سازگاری با عصر استدلال در هوش مصنوعی

مدل‌های زبانی بزرگ که اولین بار به صورت عمومی در سال ۲۰۲۲ منتشر شدند، چشمگیر اما محدود بودند؛ درست مانند دانشجویان با استعداد که در آزمون‌های چندگزینه‌ای عالی عمل می‌کنند اما وقتی از آن‌ها خواسته می‌شود تا از منطق خود را دفاع کنند، دچار مشکل می‌شوند. مدل‌های پیشرفته استدلال امروزی شبیه دانشجویان تحصیلات تکمیلی با تجربه هستند که می‌توانند ابهام را مدیریت کرده و در صورت لزوم مسیر خود را بازبینی کنند و مسائل را با رویکردی سیستماتیک و دقیق حل کنند.

با پیشرفت سیستم‌های هوش مصنوعی که با تقلید از مکانیزم‌های مغز انسان یاد می‌گیرند، شاهد تکاملی از مدل‌ها از بازگو کردن صرف به سمت استدلال واقعی هستیم. این قابلیت فصل جدیدی در تکامل هوش مصنوعی را نشان می‌دهد و فرصت‌های عظیمی برای سازمان‌ها فراهم می‌کند. اما برای بهره‌برداری از این پتانسیل بزرگ، سازمان‌ها باید زیرساخت و منابع محاسباتی مناسبی برای پشتیبانی از این فناوری پیشرفته فراهم کنند.

انقلاب استدلال

«مدل‌های استدلال از نظر کیفی با LLMهای قبلی متفاوت هستند»، «پرابات رام»، شریک و معمار AI/HPC در مایکروسافت این را می‌گوید و اشاره می‌کند که این مدل‌ها می‌توانند فرضیه‌های مختلف را بررسی کنند و ارزیابی کنند که آیا پاسخ‌ها به صورت مداوم درست هستند و رویکرد خود را بر اساس آن تنظیم کنند: «آن‌ها اساساً یک نمایش داخلی از درخت تصمیم‌گیری بر اساس داده‌های آموزشی ایجاد می‌کنند و بررسی می‌کنند کدام راه‌حل می‌تواند بهترین باشد.»

این رویکرد تطبیقی در حل مسائل بدون هزینه نیست. مدل‌های بزرگ زبانی‌ پیشین خروجی‌ها را در میلی‌ثانیه‌ها بر اساس تطبیق الگوهای آماری و تحلیل احتمالاتی ارائه می‌دادند. این رویکرد برای بسیاری از کاربردها کارآمد بود و هنوز هم هست، اما زمان کافی به هوش مصنوعی نمی‌داد تا مسیرهای حل مختلف را به دقت ارزیابی کند.

در مدل‌های جدید، زمان محاسباتی طولانی‌تر در حد ثانیه‌ها، دقیقه‌ها یا حتی بیشتر در انجام استنتاج به هوش مصنوعی امکان می‌دهد از یادگیری تقویتی داخلی پیچیده‌تری استفاده کند. این امر دروازه‌ای برای حل مسائل چندمرحله‌ای و تصمیم‌گیری دقیق‌تر باز می‌کند.

برای روشن شدن کاربردهای آینده هوش مصنوعی مجهز به استدلال، رام مثال یک مریخ‌نورد ناسا را می‌آورد که برای کاوش سطح مریخ فرستاده شده است: «در هر لحظه باید تصمیم گرفته شود که کدام مسیر طی شود، چه چیزی کاوش شود و باید توازن بین ریسک و پاداش رعایت شود. هوش مصنوعی باید بتواند ارزیابی کند که آیا در حال نزدیک شدن به پرتگاه هستم؟ یا اگر این سنگ را بررسی کنم و زمان و بودجه محدودی دارم، آیا واقعاً این سنگ از نظر علمی ارزشمندتر است؟» انجام موفق این ارزیابی‌ها می‌تواند به کشفیات علمی پیشگامانه با سرعت و مقیاسی که پیش از این تصور نمی‌شد، منجر شود.

قابلیت‌های استدلال همچنین نقطه عطفی در گسترش سیستم‌های هوش مصنوعی عامل‌محور است؛ برنامه‌های خودمختاری که به نمایندگی از کاربران وظایف انجام می‌دهند، مانند برنامه‌ریزی قرار ملاقات یا رزرو سفر. رام توضیح می‌دهد: «چه از هوش مصنوعی بخواهید رزرو انجام دهد، خلاصه‌ای از ادبیات ارائه دهد، حوله تا کند یا سنگی بردارد، ابتدا باید محیط را درک کند، آنچه ما به آن ادراک می‌گوییم؛ یعنی دستورالعمل‌ها را بفهمد و سپس وارد فاز برنامه‌ریزی و تصمیم‌گیری شود.»

کاربردهای سازمانی سیستم‌های هوش مصنوعی مجهز به استدلال

کاربردهای سازمانی این نوع هوش مصنوعی بسیار گسترده است. در حوزه بهداشت و درمان، سیستم‌های هوش مصنوعی استدلالی می‌توانند داده‌های بیماران، ادبیات پزشکی و پروتکل‌های درمانی را تحلیل کرده و از تصمیم‌گیری‌های تشخیصی یا درمانی پشتیبانی کنند. در پژوهش‌های علمی، مدل‌های استدلالی می‌توانند فرضیه‌ها را شکل دهند، پروتکل‌های آزمایشی طراحی کنند و نتایج پیچیده را تفسیر کنند؛ چیزی که می‌تواند سرعت کشفیات در حوزه‌های مختلف، از علم مواد تا داروسازی را افزایش دهد. در تحلیل‌های مالی، هوش مصنوعی استدلالی می‌تواند به ارزیابی فرصت‌های سرمایه‌گذاری، استراتژی‌های توسعه بازار، طراحی پروفایل‌های ریسک یا پیش‌بینی‌های اقتصادی کمک کند.

مسلح به این بینش‌ها، تجربه خود و هوش هیجانی، پزشکان، پژوهشگران و تحلیلگران مالی می‌توانند تصمیمات آگاهانه‌تر و سریع‌تر اتخاذ کنند. اما قبل از ورود این سیستم‌ها به محیط واقعی، چارچوب‌های حاکمیتی و ایمنی باید کاملاً مستحکم باشد، به‌ویژه در زمینه‌های حساس مانند بهداشت و درمان یا خودروهای خودران.

رام می‌گوید: «برای یک خودروی خودران، تصمیمات لحظه‌ای وجود دارد که باید گرفته شود؛ آیا فرمان را به چپ یا راست می‌چرخانید، آیا پدال گاز یا ترمز را فشار می‌دهید؟ قطعاً نمی‌خواهید به یک عابر پیاده برخورد کنید یا تصادف کنید. توانایی استدلال در شرایط مختلف و اتخاذ تصمیم بهینه چیزی است که مدل‌های استدلالی باید در آینده انجام دهند.»

زیرساخت پشتیبان استدلال در هوش مصنوعی

برای عملکرد بهینه، مدل‌های استدلالی نیازمند منابع محاسباتی بسیار بیشتری برای استنتاج هستند. این امر چالش‌های مقیاس‌پذیری مشخصی ایجاد می‌کند. به‌ویژه، از آنجا که مدت زمان استنتاج مدل‌های استدلالی می‌تواند به شدت متغیر باشد، از چند ثانیه تا چندین دقیقه، توزیع بار بین این وظایف متنوع چالش‌برانگیز است.

رام می‌گوید، غلبه بر این موانع نیازمند همکاری نزدیک بین ارائه‌دهندگان زیرساخت و تولیدکنندگان سخت‌افزار است و به همکاری مایکروسافت با NVIDIA اشاره می‌کند که پلتفرم محاسبات شتاب‌دهنده خود را در محصولات مایکروسافت از جمله Azure AI ارائه می‌دهد.

رام توضیح می‌دهد: «وقتی درباره Azure و پیاده‌سازی سیستم‌ها برای آموزش و استنتاج هوش مصنوعی فکر می‌کنیم، واقعاً باید کل سیستم را به عنوان یک کل در نظر بگیریم. در مرکز داده چه کار متفاوتی انجام خواهید داد؟ با چند مرکز داده چه خواهید کرد؟ چگونه آن‌ها را به هم متصل خواهید کرد؟» این ملاحظات به چالش‌های قابلیت اطمینان در همه مقیاس‌ها مربوط می‌شود؛ از خطاهای حافظه در سطح سیلیکون، خطاهای انتقال در داخل و بین سرورها، ناهنجاری‌های حرارتی، تا مسائل سطح مرکز داده مانند نوسانات برق که همه نیازمند پایش پیشرفته و سیستم پاسخ سریع هستند.

با ایجاد معماری سیستم یکپارچه طراحی ‌شده برای مدیریت تقاضاهای متغیر هوش مصنوعی، همکاری مایکروسافت و NVIDIA به شرکت‌ها امکان می‌دهد از قدرت مدل‌های استدلالی بهره‌برداری کنند، بدون آنکه پیچیدگی‌های زیرساختی را مدیریت کنند. علاوه بر مزایای عملکردی، این نوع همکاری‌ها به شرکت‌ها اجازه می‌دهد با چشم‌انداز فناوری که با سرعت سرسام‌آور در حال تغییر است، همگام شوند. رام می‌گوید: «سرعت یک چالش منحصربه‌فرد در این حوزه است. هر سه ماه، یک مدل پایه جدید ارائه می‌شود. سخت‌افزار هم با سرعت بسیار بالا در حال تکامل است؛ در چهار سال گذشته، هر نسل از GPUهای NVIDIA را مستقر کرده‌ایم و اکنون هم NVIDIA GB200NVL72. پیشرو بودن در این حوزه واقعاً نیازمند همکاری نزدیک مایکروسافت و NVIDIA برای به اشتراک گذاشتن نقشه راه، جدول زمانی، طراحی‌های مهندسی سخت‌افزار، مجموعه‌های اعتبارسنجی و حل مسائل تولید است.»

پیشرفت‌های زیرساخت هوش مصنوعی طراحی ‌شده به‌طور ویژه برای مدل‌های استدلالی و عامل‌محور برای دسترسی گسترده‌تر سازمان‌ها به هوش مصنوعی مجهز به استدلال حیاتی است. بدون زیرساخت محکم و قابل دسترس، مزایای مدل‌های استدلالی محدود به شرکت‌های دارای منابع محاسباتی عظیم خواهد ماند.

نگاه به آینده تکامل سیستم‌های هوش مصنوعی مجهز به استدلال و زیرساخت‌های پشتیبان آن‌ها وعده دستاوردهای بزرگ‌تری را می‌دهد. به گفته رام، مرز پیشرفت فراتر از کاربردهای سازمانی به سمت کشفیات علمی و دستاوردهایی است که بشریت را به جلو می‌برد: «روزی که این سیستم‌های عامل بتوانند پژوهش‌های علمی را هدایت کرده و فرضیه‌های جدیدی پیشنهاد دهند که به جایزه نوبل منجر شود، فکر می‌کنم همان روزی است که می‌توانیم بگوییم این تکامل کامل شده است.»

این مقاله نخستین بار در MIT Technology Review منتشر شده است.