پاسخ عجیب دانشمندان به سوال آیا مدل‌های فعلی هوش مصنوعی می‌توانند به هوش انسان برسند؟

دانشمندان در پاسخ به این سوال که آیا مدل‌های فعلی هوش مصنوعی قادرند به هوش انسان برسند یا نه، پاسخ‌های عجیبی داده‌اند. در ادامه به برخی از آن‌ها می‌پردازیم.

بر اساس یک نظرسنجی تازه که از کارشناسان حوزه فناوری انجام شده، به نظر می‌رسد که روش‌های فعلی هوش مصنوعی قادر به تولید مدل‌هایی که با هوش انسانی رقابت کنند، نخواهند بود.

آیا هوش مصنوعی فعلی می‌تواند به هوش انسان برسد؟

از میان ۴۷۵ پژوهشگر هوش مصنوعی که در نظرسنجی جدید شرکت کردند، حدود ۷۶ درصد گفتند که بعید است افزایش مقیاس مدل‌های زبانی بزرگ، به هوش مصنوعی عمومی (AGI)، یعنی هدفی که در آن سیستم‌های یادگیری ماشینی می‌توانند هم‌سطح یا بهتر از انسان‌ها یاد بگیرند، دست یابد.

این نتایج، با پیش‌بینی‌های رایج در صنعت فناوری که از زمان رونق هوش مصنوعی مولد در سال ۲۰۲۲ مطرح شدند، در تضاد است. طبق این پیش‌بینی‌ها، مدل‌های کنونی هوش مصنوعی تنها به داده‌های بیشتر، سخت‌افزارهای قوی‌تر، انرژی و سرمایه بیشتر نیاز دارند تا از هوش انسانی پیشی بگیرند.

با توجه به اینکه انتشار مدل‌های جدید هوش مصنوعی با رکود مواجه شده است، اکثر پژوهشگران شرکت‌کننده در نظرسنجی بر این باورند که شرکت‌های فناوری به بن‌بست رسیده‌اند و تزریق پول بیشتر، راهگشای این مشکل نخواهد بود.

استوارت راسل، دانشمند علوم رایانه در دانشگاه برکلی کالیفرنیا، می‌گوید:

به نظر من، تقریباً پس از انتشار مدل زبانی GPT-4، مشخص شد که دستاوردهای حاصل شده، نتیجه‌ی افزایش تدریجی و هزینه‌بر مقیاس مدل‌ها بوده‌اند. شرکت‌های فعال در حوزه هوش مصنوعی، سرمایه‌گذاری‌های عظیمی انجام داده‌اند و نمی‌توانند به اشتباهات خود اعتراف کنند و از عرصه رقابت کنار بکشند. آن‌ها مجبورند بدهی‌های سرمایه‌گذارانی را که صدها میلیارد دلار سرمایه‌گذاری کرده‌اند، بازپرداخت کنند. بنابراین، تنها راه چاره، دو برابر کردن تلاش‌هایشان است.

پیشرفت‌های چشمگیر مدل‌های زبانی بزرگ در سال‌های اخیر، عمدتاً به دلیل معماری ترانسفورماتور آن‌هاست. این نوع معماری که برای اولین بار در سال 2017 توسط دانشمندان گوگل ابداع شد، با تجزیه و تحلیل داده‌های آموزشی انسانی، رشد می‌کنند. این ویژگی، به مدل‌ها امکان می‌دهد تا با پردازش پرامپت ورودی، الگوهای احتمالی را از طریق شبکه‌های عصبی خود استخراج کنند. با افزایش حجم داده‌های آموزشی، دقت پاسخ‌های این مدل‌ها نیز به طور قابل توجهی بهبود می‌یابد.

با این حال، مقیاس‌بندی پیوسته این مدل‌ها نیازمند صرف مبالغ هنگفت مالی و انرژی بسیار زیاد است. در سال 2024، حوزه هوش مصنوعی مولد در سطح جهانی رقمی بالغ بر 56 میلیارد دلار سرمایه خطرپذیر جذب کرد. بخش قابل توجهی از این سرمایه، به احداث مجموعه‌های عظیم مراکز داده اختصاص یافت که میزان انتشار کربن آن‌ها از سال 2018 تا کنون سه برابر شده است.

علاوه بر این، پیش‌بینی‌ها حاکی از آن است که منابع داده‌های انسانی که برای رشد بیشتر این مدل‌ها ضروری هستند، احتمالاً تا پایان دهه جاری به اتمام خواهند رسید. پس از آن، گزینه‌های پیش رو شامل جمع‌آوری داده‌های شخصی کاربران یا تغذیه مدل‌ها با داده‌های مصنوعی تولید شده توسط خود هوش مصنوعی خواهد بود. این موضوع می‌تواند مدل‌ها را در معرض خطر فروپاشی ناشی از خطاهای انباشته شده خودشان قرار دهد.

با این وجود، به نظر می‌رسد که محدودیت‌های مدل‌های فعلی، تنها به دلیل مصرف بی‌رویه منابع نیست، بلکه ریشه در محدودیت‌های بنیادین معماری آن‌ها دارد. راسل می‌گوید: به نظر من، مشکل اصلی روش‌های فعلی، اتکا به آموزش شبکه‌های عصبی با جهت‌گیری رو به جلو است. این شبکه‌ها دارای محدودیت‌های اساسی برای درک مفاهیم هستند. برای اینکه این شبکه‌ها بتوانند حتی به صورت تقریبی مفاهیم را درک کنند، باید به طور غیرقابل تصوری بزرگ شوند. این امر، نه تنها نیاز به داده‌های بسیار زیاد دارد بلکه منجر به نمایش‌ ناهمگون و تکه‌تکه مفاهیم می‌شود.

تمام این موانع، چالش‌های بزرگی را برای شرکت‌هایی که به دنبال بهبود عملکرد هوش مصنوعی هستند، ایجاد کرده است. این موضوع منجر به ثابت ماندن امتیاز‌ها در بنچمارک‌های ارزیابی شده و حتی مدل شایعه شده GPT-5 شرکت OpenAI ممکن است هرگز به عرصه ظهور نرسد.

اخیرا نیز هوش مصنوعی چینی دیپ‌سیک، فرضیه‌‌ی مبنی بر امکان دستیابی همیشگی به پیشرفت از طریق مقیاس‌بندی را زیر سؤال برد. این شرکت نشان داد که می‌توان عملکرد مدل‌های پرهزینه سیلیکون‌ولی را با هزینه‌ای بسیار کمتر و مصرف انرژی پایین‌تر به دست آورد. به همین دلایل، 79 درصد از شرکت‌کنندگان در نظرسنجی معتقدند که تصورات رایج درباره توانایی‌های هوش مصنوعی با واقعیت‌های موجود فاصله دارد.

توماس دیتریش، استاد علوم کامپیوتر در دانشگاه ایالتی اورگان، می‌گوید:

صنعت در حال سرمایه‌گذاری‌ عظیمی روی این باور است که برنامه‌های هوش مصنوعی مولد، ارزش قابل‌توجهی به ارمغان خواهند آورد. در طول تاریخ، فناوری‌های پیشرفته معمولاً برای نشان دادن بازدهی خود به 10 تا 20 سال نیاز داشته‌اند. اغلب، اولین گروه از شرکت‌هایی که وارد این عرصه می‌شوند، با شکست مواجه می‌شوند. بنابراین، اگر شاهد شکست بسیاری از استارت‌آپ‌های امروزی در حوزه هوش مصنوعی مولد شدیم، تعجبی نخواهیم کرد. با این حال، برخی از آن‌ها ممکن است به موفقیت‌های چشمگیری دست یابند.

درهرحال باید منتظر بمانیم و ببینیم آیا روزی هوش مصنوعی قادر به رسیدن به هوش انسان خواهد شد یا خیر. نظر شما در این باره چیست؟