متحول‌کننده هوش مصنوعی داده است. این چالش‌ها عمدتاً حول محور دشواری فزاینده‌ی دستیابی به داده‌های آموزشی با کیفیت بالا و افزایش هزینه‌های مرتبط با ساخت و بهره‌برداری از مدل‌های پیچیده‌تر می‌چرخند.
پیگیری هوش عمومی مصنوعی (AGI)، یک سیستم فرضی هوش مصنوعی که قادر به تطبیق یا پیشی گرفتن از هوش انسانی در طیف وسیعی از وظایف است، نیروی محرکه‌ی بسیاری از سرمایه‌گذاری‌ها و تحقیقات در این زمینه بوده است. با این حال، شکست‌های اخیر، تردیدهایی را در مورد امکان دستیابی به AGI در آینده‌ی نزدیک ایجاد کرده است. طبق گزارش‌ها، آخرین مدل OpenAI، Orion، به ویژه در توانایی مدیریت وظایف کدنویسی، به دلیل کمبود داده‌های آموزشی کافی، کمتر از انتظارات عمل کرده است. به طور مشابه، نسل بعدی نرم‌افزار Gemini گوگل و مدل Claude 3.5 Opus شرکت Anthropic نیز با تاخیر و مشکلات عملکردی مواجه شده‌اند.
اتکا به مجموعه داده‌های عظیم جمع‌آوری‌شده از اینترنت، که موج اولیه توسعه‌ی هوش مصنوعی را تقویت کرد، برای ساخت سیستم‌های واقعاً پیشرفته هوش مصنوعی ناکافی است. در حالی که این رویکرد امکان ایجاد مدل‌های زبانی چشمگیر را فراهم می‌کند که قادر به تولید فرمت‌های متنی خلاقانه هستند، اما از الزامات داده‌های مورد نیاز برای دستیابی به هوش در سطح انسان، کوتاهی می‌کند. چالش نه تنها در کمیت داده‌ها، بلکه در کیفیت و تنوع آن‌ها نیز نهفته است. انباشت داده‌های بیشتر از منابع مشابه لزوماً منجر به پیشرفت‌های چشمگیر نخواهد شد. در عوض، محققان به طور فزاینده‌ای نیاز به منابع داده‌های تخصصی‌تر و با کیفیت بالاتر را تشخیص می‌دهند، که اغلب دستیابی به آن‌ها دشوارتر و پرهزینه‌تر است.
این صنعت در حال بررسی رویکردهای جایگزین برای رسیدگی به تنگنای داده‌ها، از جمله استفاده از داده‌های مصنوعی است. این شامل تولید داده‌های مصنوعی، مانند تصاویر یا متن تولید شده توسط کامپیوتر، برای تکمیل داده‌های دنیای واقعی است. با این حال، داده‌های مصنوعی نیز محدودیت‌های خاص خود را دارند. در حالی که می‌تواند در زمینه‌های خاصی مؤثر باشد، اغلب فاقد غنا و ظرافت داده‌های تولید شده توسط انسان، به ویژه در حوزه‌ی زبان است. تولید داده‌های مصنوعی واقعاً با کیفیت بالا که بتواند به طور مؤثر پیچیدگی‌های زبان انسان را تقلید کند، همچنان یک چالش قابل توجه است.
افزایش هزینه‌های مرتبط با آموزش و بهره‌برداری از این مدل‌های هوش مصنوعی که به طور فزاینده‌ای پیچیده می‌شوند، پیگیری AGI را پیچیده‌تر می‌کند. با بزرگ‌تر و فشرده‌تر شدن مدل‌ها از نظر محاسباتی، منابع مالی مورد نیاز برای توسعه و نگهداری آن‌ها سرسام‌آور می‌شود. این امر سوالاتی را در مورد پایداری مسیر فعلی توسعه هوش مصنوعی و پتانسیل کاهش بازده سرمایه‌گذاری ایجاد می‌کند. شرکت‌ها اکنون با تصمیمات دشواری در مورد اینکه آیا به سرمایه‌گذاری در مدل‌های بزرگ‌تر و گران‌تری که ممکن است تنها پیشرفت‌های جزئی نسبت به مدل‌های موجود ارائه دهند، ادامه دهند یا خیر، دست و پنجه نرم می‌کنند.
این صنعت همچنین در حال بررسی رویکردهای جایگزین برای بهبود عملکرد هوش مصنوعی، فراتر از افزایش حجم مدل و داده است. یکی از این رویکردها شامل اصلاح فرآیند آموزش، ترکیب تکنیک‌هایی مانند یادگیری تقویتی از بازخورد انسان برای بهینه‌سازی رفتار مدل و بهبود کیفیت پاسخ‌ها است. حوزه‌ی امیدوارکننده‌ی دیگر تحقیقات بر توسعه‌ی عامل‌های هوش مصنوعی تخصصی‌تر متمرکز است که برای انجام وظایف خاص، مانند رزرو پرواز یا مدیریت ایمیل‌ها طراحی شده‌اند. این عامل‌ها می‌توانند از قابلیت‌های مدل‌های هوش مصنوعی موجود استفاده کنند و در عین حال بر حوزه‌های خاص تمرکز کنند و به طور بالقوه راه‌حل‌های عملی‌تر و مقرون‌به‌صرفه‌تری ارائه دهند.
رکود فعلی در توسعه‌ی هوش مصنوعی، پیچیدگی‌های ذاتی ساخت سیستم‌های واقعاً هوشمند را برجسته می‌کند. در حالی که موج اولیه پیشرفت، هیجان زیادی ایجاد کرد و پتانسیل هوش مصنوعی را نشان داد، مسیر پیش رو احتمالاً چالش برانگیزتر خواهد بود و نیازمند رویکردهای ظریف‌تری است. اکنون این صنعت وارد مرحله‌ای از توسعه‌ی آگاهانه‌تر و استراتژیک‌تر می‌شود که بر رسیدگی به تنگنای داده‌ها، بهینه‌سازی فرآیندهای آموزشی و بررسی معماری‌ها و کاربردهای جایگزین هوش مصنوعی تمرکز دارد. پیگیری AGI همچنان یک هدف بلندمدت است و شکست‌های اخیر یادآور موانع قابل توجهی است که هنوز باید بر آن‌ها غلبه کرد.
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: bnn bloomberg
