آیا توسعه هوش مصنوعی به بن بست رسیده است؟

در روزهای اخیر، جامعه فنی شاهد بحث های گسترده ای در مورد توسعه مدل های هوش مصنوعی مولد بوده است و رهبران برجسته در این زمینه اظهاراتی در مورد آینده احتمالی این فناوری ارائه می دهند. برخی نشان داده اند که پیشرفت های هوش مصنوعی به حد خود رسیده است، در حالی که برخی دیگر تاکید کرده اند که چشم اندازهای امیدوارکننده ای برای توسعه آینده وجود دارد.

از جمله کسانی که در مورد این موضوع اظهار نظر کردند، سام آلتمن، مدیر عامل OpenAI بود که در پستی در پلتفرم X تاکید کرد که "هیچ دیواری وجود ندارد" که توسعه هوش مصنوعی را محدود می کند و نشان می دهد که هیچ محدودیتی برای پیشرفت آن وجود ندارد. به نوبه خود، اریک اشمیت، مدیر عامل سابق گوگل، با این نظر موافق بود و خاطرنشان کرد که مدل‌های زبانی بزرگ طی پنج سال آینده شاهد پیشرفت‌های عظیمی خواهند بود، زیرا قدرت آنها می‌تواند تا 50 یا 100 برابر شود.

علاوه بر این، داریو آمودی، مدیرعامل آنتروپیک، و جنسن هوانگ، مدیرعامل انویدیا، گزارش‌هایی را که حاکی از کندی پیشرفت هوش مصنوعی است، رد کردند. در این زمینه، Ilya Sutskever، یکی از بنیان‌گذاران OpenAI، تأیید کرد که تلاش‌ها برای مقیاس‌سازی آموزش مدل به مرحله اشباع رسیده است و خاطرنشان کرد که تیم او در SSI در حال کار بر روی یک رویکرد جایگزین برای مقابله با این چالش‌ها است.

از سوی دیگر، Marc Andreessen، یکی از بنیانگذاران a16z، اشاره کرد که اکثر مدل‌های هوش مصنوعی موجود در بازار به سطح عملکردی مشابهی رسیده‌اند که رقابت بین آنها را محدود می‌کند. این یک چالش برای صنعت فناوری است که سرمایه گذاری زیادی در ساخت مراکز داده و نیروگاه های هسته ای برای حمایت از این توسعه انجام داده است. اگر معلوم شود که روش‌های آموزشی فعلی دیگر نتایج مورد انتظار را به همراه نمی‌آورند، شرکت‌ها چگونه این سرمایه‌گذاری‌های عظیم را توجیه می‌کنند؟

این بحث ها با توجه به تاثیر هوش مصنوعی در چندین حوزه مانند اقتصاد، بهداشت و آموزش و همچنین تاثیر قابل توجه آن بر سرمایه گذاری های انجام شده در این بخش از اهمیت بالایی برخوردار است. با این حال، این سوال اساسی باقی می‌ماند: شرکت‌ها چگونه می‌توانند بر چالش‌های فعلی برای دستیابی به ابر هوش مصنوعی غلبه کنند؟

چالش های دستیابی به هوش مصنوعی برتر
بسیاری از متخصصان در این زمینه توافق دارند که کلید پیشرفت در کشف انواع جدید داده ها، توسعه سیستم هایی با قابلیت استدلال منطقی و همچنین بهبود مدل ها برای کوچکتر و تخصصی تر شدن نهفته است. یکی از چالش‌های اصلی شرکت‌ها در توسعه مدل‌های زبانی بزرگ، کمبود داده و دشواری در دست‌یابی به واحدهای پردازش گرافیکی (GPU) است که برای آموزش این مدل‌ها ضروری است. با توجه به تقاضای زیاد برای این واحدها، شرکت ها با تاخیرهای طولانی در دریافت آنها مواجه هستند که مانع پیشرفت می شود.

چالش دیگر کمبود داده های با کیفیت بالا است که کلید توسعه مدل ها است. برخی به این نکته اشاره کرده اند که داده های متنی موجود به صورت آنلاین در حال اتمام است و این مشکل ممکن است ادامه آموزش مدل های زبان را بسیار دشوار کند.

تغییر به سمت داده های مصنوعی
در مواجهه با این چالش ها، محققان شروع به حرکت از تمرکز بر کمیت داده ها به تمرکز بر کیفیت آن کرده اند. این تغییر منجر به علاقه مندی به داده های مصنوعی شده است که توسط خود مدل های هوش مصنوعی تولید می شوند و راه حلی نوآورانه برای مشکل کمبود داده های با کیفیت بالا ارائه می دهند. با این حال، استفاده از داده های مصنوعی بدون خطر نیست و محققان در ایجاد تعادل مناسب برای جلوگیری از مشکلات در عملکرد مدل با چالش هایی روبرو هستند.

بر استدلال و استدلال تمرکز کنید
همراه با پیشرفت در داده ها، تمرکز به سمت بهبود توانایی مدل ها برای استدلال و استدلال، که به عنوان استدلال منطقی شناخته می شود، تغییر کرده است. این دگرگونی مدل‌ها را قادر می‌سازد تا وظایف پیچیده‌تری را انجام دهند و به آنها توانایی درک معانی پشت کلمات را می‌دهد. برخی از شرکت‌ها مانند مایکروسافت از روش‌های جدیدی مانند "محاسبات زمان تست" رونمایی کرده‌اند که هدف آن بهبود دقت مدل‌ها با دادن زمان بیشتر به آنها برای پردازش پرس‌وجوهای پیچیده است.

واقعیت توسعه در هوش مصنوعی
بسیاری از کارشناسان توضیح داده اند که پیشرفت هوش مصنوعی از یک الگوی لگاریتمی پیروی می کند، به این معنی که هر مرحله به سمت توسعه به منابع بیشتری نسبت به مرحله قبل نیاز دارد. این روند ممکن است سرعت توسعه را در آینده کاهش دهد که هزینه ها را به میزان قابل توجهی افزایش می دهد. طبق پیش‌بینی‌ها، هزینه‌های آموزشی برای مدل‌های اصلی می‌تواند از 1 میلیارد دلار تا 10 میلیارد دلار در سال‌های آینده متغیر باشد، که سؤالاتی را در مورد تمایل سرمایه‌گذاران برای کار با چنین هزینه‌های بالایی ایجاد می‌کند.

با این حال، پاسخ به این سؤالات نامشخص است، زیرا شرکت‌ها توسعه ابر هوش مصنوعی را پیش‌بینی می‌کنند، برخی از مشتریان با پیشرفت آهسته با ناامیدی مواجه هستند که ممکن است آنها را به دنبال گزینه‌های دیگر سوق دهد. این یک سوال روانی و اقتصادی مهم را ایجاد می کند: آیا مشتریان مایلند منتظر این پیشرفت باشند یا ناامید شده و به دنبال جایگزین خواهند بود؟