جنگ بزرگ در سیلیکون‌ولی بر سر «هوش عمومی مصنوعی»

بحث داغی در قلب صنعت هوش مصنوعی، به‌ویژه پس از عرضه موفقیت‌آمیز مدل‌هایی نظیر جیمنای ۳، شکل گرفته است؛ این بحث بر سر سقف پتانسیل «قوانین مقیاس‌گذاری» (Scaling Laws) در پیشبرد فناوری به سمت «هوش عمومی مصنوعی» (AGI) است. AGI نسخه‌ای تئوریک از هوش مصنوعی است که قادر به استدلال و تفکر در سطح انسان باشد و هدف نهایی تمام شرکت‌های پیشرو در این حوزه محسوب می‌شود.

حمایت تمام‌قد دیپ‌مایند از فشار حداکثری بر سخت‌افزار

«دمیس حسابیس»، مدیرعامل گوگل دیپ‌مایند، در نشست اخیر « Axios’ AI+ » در سانفرانسیسکو، موضع شرکت خود را قاطعانه اعلام کرد. او اظهار داشت: «ما باید مقیاس‌گذاری سیستم‌های فعلی را تا حداکثر ممکن پیش ببریم، زیرا این کار در حداقل‌ترین حالت، یک جزء کلیدی از سیستم نهایی AGI خواهد بود.»

بر اساس تئوری قوانین مقیاس‌گذاری، هر چقدر داده و قدرت پردازش (Compute) بیشتری به یک مدل هوش مصنوعی تزریق شود، آن مدل هوشمندتر خواهد شد. حسابیس حدس می‌زند که اگرچه مقیاس‌گذاری به تنهایی ممکن است صنعت را به AGI برساند، اما احتمالاً به «یک یا دو نوآوری کلیدی» دیگر نیز نیاز است.

انتقاد جدی از بازدهی کاهشی و محدودیت‌های محیط زیستی

با این حال، رویکرد مقیاس‌گذاری صرف با انتقادات جدی مواجه است. منتقدان اشاره می‌کنند که ساخت زیرساخت‌های لازم (دیتاسنترها) برای تأمین قدرت پردازش مورد نیاز، هم بسیار گران و هم بسیار پرمصرف از نظر انرژی است که بار سنگینی بر دوش محیط زیست وارد می‌کند. علاوه بر این، محدودیت داده‌های عمومی در دسترس و نشانه‌هایی از کاهش بازدهی (Diminishing Returns) در سرمایه‌گذاری‌های عظیم روی مدل‌های زبانی بزرگ، شک و تردیدها را افزایش داده است.

خروج دانشمند ارشد متا برای انقلاب در مدل‌های جهانی

در نقطه مقابل، متخصصانی چون «یان لِکون»، دانشمند ارشد سابق هوش مصنوعی در مِتا که اخیراً برای تأسیس استارتاپ خود از این شرکت جدا شد، معتقدند: «اغلب مسائل جالب، بسیار بد مقیاس‌پذیر هستند.» وی با زیر سؤال بردن فرض اتکای صرف بر داده و کامپیوتر بیشتر، اعلام کرد که صنعت باید به دنبال راه دیگری باشد.

استارتاپ جدید لِکون بر توسعه مدل‌های جهانی (World Models) متمرکز خواهد بود. هدف این مدل‌ها، درک دنیای فیزیکی و مکانی (به‌جای داده‌های صرفاً مبتنی بر زبان) است تا سیستم‌های هوش مصنوعی بتوانند حافظه پایدار، قابلیت استدلال و توانایی برنامه‌ریزی دنباله‌های پیچیده عملی را کسب کنند؛ رویکردی که نقطه مقابل رویکرد مقیاس‌گذاری گوگل دیپ‌مایند است.