مدلهای هوش مصنوعی دیگر با مقیاسگذاری بهبود چندانی پیدا نمیکنند – این مسئله شامل Orion از OpenAI و Opus از Anthropic نیز میشود.
مدلهای زبانی بزرگ (LLMs) و مدلهای هوش مصنوعی مولد فعلی بر پایه معماریای طراحی شدهاند که از مدتها پیش شناخته شده است. پیشرفتهای عمده در این مدلها بیشتر از طریق مقیاسگذاری، یعنی افزودن دادههای بیشتر، حاصل شده است. برخی کارشناسان هوش مصنوعی امیدوار بودند که این روند در نهایت به توسعه «هوش عمومی مصنوعی» (AGI) منجر شود. اما اکنون حتی در میان طرفداران مقیاسگذاری نیز نگرانیهایی درباره محدودیت این رویکرد شکل گرفته است.
بر اساس اطلاعات منتشر شده، Orion، مدل بعدی OpenAI، بهبود چشمگیری نشان نمیدهد؛ این در حالی است که Orion به عنوان گامی مهم به سوی AGI تلقی میشد. Anthropic نیز انتشار مدل قدرتمند Opus 3.5 را که قرار بود امسال عرضه شود، به تعویق انداخته است.
ایلیا سوتسکیور، یکی از بنیانگذاران سابق OpenAI، به خبرگزاری رویترز اعلام کرده که به نظر میرسد اکنون به یک نقطه سکون رسیدهایم. او گفته: «دهه ۲۰۱۰ دهه مقیاسگذاری بود. اما اکنون وارد دورهای از شگفتی و کشف دوباره شدهایم.» سوتسکیور، که اخیراً از OpenAI جدا شده و آزمایشگاه “هوش فوق ایمن” خود را تأسیس کرده، تاکید کرده که مقیاسگذاری باید در مسیرهای درست انجام شود.
چالشها و مسیرهای آینده
برخی دانشمندان معتقدند مشکل اصلی کمبود دادههای آموزشی موجود است، در حالی که دیگران بر این باورند که اساساً مقیاسگذاری رویکرد مناسبی نیست. همچنین بحثهایی در مورد استفاده از دادههای مصنوعی – دادههایی که توسط خود مدلهای هوش مصنوعی تولید میشوند – وجود دارد. طبق برخی مطالعات، بدون پردازش کافی، این نوع دادهها ممکن است منجر به “فروپاشی مدل” شوند، یعنی حالتی که دادههای آموزشی چنان به هم شبیه شوند که دیگر نتیجه مفیدی به دست نیاید.
رویکردهای دیگر شامل «تقطیر مدل» است، فرآیندی که در آن دانش مدلهای بزرگ به مدلهای کوچکتر منتقل میشود. این روش میتواند به کاهش هزینهها و مصرف منابع کمک کند. در همین حال، شرکتهای هوش مصنوعی در حال تمرکز بر تخصصیسازی مدلهای خود برای وظایف خاص و توسعه عاملهای هوش مصنوعی هستند که بتوانند این وظایف را به طور مستقل انجام دهند.
