به گزارش روش سئو به نقل از مهر؛ نشست اخیر ۶ تن از متخصصان برجسته هوش مصنوعی جهان در مراسم جایزه «ملکه الیزابت ۲۰۲۵»، فرصتی کم نظیر برای فهم لایه های عمیق تحول در هوش مصنوعی بود. خصوصاً از آن جهت که این نشست صرفا یک گفتگوی دانشگاهی یا رسانه ای نبود، بلکه مجمعی از اشخاصی بود که خود از معماران اصلی انقلاب هوش مصنوعی به شمار می روند. بیل دالی، یوشوا بنجیو، فی فی لی، یان لِکون، جفری هینتون هر یک در مقام بنیان گذار یک سرفصل نظری یا تجربی در تاریخ هوش مصنوعی قرار دارند و جنسن هوانگ به عنوان مهندس و طراح زیرساخت محاسباتی این انقلاب، نقش نیروی پیشران صنعتی این موج را بازی کرده است. به اعتقاد کارشناسان، اهمیت این ترکیب در آن است که در این جلسه تخصصی، تاریخ، حال و آینده هوش مصنوعی نه از زبان ناظران بیرونی، بلکه از زبان کسانی روایت شد که «ساختار محاسباتی و شناختی» این فناوری را خود خلق و هدایت کرده اند. درنتیجه این نشست نه فقط مروری بر گذشته، بلکه ترسیم چشم اندازی شفاف از مسیر تحول فناوری و دستاوردهای اقتصادی، اجتماعی و ژئوپلیتیکی آن بود. مهر در این نوشتار کوتاه، محورهای کلیدی این نشست را بازخوانی می کند تا تصویری جامع از مبانی علمی، زیرساخت اقتصادی، روندهای تحول معماری مدلها و پرسش های بنیادین در رابطه با آینده هوش مصنوعی ارایه شود.
ریشه های تشکیل موج توسعه هوش مصنوعی
برمبنای دیدگاه های مطرح شده در این جلسه، مسیر تشکیل هوش مصنوعی مدرن حاصل ترکیب چند جریان موازی بود که در گذر چهار دهه کم کم به نقطه انفجار رسید.
زیرساخت محاسباتی و غلبه بر سد حافظه
جنسن هوانگ در سخنان خود اشاره کرد که انقلاب هوش مصنوعی پیش از هر چیز یک «انقلاب زیرساختی» بود. در دهه ۱۹۹۰ مساله اصلی، نه قدرت پردازش، بلکه هزینه و زمان دسترسی به داده در حافظه بود. همین مساله موجب شد واحدهای پردازشی به صورت جریان ها و هسته های موازی سازماندهی شوند. این معماری در نهایت به تولد پردازنده های گرافیکی به عنوان موتور اصلی یادگیری عمیق منجر گردید. هوانگ همینطور اصرار کرد نقطه دومی که معادله جهانی هوش مصنوعی را تغییر داد، سال ۲۰۱۰ بود؛ زمانیکه وی در همکاری با اندرو انگ، با استفاده از یک شبکه عصبی با تنها ۴۸ پردازنده گرافیکی توانست عملکرد یک سیستم مبتنی بر ۱۶ هزار پردازنده را تکرار کند. برمبنای اظهارات مدیر عامل شرکت انویدیا، از آن مقطع زمانی به بعد، این شرکت تصمیم گرفت «پردازش هوشمند» را بجای «پردازش گرافیکی» محور توسعه خود قرار دهد و این تصمیم، پایه ساخت مدلهای عظیم امروز را گذاشت.
ایده های نظری که جلوتر از زمان خود بودند
جفری هینتون در بازخوانی تجربه خود به سال ۱۹۸۴ بازگشت؛ زمانیکه مدلهای کوچک پیش بینی کلمه را با روش پس انتشار آموزش داد؛ روشی در یادگیری عمیق که برای آموزش شبکه های عصبی پیشخور کورد استفاده قرار می گیرد. هینتون تاکید کرد اصول امروزین مدلهای زبانی همان جا شکل گرفت، اما فقدان داده و نبود توان محاسباتی، این ایده را برای ۴۰ سال در حالت بالقوه نگه داشت. یاشوا بنجیو نیز در این جلسه تاکید کرد که ایده «قوانین ساده برای ساخت هوش» از همان دوران شکل گرفت. اما نقطه عطف ذهنی او دو سال و نیم پیش و پس از انتشار چت جی پی تی رخ داد؛ زمانیکه وی دریافت ساخت ماشین های دارای هدف، فهم زبان و قابلیت اقدام، بدون سازوکارهای کنترل، می تواند برای جهان خطرآفرین باشد.
مشاهده جهان با داده های اندک؛ بزرگترین ضعف ماشین ها
فی فی لی نیز توضیح داد که چرا «مشاهده جهان با داده های اندک» بزرگترین ضعف ماشین ها در گذشته بود. او تصریح کرد در حالیکه انسان ها در سالیان نخست زندگی میلیونها تصویر، صحنه و تعامل حسی را بدون برچسب و توضیح دریافت می کنند، الگوریتم های یادگیری ماشین با مجموعه های خیلی محدود و اغلب مصنوعی روبه رو بودند. از نظر فی فی لی، مساله اصلی در ناکارآمدی هوش مصنوعی، «نادان بودن ماشین» نبود، بلکه «فقدان داده های کافی از جهان پیرامون» بود. به اعتقاد وی، پروژه «ImageNet» با تجمیع و دسته بندی ۱۵ میلیون تصویر برچسب خورده، این گلوگاه را شکست و به صورت تجربی ثابت کرد که مقیاس داده پیش فرض یادگیری معنا در سیستمن های هوش مصنوعی محسوب می شود؛ یعنی هوشمندی نه با پیچیدگی الگوریتم، بلکه با غنای تجربه شکل می گیرد. به تعبیر او «ماشین ها در گذشته نه به سبب ناتوانی، بلکه به سبب کمبود داده، کم هوش بودند.» همین نقطه عطف بود که هوش مصنوعی را از یک تکنولوژی آزمایشگاهی محدود، به یک تکنولوژی صنعتی و اجتماعی تبدیل کرد؛ پدیدیه ای تحول آفرین که می تواند جهان واقعی را درک کرده و در آن عمل کند.
اقتصاد فناوری: چرا جهان درحال ساخت «کارخانه های هوش مصنوعی» است؟
نقطه مرکزی سخنان جنسن هوانگ در این جلسه تخصصی، تغییر ماهیت تولید ارزش در اقتصاد مبتنی بر هوش مصنوعی بود. او توضیح داد که بر خلاف نرم افزارهای کلاسیک که یک مرتبه نوشته و سپس بی هزینه در میلیونها دستگاه تکرار می شوند، هوش مصنوعی در لحظه تولید می شود. بعبارت دیگر، هر بار که یک مدل زبانی پاسخ می دهد، یک عامل کنشگر تصمیم گیری می کند یا یک سیستم سفارش گر محتوایی را پیشنهاد می دهد، یک فرایند محاسباتی فعال در پردازنده گرافیکی پشت مدل رخ می دهد. به زبان ساده، هوش مصنوعی محصولی نیست که ذخیره شود، بلکه «جریانی زنده» است که در زمان استفاده، بازتولید می شود. این حقیقت ساختاری، معادله اقتصاد دیجیتال را در عصر هوش مصنوعی تغییر داده است. در اقتصاد نرم افزار، مصرف کننده نهائی هزینه خیلی کمی به ازای هر بار استفاده می پرداخت، برای اینکه هزینه اصلی در لحظه تولید نرم افزار پرداخت شده بود؛ اما در اقتصاد هوش مصنوعی، حجم محاسبات، هم زمان با مصرف خدمات رشد می کند. هر کاربر جدید، هر درخواست و هر تعامل جدید، نیازمند انرژی، تراشه و زیرساخت است. بدین سبب ارزش اقتصادی نه در فروش کُد، بلکه در ظرفیت ارایه ظرفیت محاسباتی کافی نهفته است. از همین روی، صنعت فعلی در مرحله ساخت آن چه هوانگ از آن با عنوان «کارخانه های تولید توکن» یاد می کند قرار دارد: دیتاسنترهایی که نه فقط داده ذخیره می کنند، بلکه در هر لحظه واحدهای محاسباتی را برای تولید پاسخ، تحلیل، پیش بینی و تصمیم فعال نگه می دارند. این کارخانه ها ستون فقرات اقتصاد جدید هستند، برای اینکه تمام صنایع مبتنی بر هوش مصنوعی، از خدمات مالی و سلامت تا حمل و نقل، تولید محتوا و مدیریت زنجیره تامین، به تولید مداوم و آنی پاسخ های مبتنی بر هوش مصنوعی وابسته هستند. هوانگ مدعی است بنابراین سرمایه گذاری های صدها میلیارد دلاری در مراکز داده و توسعه تراشه ها نه یک حباب مالی، بلکه مشابه سرمایه گذاری برای راه اندازی نیروگاه ها در عصر برق، یا شبکه فیبر نوری در شروع اینترنت، ساخت زیربنای اقتصادی قرن بیست و یکم به شمار می روند. هوانگ تاکید کرد که جهان حالا در مرحله «روشن شدن پردازنده های گرافیکی» قرار دارد. در حالیکه در دهه ۲۰۰۰ بخش زیادی از شبکه های فیبر نوری برای سال ها بلااستفاده ماندند، امروز حدودا تمام پردازنده های قدرتمند جهان فعال بوده و درحال پردازش مداوم هستند. این یعنی ما در آستانه دوره ای قرار داریم که «هوش مصنوعی مولد» به منبع حیاتی اقتصاد جهانی تبدیل می شود.
گذار معماری: از مدلهای زبانی به عامل های هدفمند
به اعتقاد کارشناسان حاضر در این جلسه، اتفاق کلیدی در روند فعلی، انتقال از «مدل های زبانی» به «عامل های کنشگر» است؛ یعنی گذار از سیستمهایی که تنها پاسخ می دهند، به سیستمهایی که «عمل» می کنند. این تغییر نه صرفا یک جهش فنی، بلکه دگرگونی در فلسفه طراحی هوش مصنوعی بحساب می آید. ین لکون با اشاره به این موضوع، توضیح داد که مسیر تحول یادگیری ماشینی را می توان در قالب سه موج اصلی فهم کرد: موج «ImageNet»، جایی که یادگیری نظارت شده، برمبنای داده های برچسب خورده، برجسته شد و ماشین ها توانستند «دیدن» را بیاموزند. موج مدلهای زبانی بزرگ، که با یادگیری مبتنی بر خودنظارتی از داده های خام متنی، به ماشین ها امکان داد «فهم و تولید زبان» را بدون احتیاج به برچسب بیاموزند. موج بعدی که درحال تشکیل است نیز انتقال یادگیری خودنظارتی از متن به ویدئو، حسگرها، حرکت و تجربه تعامل با محیط به حساب می آید. فی فی لی بر این نکته تاکید کرد که هوش انسانی بخشی اساسی و غیرزبانی، معروف به هوش فضایی و ادراکی دارد. انسان ماهیت جهان را بوسیله حرکت، لمس، شنیدن، دیدن و تعامل فیزیکی می آموزد. بعبارت دیگر، ما زبان را بعد از ادراک و تجربه یاد می گیریم و قادر به آموختن آن قبل از کسب تجربه نیستیم. اما مدلهای امروزی، همچون پیشرفته ترین مدلهای زبانی بزرگ، حدودا فاقد این نوع تجربه هستند؛ آنها جهان را «خوانده اند» اما در آن «زیست» نکرده اند. بنابراین، می توان نتیجه گرفت که گذار معماری درحال وقوع است و در عصر جدید، عامل ها تنها تولیدکننده پاسخ نیستند و برنامه ریز، ارزیاب و کنشگر به شمار می روند. این یعنی هوش مصنوعی آینده نه در قالب موتور تولید متن بلکه در هیات سامانه های کنشگر ادراکی ظاهر خواهد شد.
مناقشه هوش مصنوعی جامع: رقابت برای جایگزینی یا تقویت انسان؟
در قسمت پایانی نشست، بحث کلیدی بر سر جهت گیری توسعه هوش مصنوعی بود؛ پرسشی که نه تنها جنبه فنی دارد، بلکه ماهیتی فلسفی، اخلاقی و تمدنی پیدا کرده است. این بحث حول دو رویکرد اصلی به شرح زیر شکل گرفت: هوش افزوده: در این رویکرد، هدف اصلی تقویت توانایی های انسان بحساب می آید. یعنی هوش مصنوعی به عنوان ابزاری برای بالا بردن ظرفیت تصمیم گیری، تحلیل، خلاقیت و راندمان انسان عمل می کند. در این نگاه، ماشین جای انسان را نمی گیرد، بلکه به «لایه ای مکمل» برای افزایش توان شناختی و عملی او بدل می گردد. نظریه پردازان این جریان باور دارند که آینده مطلوب، آینده ای است که در آن انسان و ماشین بجای رقابت، در یک «زنجیره شناختی مشترک» همکاری کنند. هوش جایگزین یا ساخت سیستم های هم تراز انسان: در این رویکرد، هدف غائی ساخت سامانه ای است که بتواند عملکرد شناختی انسان را در گستره وسیعی از وظایف بازتولید یا حتی فراتر از آن رود. این همان مسیری است که بیشتر با اصطلاح «هوش مصنوعی جامع» یا «AGI» شناخته می شود؛ هوشی که نه محدود به یک وظیفه، بلکه دارای فهم، برنامه ریزی، تطبیق و هدف مندی عمومی است. یوشوا بنجیو نسبت به رویکرد دوم اخطار داد و تاکید کرد که ساخت سیستمهایی با قدرت هدف گذاری مستقل، بدون توسعه موازی سازوکارهای کنترل، حکمرانی و ایمنی، می تواند دستاوردهای پیش بینی ناپذیر ایجاد نماید. او پیشنهاد نمود که توسعه هوش مصنوعی جامع باید هم زمان با چارچوب های اخلاقی، مکانیسم های محدودسازی رفتاری و سازوکارهای تضمین شفافیت و پاسخ گویی همراه باشد. در مقابل، ین لکون بیان کرد که حرکت به طرف هوش جامع نه پروژه ای ناگهانی، بلکه فرآیندی تدریجی بحساب می آید. از دید او، رسیدن به این فناوری تنها در صورتی امکان دارد که مرزهای کنونی در «ادراک حسی»، «یادگیری مبتنی بر تجربه» و «یادگیری خودپویای بلندمدت» شکسته شود. او اعتقاد دارد که تکامل هوش مصنوعی به صورت لایه لایه و با پیشرفت مستمر معماری ها و الگوریتم ها رخ خواهد داد و تولد هوش مصنوعی جامع، حاصل جهشی ناگهانی نخواهد بود.
جمع بندی
نشست نخبگان هوش مصنوعی در حاشیه مراسم جایزه «ملکه الیزابت ۲۰۲۵»، نشان داد که موج کنونی تحول، نتیجه پیوند دیرینه ای میان اندیشه های علمی و توسعه زیرساخت های محاسباتی است. ایده هایی که در دهه ۱۹۸۰ شکل گرفتند، تنها هنگامی توانستند به چارچوب های کارآمد تبدیل شوند که مقیاس داده و توان پردازشی کافی در دهه ۲۰۱۰ فراهم گردید. به بیان دیگر، هوش مصنوعی محصول یک جهش لحظه ای نیست، بلکه نتیجه بالندگی تدریجی و انباشتی طولانی مدت است. این تحول همینطور اقتصادی تازه را رقم زده؛ اقتصادی که در آن ارزش نه در فروش یک نرم افزار ثابت، بلکه در تولید مداوم و زنده هوش نهفته است. در عصر هوش مصنوعی، هر پاسخ، هر تحلیل و هر تصمیم از دل یک فرایند محاسباتی فعال و انرژی بر بیرون می آید و همین مورد، احتیاج به زیرساخت های گسترده و پایدار را تعریف می کند. در کنار این دگرگونی اقتصادی، معماری هوش مصنوعی نیز درحال تغییر است. مدلهای زبانی که اساساً برای پیش بینی متن طراحی شده بودند، حالا کم کم جای خویش را به عامل هایی می دهند که توانایی ادراک، هدف گذاری و کنش در محیط دارند. این حرکت مبین گذار از تولید زبان به تولید رفتار و تعامل است. اما پرسش اصلی آینده نه در تکنیک ها، بلکه در جهت گیری توسعه نهفته است. آیا هوش مصنوعی برای تقویت انسان ساخته خواهد شد یا برای جایگزینی او؟ این رابطه تعیین خواهد نمود که انسان در منظومه جدید فناوری در جایگاه کنشگر باقی می ماند یا به حاشیه رانده می شود. پرسش اصلی دیگر توانایی نیست؛ بلکه جهت گیری و حکمرانی بحساب می آید. به بیان روشن تر، ما در شروع یک تحول تمدنی قرار داریم. این تحول نه ناشی از یک اختراع واحد، بلکه حاصل هم زمانی سه نیروی تحول آفرین است: دانش نظری دیرینه که حالا بالفعل شده است مقیاس داده که تجربه را برای ماشین ها امکانپذیر کرده است ظرفیت محاسباتی که توان یادگیری و استنتاج را در لحظه فراهم می آورد در نهایت می توان نتیجه گرفت، آن چه درحال تشکیل است، تنها یک تکنولوژی تازه نیست، بلکه یک روش جدید برای تولید، توزیع و سازمان دهی تفکر است؛ روشی که ساختار قدرت، اقتصاد، اخلاق و حتی معنای انسان بودن را تحت تأثیر قرار می دهد.
به طور خلاصه بعبارت دیگر، هر بار که یک مدل زبانی پاسخ می دهد، یک عامل کنشگر تصمیم گیری می کند یا یک سیستم سفارش گر محتوایی را پیشنهاد می دهد، یک فرآیند محاسباتی فعال در پردازنده گرافیکی پشت مدل رخ می دهد. در اقتصاد نرم افزار، مصرف کننده نهایی هزینه خیلی کمی به ازای هر بار استفاده می پرداخت، به جهت اینکه هزینه اصلی در لحظه تولید نرم افزار پرداخت شده بود؛ اما در اقتصاد هوش مصنوعی، حجم محاسبات، هم زمان با مصرف خدمات رشد می کند. از دید او، رسیدن به این فناوری تنها در صورتی امکان دارد که مرزهای کنونی در ادراک حسی، یادگیری مبتنی بر تجربه و یادگیری خودپویای بلند مدت شکسته شود.
منبع: روش سئو
