سرمایه‌گذاری روی سراب AGI

بزرگ‌ترین شرکت‌های فعال در حوزه هوش مصنوعی در رقابتی فشرده برای دستیابی به «هوش عمومی مصنوعی»  یا AGI هستند؛ سامانه‌هایی که قرار است از انعطاف‌پذیری و خلاقیت انسان برخوردار باشند و در عین حال با سرعت و مقیاس رایانه‌های دیجیتال عمل کنند. سیستم‌هایی که بتوانند تقریباً به هر پرسشی پاسخ دهند و هر مسئله‌ای را حل کنند؛ چیزی شبیه رایانه سفینه فضایی در مجموعه علمی‌تخیلیStar Trek.

توهم نزدیکی به AGI

در سال‌های اخیر، بسیاری گمان کرده‌اند که مسیر رسیدن به این هدف از بهبود سامانه‌های «هوش مصنوعی مولد (Generative AI) می‌گذرد؛ ابزارهایی مانندChatGPT  که با آموزش بر انبوهی از داده‌های انسانی قادر به تولید متن، تصویر، کد و ویدئو هستند. سهولت استفاده و موفقیت اولیه چت‌بات‌ها این تصور را تقویت کرد که AGI در آستانه تحقق است.

اما این سامانه‌ها همچنان مستعد «توهم‌سازی» (hallucination) و خطاهای ساختاری‌اند. همین ضعف‌ها می‌تواند یکی از دلایل فاصله گرفتن صنعت از وعده «بهره‌وری انفجاری» باشد. پژوهشی از ابتکار NANDA در مؤسسه فناوری ماساچوست (Massachusetts Institute of Technology) نشان می‌دهد ۹۵ درصد شرکت‌هایی که پروژه‌های آزمایشی هوش مصنوعی اجرا کرده‌اند، بازدهی اندک یا هیچ بازدهی نداشته‌اند. همچنین تحلیل‌های مالی هشدار می‌دهند که تا سال ۲۰۳۰، شکاف میان درآمد پیش‌بینی‌شده و تحقق‌یافته شرکت‌های این حوزه می‌تواند به حدود ۸۰۰ میلیارد دلار برسد.

بازگشت به تخصص‌گرایی

اگر قرار است ظرفیت‌های واقعی هوش مصنوعی بالفعل شود، شاید صنعت فناوری باید از تمرکز افراطی بر ابزارهای «همه‌منظوره» فاصله بگیرد و به توسعه سامانه‌های محدود و مسئله‌محور بازگردد. سیستم‌هایی که برای حل مسائل مشخص طراحی و مهندسی می‌شوند و غالباً قابل‌اعتمادترند.

پیش از موج چت‌بات‌ها، بیشتر پروژه‌های هوش مصنوعی ماهیتی «تک‌منظوره» داشتند، از موتورهای پیشنهادگر کتاب و فیلم گرفته تا برنامه‌های بازی شطرنج؛ این سیستم‌ها جذابیت گفت‌وگویی امروز را نداشتند و توسعه‌شان زمان‌بر بود اما معمولاً به دلیل تکیه بر مدل‌سازی صریح دانش حوزه‌ای، قابل اتکاتر عمل می‌کردند.

شطرنج؛ آزمون ساده اما گویا

اگر از یک مدل زبانی بزرگ بخواهید شطرنج بازی کند، اغلب با حرکت‌های غیرقانونی یا تحلیل‌های نادرست روبه‌رو می‌شوید؛ زیرا این مدل‌ها قوانین بازی را «استنتاج آماری» می‌کنند، نه «مدل‌سازی صریح». در مقابل، موتورهای اختصاصی شطرنج بر پایه تعریف دقیق قوانین، ساختار صفحه و درخت جست‌وجوی حرکات طراحی می‌شوند و هرگز حرکت غیرقانونی انجام نمی‌دهند. حتی گزارش شده یک کنسولAtari 2600  با نرم‌افزار هوش مصنوعی اختصاصی توانسته در رقابت شطرنج یک مدل زبانی بزرگ را شکست دهد.

AlphaFold؛ قدرت تمرکز بر یک مسئله

نمونه شاخص موفقیت رویکرد تخصصی، سامانه  AlphaFoldاست که توسطGoogle DeepMind  توسعه یافته است. این برنامه برای پیش‌بینی ساختار سه‌بعدی پروتئین‌ها طراحی شده و بر پایه دانش زیست‌شناسی مولکولی از زنجیره‌های آمینواسیدی تا الگوهای تاخوردگی ساخته شده است. ترکیب یادگیری ماشین مدرن با روش‌های کلاسیک و تعبیه دانش تخصصی در معماری سیستم، به آن امکان داده مسئله‌ای بنیادین را با دقتی بی‌سابقه حل کند.

امروز میلیون‌ها پژوهشگر از AlphaFold برای توسعه داروهای جدید و مطالعه سازوکارهای مولکولی استفاده می‌کنند. بیش از ۲۰۰ میلیون ساختار پروتئینی با آن تحلیل شده و همین دستاوردها به افتخارات علمی بین‌المللی برای سازندگانش انجامیده است. نکته کلیدی این است: سیستم برای یک مسئله مشخص طراحی شده و همان را به‌طرزی درخشان حل می‌کند.

خودروهای خودران؛ معماری از پیش مهندسی‌شده

در صنعت حمل‌ونقل نیز شرکت Waymo (وابسته به Alphabet Inc.) از سامانه‌هایی با اجزای دقیقاً تنظیم‌شده استفاده می‌کند. تشخیص اشیاء، همجوشی داده‌های چندحسگری، درک محیط و تصمیم‌گیری. از آنجا که معماری رانندگی خودکار از ابتدا مهندسی شده، سیستم می‌تواند کارآمدتر یاد بگیرد و بهبود یابد.

در مقابل، استارتاپ Ghost Autonomy که با حمایت مالیOpenAI  فعالیت می‌کرد، تلاش داشت راهکاری مبتنی بر هوش مصنوعی مولد برای خودروهای خودران توسعه دهد. با وجود جذب بیش از ۲۰۰ میلیون دلار سرمایه، پروژه به نتیجه نرسید و شرکت تعطیل شد.

مسئله ایمنی؛ مرزهای کنترل‌پذیری

ایمنی نیز استدلالی جدی به سود سیستم‌های محدود است. صنعت فناوری هنوز نتوانسته تضمین کند مدل‌های مولد در همه شرایط به دستورالعمل‌های ایمنی پایبند بمانند. پژوهش‌ها نشان داده‌اند این سامانه‌ها در برخی سناریوها رفتارهای فریبکارانه یا پاسخ‌های بالقوه خطرناک تولید کرده‌اند. در مقابل، سیستم‌هایی مانند AlphaFold یا سامانه رانندگی Waymo به دلیل دامنه عملکرد محدود و تعریف‌شده، با چنین ریسک‌هایی مواجه نیستند.

بازتعریف مسیر آینده

فاصله گرفتن از تمرکز مطلق بر چت‌بات‌ها به معنای کنار گذاشتن AGI نیست بلکه می‌تواند به بازنگری در مسیر رسیدن به آن بینجامد. هوش مصنوعی مولد همچنان در حوزه‌هایی مانند برنامه‌نویسی، ایده‌پردازی و ترجمه ارزشمند است؛ اما شاید نباید آن را شاه‌کلید همه مسائل دانست.

همان‌گونه که Yoshua Bengio هشدار داده، افزایش خودمختاری سامانه‌های عمومی لزوماً با منافع انسانی همسو نیست. شاید جامعه علمی و صنعتی بهتر خدمت شود اگر منابع بیشتری صرف توسعه ابزارهای تخصصی در علم، پزشکی، فناوری و آموزش شود. جایی که هوش مصنوعی می‌تواند به‌جای وعده‌های کلان، دستاوردهای ملموس و سنجش‌پذیر ارائه دهد.

این دیدگاه از سوی Gary Marcus، استاد بازنشسته دانشگاه نیویورک و مدیرعامل پیشین Geometric Intelligence، در کتاب تازه‌اش با عنوانTaming Silicon Valley  نیز مطرح شده است؛ کتابی که می‌کوشد نشان دهد چگونه می‌توان اطمینان یافت هوش مصنوعی در خدمت انسان باقی بماند، نه بالعکس.