چالش‌های اساسی پیش روی تکامل هوش مصنوعی

به گزارش مجله خبری نگار، AGI یک تغییر پارادایم است که سیستم‌ها را قادر می‌سازد تا به طور موثر یا بهتر از هوش انسانی یاد بگیرند.

هفتاد و شش درصد از ۴۷۵ محقق در این زمینه گفتند که معتقدند این گسترش برای دستیابی به این هدف "بعید است" یا "بسیار بعید است".

این نتیجه یک شکست بزرگ برای صنایع فناوری است که پیش بینی کرده‌اند پیشرفت‌های کوچک در مدل‌های موجود از طریق داده‌ها و انرژی بیشتر منجر به هوش مصنوعی عمومی می‌شود.

از زمان رونق هوش مصنوعی مولد در سال ۲۰۲۲، انتظارات بر این واقعیت متمرکز شده است که افزایش منابع برای پیشی گرفتن از هوش انسانی کافی است. اما با گذشت زمان، با وجود افزایش قابل توجه هزینه ها، پیشرفت به طور قابل توجهی کند شده است.

استوارت راسل، دانشمند کامپیوتر در دانشگاه کالیفرنیا، برکلی، که یکی از نویسندگان این گزارش است، گفت: «از زمان انتشار GPT-۴، مشخص شده است که گسترش مدل‌ها تدریجی و پرهزینه بوده است. شرکت‌ها قبلا پول هنگفتی سرمایه گذاری کرده‌اند و به دلیل فشار مالی نمی‌توانند عقب نشینی کنند.»

در سال‌های اخیر، زیرساخت نوآورانه‌ای به نام Transformers که توسط دانشمندان گوگل در سال ۲۰۱۷ ایجاد شد، قابلیت‌های مدل‌های هوش مصنوعی را بهبود بخشیده است. این مدل‌ها از داده‌های افزایش یافته برای ایجاد پاسخ‌های دقیق‌تر استفاده می‌کنند. اما توسعه مداوم به منابع عظیمی از انرژی و پول نیاز دارد.

بخش تولید شده توسط هوش مصنوعی در سال ۲۰۲۴ حدود ۵۶ میلیارد دلار سرمایه گذاری خطرپذیر جذب کرد که بخش بزرگی از این پول صرف ساخت مراکز داده عظیمی شد که از سال ۲۰۱۸ انتشار کربن را سه برابر کرده‌اند.

با اتمام داده‌های انسانی قابل استفاده تا پایان این دهه، شرکت‌ها باید از داده‌های تولید شده توسط خود هوش مصنوعی استفاده کنند یا داده‌های خصوصی کاربران را جمع آوری کنند و مدل‌ها را در معرض خطر خطا قرار دهند. با این حال، دلیل مدل‌های فعلی محدود به منابع نیست، بلکه محدودیت‌های ساختاری در نحوه آموزش این مدل‌ها است.

راسل خاطرنشان کرد: "مشکل این است که این مدل‌ها به شبکه‌های عظیمی متکی هستند که مفاهیم پراکنده را نشان می‌دهند، که باعث می‌شود آنها به حجم عظیمی از داده‌ها نیاز داشته باشند. "

با توجه به این چالش ها، محققان شروع به بررسی مدل‌های استنباطی تخصصی کرده‌اند که می‌توانند به پاسخ‌های دقیق تری دست یابند. برخی همچنین بر این باورند که ادغام فناوری‌های هوش مصنوعی با سایر سیستم‌های یادگیری ماشین می‌تواند افق‌های جدیدی را باز کند.

DeepSeek چین ثابت کرده است که می‌تواند نتایج برجسته‌ای را با هزینه‌های کمتر ارائه دهد و از بسیاری از مدل‌های هوش مصنوعی که شرکت‌های بزرگ فناوری سیلیکون ولی به آنها متکی هستند، بهتر عمل کند.

با وجود چالش ها، هنوز امید به پیشرفت وجود دارد، همانطور که توماس دیتریش، استاد بازنشسته علوم کامپیوتر در دانشگاه ایالتی اورگان، می‌گوید: "در گذشته، پیشرفت‌های تکنولوژیکی ۱۰ تا ۲۰ سال طول کشید تا به بازده قابل توجهی دست یابد. این بدان معناست که فرصتی برای نوآوری قابل توجه در هوش مصنوعی وجود دارد، اگرچه بسیاری از شرکت‌ها ممکن است در ابتدا شکست بخورند.

منبع: لایف‌ساینس