آیا فناوری هوش مصنوعی، میلیاردها دلار را در چاه ریخته؟

"شما فقط می‌توانید پول زیادی را برای یک مشکل خرج کنید." این موضع اخیر محققان هوش مصنوعی در پاسخ به ابهامات درباره سرمایه‌گذاری در دنیای فناوری است.

اخیراً در یک نظرسنجی از محققان پرسیده شد که آیا افزایش مقیاس رویکردهای فعلی هوش مصنوعی، منجر به دستیابی به هوش عمومی مصنوعی (AGI) یا هوش مصنوعی به هدفی کلی مطابق با شناخت انسان یا فراتر از آن خواهد بود یا خیر؟ جالب اینجا بود که ۷۶ درصد از پاسخ‌دهندگان، چنین موفقیتی را "بعید" یا "بسیار بعید" دانستند.

در این نظرسنجی که توسط دانشمندان انجمن پیشرفت هوش مصنوعی انجام شد، این سؤال از ۴۷۵ محقق هوش‌مصنوعی پرسیده شد تا روش موردعلاقه صنعت فناوری برای دستیابی به سود هوش مصنوعی (با تجهیز مدل‌های مولد و مراکز داده‌ای با سخت‌افزارهای بیشتر که برای آموزش و اجرای آن‌ها استفاده می‌شود)، موردبررسی قرار گیرد.

با توجه به اینکه هوش مصنوعی عمومی (AGI)، بازی نهایی مورد ادعای توسعه‌دهندگان هوش مصنوعی است، می‌توان گفت که این مقیاس هوش مصنوعی به‌طور گسترده به‌عنوان یک بن‌بست در نظر گرفته می‌شود.

استوارت راسل، دانشمند کامپیوتر دانشگاه کالیفرنیا دراین‌باره گفت: «سرمایه‌گذاری‌های گسترده در مسیر مقیاس، بدون هیچ تلاش قابل‌مقایسه‌ای برای درک آنچه در جریان است، همیشه به نظر من نابجا بوده است. فکر می‌کنم حدود یک سال پیش، همه متوجه شدند که دیگر افزایش مقیاس (یعنی بزرگ‌تر کردن سیستم‌ها یا بیشتر کردن داده‌ها و قدرت پردازش) در هوش مصنوعی به نتایج جدید و مثبتی نخواهد رسید».

 TechCrunch هم در گزارش خود یادآوری کرد که در مسابقه تسلیحاتی هوش مصنوعی، مبالغ هنگفتی پول دور ریخته می‌شود و یادآوری کرد که سرمایه‌گذاری مولد هوش مصنوعی تنها در سال ۲۰۲۴ به بیش از ۵۶ میلیارد دلار سرمایه‌گذاری خطرپذیر رسیده که بخش اعظم آن صرف ساخت یا اجرای مراکز داده عظیمی می‌شود که مدل‌های تولیدی به آن نیاز دارند.

به‌عنوان‌مثال، مایکروسافت متعهد شده که در سال ۲۰۲۵ مبلغ ۸۰ میلیارد دلار برای زیرساخت‌های هوش مصنوعی هزینه کند.

در این میان، تقاضای انرژی نیز به همان اندازه سرسام‌آور است. مایکروسافت با امضای قراردادی، قصد دارد تا یک نیروگاه هسته‌ای کامل را فقط برای تأمین انرژی مراکز داده خود راه‌اندازی کند و گوگل و آمازون، رقبای مایکروسافت نیز قراردادهای انرژی هسته‌ای بزرگی را به امضا رسانده‌اند.

گرد و خاکی که دیپ‌سیک به پا کرد

این فرض که می‌توان هوش مصنوعی را به‌طور نامحدود با مقیاس‌گذاری بهبود بخشید، همیشه با ابهامات زیادی روبرو است. مثلاً ظهور استارت‌آپ چینی DeepSeek بحران بزرگی را در بخش فناوری ایجاد کرد؛ چرا که مدل هوش مصنوعی این استارت‌آپ چینی که با هزینه نسبتاً کم و قدرت آموزشی بالایی ساخته‌شده، با چت ربات‌های چند میلیارد دلاری غرب رقابت شانه‌به‌شانه‌ای دارد.

در نوامبر سال گذشته، در گزارش‌هایی اعلام شد که محققان OpenAI دریافته‌اند که نسخه آینده مدل زبان بزرگ GPT پیشرفت چندان زیادی ندارد و در برخی موارد، هیچ پیشرفتی نسبت به نسخه‌های قبلی‌اش نداشته است.

در ماه دسامبر نیز ساندار پیچای، مدیرعامل گوگل اعلام کرد که دستاوردهای آسان هوش مصنوعی به پایان رسیده و درعین‌حال با اطمینان گفت که دلیلی وجود ندارد که این صنعت نتواند به افزایش مقیاس خود ادامه دهد.

روش‌های ارزان‌تر و کارآمدتری در دست بررسی قرار گرفتند و OpenAI از روشی به نام "محاسبه زمان تست" با آخرین مدل‌های خود استفاده کرد که در آن هوش مصنوعی زمان بیشتری را صرف فکر کردن می‌نمود تا بتواند مناسب‌ترین راه‌حل را انتخاب کند. محققان ادعا کردند که این کار باعث افزایش عملکردی شده است. البته آرویند نارایانان، دانشمند کامپیوتر دانشگاه پرینستون این‌طور فکر نمی‌کند: «بعید است این رویکرد یک برگ برنده باشد.»

در همین حال، دیپ‌سیک، رویکردی پیشگامانه به نام "ترکیبی از متخصصان" بود که از شبکه‌های عصبی متعددی که هرکدام در زمینه‌های مختلفی متخصص هستند، استفاده کرده است تا به‌جای تکیه‌بر یک مدل عمومی واحد، به ارائه راه‌حل‌ها می‌پردازد.

بااین‌وجود، اگر تعهد مایکروسافت برای صرف ده‌ها میلیارد دلار در مراکز داده نشانه‌ای باشد، مقیاس‌پذیری بی‌رحمانه همچنان موردپسند غول‌های صنعت خواهد بود؛ درحالی‌که این امر به استارت‌آپ‌های ضعیف‌تر واگذار می‌شود تا راه‌هایی را برای انجام کارهای بیشتر با کمتر انجام دهند.