فروکش‌کردن تب هوش مصنوعی می‌تواند آن را نجات دهد

«حباب‌ها عالی‌اند. بگذارید حباب‌ها ادامه پیدا کنند.» این حرف‌ را اخیرا «اریک اشمیت»، مدیرعامل پیشین گوگل گفته است. بر اساس این طرز فکر، برای آن‌که هوش مصنوعی پیشرفت کند، شرکت‌ها باید همچنان سرمایه‌گذاری‌هایی رکوردشکن را به زیرساخت‌های هوش مصنوعی سرازیر کنند؛ آنچه در دل این ادعا است اذعان می‌کند که مراکز داده بیشتری بسازید و هوش مصنوعی درمان سرطان را پیدا خواهد کرد، به هوش مصنوعی عمومی خواهد رسید و چین را پشت سر خواهد گذاشت.

از بحران انرژی تا تحول کشاورزی؛ تاریخ چگونه مسیر فناوری را عوض کرد؟

اما پیشرفت معمولاً زیر فشار اتفاق می‌افتد. وقتی انرژی گران می‌شود، مردم روش‌های صرفه‌جویی در مصرف انرژی را ابداع می‌کنند. وقتی کمبود نیروی کار به وجود می‌آید، ماشین‌های صرفه‌جویانه در نیروی انسانی ساخته می‌شوند. ترکیدن یا فروکش‌کردن حباب هوش مصنوعی شاید دقیقاً همان چیزی باشد که صنعت فناوری به آن نیاز دارد. با خشک ‌شدن منابع مالی، شرکت‌ها ناچار خواهند شد مدل‌هایی بسازند که با تراشه‌های کمتر و مصرف انرژی پایین‌تر، کارایی بیشتری ارائه دهند.

اقتصاددانان برای نوآوری در دوران کمبود، اصطلاح مشخصی دارند: «تغییر فناورانه هدایت ‌شده». در سال ۱۹۷۷، زمانی که آمریکایی‌ها در صف‌های طولانی و پیچ‌درپیچ بنزین ایستاده بودند، «جیمی کارتر»، رئیس‌جمهور وقت ایالات متحده، بحران انرژی را به یک جنگ تشبیه کرد و کسب‌وکارها نیز متناسب با همین نگاه واکنش نشان دادند. نتیجه این واکنش، توسعه فناوری‌هایی بود که امروزه آن‌ها را بدیهی می‌دانیم؛ موتورهایی کارآمدتر، خانه‌هایی با عایق‌بندی بهتر، موجی از فناوری‌های خودروهای برقی و هیبریدی و شکل‌های اولیه انرژی‌های تجدیدپذیر.

شرایطی مشابه کشاورزی را نیز دگرگون کرد. در اوایل قرن بیستم، وفور نیروی کار ارزان‌ قیمت، انگیزه مکانیزه ‌کردن کشاورزی را تضعیف کرده بود. اما در بهار ۱۹۲۷، رودخانه می‌سی‌سی‌پی سدها را درهم شکست و مناطق پنبه‌خیز را به زیر آب برد. بسیاری از ساکنان به اردوگاه‌های صلیب سرخ پناه بردند و در برخی شهرستان‌ها، تا چهارپنجم خانواده‌ها منطقه را ترک کردند. با کاهش شدید نیروی انسانی برای کاشت و برداشت، مالکان زمین به سراغ ماشین‌ها رفتند؛ تراکتورها جایگزین تیم‌های انسانی و حیوانی شدند و ابزارهای مکانیکی در این مناطق با سرعتی بیش از شهرستان‌های همجوار گسترش یافتند.

هوش مصنوعی مولد به یک اصلاح مسیر اساسی نیاز دارد؛ هم به خاطر بهره‌وری انرژی و هم برای پیشرفت خود این فناوری. مدل‌های زبانی بزرگ، با همه شگفتی‌هایشان در نهایت فقط می‌توانند پیش‌بینی کنند که یک انسان در گام بعدی چه خواهد گفت. اگر یکی از این مدل‌ها را با متون اواخر قرن نوزدهم آموزش دهید، نه هواپیما اختراع می‌کند و نه موشک می‌سازد. بلکه بازتاب ‌دهنده ایده‌های همان دوره خواهد بود؛ زمانی که برجسته‌ترین دانشمندان معتقد بودند پرواز انسان غیرممکن است. اگر صرفاً به مقیاس‌ دادن رویکرد فعلی ادامه دهیم و پول را صرف تراشه‌هایی کنیم که به‌سرعت منسوخ می‌شوند و مراکز داده‌ای که انرژی را می‌بلعند، از سطح فناوری کنونی فراتر نخواهیم رفت؛ فناوری‌ای که هنوز هم خروجی‌هایی محدود و در بهترین حالت متوسط تولید می‌کند.

یک هوش مصنوعی بهتر، همانند انسان‌ها آنچه را می‌آموزد به خاطر می‌سپارد و می‌تواند از هر وات انرژی، کار بیشتری بیرون بکشد. شرکت‌های فناوری میلیاردها دلار صرف اجرای مدل‌های زبانی بزرگی می‌کنند که هنگام اجرا، چیزی یاد نمی‌گیرند. ابزاری که بتواند به‌طور هم‌زمان هم اجرا شود و هم یاد بگیرد، گامی نزدیک‌تر به شبیه‌سازی مغز انسان برمی‌دارد و به آن امکان نوآوری بیشتری می‌دهد.

سرمایه‌گذاری بی‌پایان، الزاماً به پیشرفت منجر نمی‌شود

الگوی رونق و رکود همواره نقشی محوری در پیشرفت هوش مصنوعی داشته است. در دهه ۱۹۸۰، صنعت نوپای هوش مصنوعی تلاش کرد با تغذیه سیستم‌های رایانه‌ای با هزاران قاعده «if-else» که توسط برنامه‌نویسان نوشته شده بود، استدلال انسانی را بازتولید کند. این رویکرد هم پرهزینه بود و هم دامنه‌ای محدود داشت. اما شوک ناشی از شکست آن، پژوهشگران را به سمت مدل‌هایی سوق داد که از مثال‌ها یاد می‌گرفتند و بهتر با عدم ‌قطعیت کنار می‌آمدند؛ در حالی که «شبکه‌های عصبی» که آن زمان از مد افتاده تلقی می‌شدند بی‌وقفه به پیشرفت خود ادامه می‌دادند.

پیشرفت به ‌تدریج قابل ‌اندازه‌گیری‌تر شد و این حوزه دست از آن برداشت که همه‌چیز را روی یک رویکرد بزرگ و واحد شرط‌بندی کند. مشاغلی از بین رفت و آزمایشگاه‌هایی تعطیل شدند، اما همان کندی و عقب‌نشینی، عادت‌های بهتری را به دانشمندان و توسعه‌دهندگان آموخت؛ رویکردهایی تجربی‌تر، انعطاف‌پذیرتر و نتیجه‌محورتر که در نهایت زمینه‌ساز شکل‌گیری هوش مصنوعی مدرن شد.

کمبود منابع همچنان در حال پیش‌ راندن هوش مصنوعی است، زیرا شرکت‌هایی که امکانات کمتری دارند یاد می‌گیرند با منابع محدود، کارهای بیشتری انجام دهند. در سال ۲۰۱۸، مقررات حفاظت از داده‌ی اروپا قوانین سخت‌گیرانه و جریمه‌های سنگینی را بر نحوه جمع‌آوری و ذخیره‌سازی داده‌های شخصی اعمال کرد. در واکنش، شرکت‌های فناوری تاکتیک‌های خود را تغییر دادند و به‌جای اتکا به داده‌های واقعی، به تنظیم دقیق مدل‌های موجود و استفاده از داده‌های تولید شده به ‌صورت مصنوعی روی آوردند.

همچنین از سال ۲۰۱۸ به این‌سو، «دیپ‌سیک» راه‌هایی برای دور زدن محدودیت‌های صادراتی ایالات متحده پیدا کرده است. مدل‌های این شرکت که با تنها کسری از توان محاسباتی رقبای غربی آموزش دیده‌اند، اما در بسیاری از شاخص‌های عملکردی قابل‌مقایسه هستند به ‌خوبی نشان می‌دهند که چگونه کمبود، خلاقیت و ابتکار را پرورش می‌دهد.

وقتی انگیزه‌ای برای نوآوریِ بهره‌ور از نظر انرژی وجود نداشته باشد، فناوری در معرض آن است که روی مسیری نادرست تثبیت شود. حوالی سال ۱۹۰۰، خودروهای برقی آینده‌ای امیدوار کننده داشتند؛ تا جایی که حتی نیویورک و لندن ناوگان تاکسی‌های برقی را راه‌اندازی کرده بودند. اما ‌سرمایه‌گذاری کم در شبکه برق در کنار ارزانی نفت، به شکل‌گیری سامانه‌ای انجامید که برای نسل‌ها موتورهای احتراق داخلی را در موقعیت برتر قرار داد. تصور این‌که اگر از همان ابتدا قیمت‌گذاری کربن را جدی می‌گرفتیم و توسعه شبکه برق را ادامه می‌دادیم، قرن بیستم می‌توانست مسیر کاملاً متفاوتی داشته باشد، چندان دشوار نیست.

اگر مسیر فعلی تغییر نکند، هوش مصنوعی نیز ممکن است به سرنوشتی مشابه دچار شود. فناوری‌ای با ظرفیتی عظیم، اما گرفتار در پارادایمی منسوخ که منابع ما را تحلیل می‌برد.

انسان‌ها از نظر مصرف انرژی شگفت‌انگیزانه کارآمد هستند. یک کودک می‌تواند رابطه علت و معلول، نحوه رفتار دنیای فیزیکی و هنجارهای اجتماعی پایه را با مغزی بیاموزد که تنها حدود ۲۰ وات انرژی مصرف می‌کند. در مقابل، مدل‌های امروزی هوش مصنوعی برای نزدیک ‌شدن به همان سطح عملکرد، کوه‌هایی از داده و برق را می‌سوزانند و با این حال، به محض مواجهه با مسائل ناآشنا دچار خطا می‌شوند.

هوش مصنوعی‌ای که مسیرش اصلاح شده باشد، به‌جای آن‌که صرفاً دانسته‌های موجود را صیقل دهد و بازتولید کند به ما کمک می‌کند با چالش‌های تازه روبه‌رو شویم؛ از انجام کشفیات علمی گرفته تا ممکن‌ کردن جهش‌های پزشکی.

حباب‌ها هنگام باد شدن، پرهیاهو هستند. اما وقتی می‌ترکند، کف فرو می‌نشیند و روشن می‌شود کدام ایده‌ها بدون یارانه و تزریق پول دوام می‌آورند. اگر رونق هوش مصنوعی فروکش کند، آنچه باقی می‌ماند سامانه‌هایی خواهند بود که با منابع کمتر، کار بیشتری انجام می‌دهند.

این متن نخستین بار ۱۴ آذر ۱۴۰۴ در نیویورک‌تایمز منتشر شده است.