2025 قبلاً بیشترین عملکرد را برای ما به ارمغان آورده است: با این قابلیت های فوق شارژ چه کاری می توانیم انجام دهیم (و چه بعدی)؟
2025 قبلاً بیشترین عملکرد را برای ما به ارمغان آورده است: با این قابلیت های فوق شارژ چه کاری می توانیم انجام دهیم (و چه بعدی)؟

2025 قبلاً بیشترین عملکرد را برای ما به ارمغان آورده است: با این قابلیت های فوق شارژ چه کاری می توانیم انجام دهیم (و چه بعدی)؟

به گزارش سرویس تازه های دنیای فناوری وبسایت اخبار تکنولوژی تک فاکس،

برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید


آخرین نسخه های بزرگ زبان هوش مصنوعی (LLM) ، مانند Claude 3.7 از Anthropic و Grok 3 از XAI ، اغلب در سطح دکترا انجام می شود – حداقل مطابق معیارهای خاص. این موفقیت ، گام بعدی به سمت آنچه اریک اشمیت مدیرعامل پیشین Google را پیش بینی می کند ، نشان می دهد: دنیایی که همه به “یک پلیمات عالی” دسترسی دارند ، یک هوش مصنوعی که قادر به ترسیم بر روی بدن های وسیع دانش برای حل مشکلات پیچیده در رشته ها است.

استاد دانشکده بازرگانی وارتون ، ایتان مولیک در مورد وبلاگ یک چیز مفید خود خاطرنشان کرد که این آخرین مدل ها با استفاده از قدرت محاسباتی قابل توجهی بیشتر از GPT-4 در دو سال پیش آموزش داده شده اند ، در حالی که Grok 3 تا 10 برابر محاسبات را آموزش داده است. وی افزود: این امر باعث می شود Grok 3 به عنوان اولین مدل AI “Gen 3” AI ، تأکید کند که “این نسل جدید AIS باهوش تر است ، و پرش در قابلیت ها قابل توجه است.”

به عنوان مثال ، Claude 3.7 توانایی های نوظهور مانند پیش بینی نیازهای کاربر و توانایی در نظر گرفتن زوایای جدید در حل مسئله را نشان می دهد. طبق گفته های Anthropic ، این اولین مدل استدلال ترکیبی است که یک LLM سنتی را برای پاسخ سریع با قابلیت های استدلال پیشرفته برای حل مشکلات پیچیده ترکیب می کند.

مولیک این پیشرفت ها را به دو روند همگرا نسبت داد: گسترش سریع قدرت محاسباتی برای آموزش LLM ها ، و افزایش توانایی هوش مصنوعی در مقابله با حل مسئله پیچیده (که اغلب به عنوان استدلال یا تفکر توصیف می شود). وی نتیجه گرفت که این دو روند “توانایی های فوق شارژ هوش مصنوعی” هستند.

با این هوش مصنوعی فوق العاده چه کاری می توانیم انجام دهیم؟

در یک قدم مهم ، Openai عامل هوش مصنوعی “تحقیقات عمیق” خود را در ابتدای فوریه راه اندازی کرد. کیسی نیوتن در بررسی خود در مورد Platformer اظهار داشت که تحقیقات عمیق “بسیار شایسته ای” ظاهر می شود. نیوتن خاطرنشان کرد: تحقیقات عمیق و ابزارهای مشابه می توانند به طور قابل توجهی تحقیق ، تجزیه و تحلیل و سایر اشکال کار دانش را تسریع کنند ، اگرچه قابلیت اطمینان آنها در حوزه های پیچیده هنوز یک سوال باز است.

بر اساس نوعی از مدل استدلال O3 که هنوز منتشر نشده است ، تحقیقات عمیق می توانند در طول مدت طولانی در استدلال های طولانی داشته باشند. این کار را با استفاده از استدلال زنجیره ای از فکر (COT) انجام می دهد و وظایف پیچیده را به چندین مرحله منطقی تقسیم می کند ، دقیقاً همانطور که یک محقق انسانی ممکن است رویکرد خود را اصلاح کند. همچنین می تواند وب را جستجو کند و این امکان را برای دسترسی به اطلاعات به روز تر از آنچه در داده های آموزش مدل وجود دارد ، فراهم می کند.

تیموتی لی در درک هوش مصنوعی در مورد چندین آزمایش کارشناسان از تحقیقات عمیق نوشت و خاطرنشان کرد: “عملکرد آن توانایی های چشمگیر مدل O3 اساسی را نشان می دهد.” یک آزمایش در مورد نحوه ساخت یک گیاه الکترولیز هیدروژن درخواست کرد. یک مهندس مکانیک با اظهار نظر در مورد کیفیت خروجی ، “تخمین زد که یک حرفه ای با تجربه در هفته برای ایجاد چیزی به اندازه گزارش 4000 کلمه Openai که در چهار دقیقه ایجاد شده است ، می شود.”

اما صبر کنید ، بیشتر …

Google DeepMind همچنین اخیراً “AI Co-Scientist” را منتشر کرد ، یک سیستم هوش مصنوعی چند عامل ساخته شده بر روی Gemini 2.0 LLM خود. این برنامه برای کمک به دانشمندان در ایجاد فرضیه ها و برنامه های تحقیقاتی جدید طراحی شده است. در حال حاضر ، امپریال کالج لندن ارزش این ابزار را اثبات کرده است. به گفته پروفسور خوزه آر. پنادز ، تیم وی سالها را صرف می کرد تا چرا برخی از افراد فوق العاده در برابر آنتی بیوتیک ها مقاومت می کنند. هوش مصنوعی یافته های خود را فقط در 48 ساعت تکرار کرد. در حالی که هوش مصنوعی به طور چشمگیری تولید فرضیه را تسریع می کرد ، دانشمندان بشر هنوز برای تأیید یافته ها مورد نیاز بودند. با این وجود ، Penadés گفت که برنامه جدید هوش مصنوعی “پتانسیل علوم فوق را دارد.”

منظور از علوم فوق العاده چیست؟

در اکتبر گذشته ، مدیرعامل انسان شناسی داریو آمدی در وبلاگ “ماشین آلات دوست داشتنی” خود نوشت که او انتظار داشت “AI قدرتمند” – اصطلاح او برای آنچه که بیشتر آنها را به عنوان هوش مصنوعی (AGI) می نامند – منجر به “50 تا 100 سال پیشرفت بیولوژیکی (تحقیق) در 5 تا 10 سال” شود. چهار ماه پیش ، ایده فشرده سازی تا یک قرن پیشرفت علمی به یک دهه یک دهه بسیار خوش بین به نظر می رسید. با پیشرفت های اخیر در مدل های هوش مصنوعی که اکنون از جمله Claude 3.7 انسان شناسی ، Openai Deep Research و Google AI Ce-Scientist است ، آنچه Amodei از آن به عنوان “تحول رادیکال” نزدیک به آن یاد می کند بسیار قابل قبول تر به نظر می رسد.

با این حال ، در حالی که AI ممکن است کشف علمی به سرعت پیگیری کند ، حداقل زیست شناسی هنوز به محدودیت های دنیای واقعی محدود می شود-اعتبار سنجی تجربی ، تأیید نظارتی و کارآزمایی های بالینی. سؤال دیگر این نیست که آیا هوش مصنوعی علم را تغییر خواهد داد (همانطور که مطمئناً خواهد بود) ، بلکه به سرعت تأثیر کامل آن تحقق می یابد.

در یک پست وبلاگ در 9 فوریه ، سام آلتمن ، مدیرعامل OpenAI ادعا کرد که “سیستمهایی که شروع به اشاره به AGI می کنند ، مشاهده می شوند.” وی AGI را به عنوان “سیستمی که می تواند در بسیاری از زمینه ها با مشکلات فزاینده پیچیده ، در سطح انسانی مقابله کند ، توصیف کرد.”

آلتمن معتقد است که دستیابی به این نقطه عطف می تواند آینده ای نزدیک به اتوپیایی را باز کند که در آن “رشد اقتصادی در مقابل ما حیرت انگیز به نظر می رسد ، و ما اکنون می توانیم دنیایی را تصور کنیم که همه بیماری ها را درمان کنیم ، زمان بیشتری برای لذت بردن از خانواده های خود داریم و می توانیم به طور کامل از پتانسیل خلاقانه خود پی ببرد.”

دوز فروتنی

این پیشرفت های هوش مصنوعی بسیار قابل توجه است و در یک دوره زمانی کوتاه آینده بسیار متفاوتی را ارائه می دهد. با این حال ، ظهور شهاب سنگ AI بدون لکنت نبوده است. سقوط اخیر پین Humane AI را در نظر بگیرید – دستگاهی که پس از یک صحبت TED Buzzworthy به عنوان جایگزینی گوشی هوشمند تنظیم شده است. به سختی یک سال بعد ، این شرکت فرو ریخت و بقایای آن برای کسری از ارزیابی یک بار سنگین خود فروخته شد.

برنامه های هوش مصنوعی در دنیای واقعی اغلب به دلایل زیادی از عدم تخصص مربوط به محدودیت های زیرساخت ها با موانع قابل توجهی روبرو هستند. این قطعاً تجربه Sensei AG بوده است ، استارتاپی که توسط یکی از ثروتمندترین سرمایه گذاران جهان پشتیبانی می شود. این شرکت قصد داشت با پرورش انواع محصولات زراعی و استفاده از روبات ها برای برداشت ، AI را در کشاورزی اعمال کند اما موانع اصلی را برآورده کرده است. به گفته وال استریت ژورنال ، این استارتاپ با مشکلات فنی گرفته تا مشکلات لجستیکی غیر منتظره ، با مشکلات بسیاری روبرو شده است و شکاف بین پتانسیل هوش مصنوعی و اجرای عملی آن را برجسته می کند.

چه می آید بعد؟

همانطور که به آینده نزدیک نگاه می کنیم ، علم در مورد عصر طلایی جدید کشف است که هوش مصنوعی به یک شریک فزاینده در تحقیقات تبدیل می شود. الگوریتم های یادگیری عمیق که به طور همزمان با کنجکاوی انسان کار می کنند می توانند مشکلات پیچیده ای را با سرعت ضبط از بین ببرند ، زیرا سیستم های AI باعث می شود تا سه گانه از داده ها ، الگوهای نقطه ای برای انسان نامرئی شوند و فرضیه های بین رشته ای را پیشنهاد کنند.

در حال حاضر ، دانشمندان از هوش مصنوعی برای فشرده سازی جدول زمانی تحقیق – پیش بینی ساختار پروتئین ، اسکن ادبیات و کاهش سالهای کار به ماهها یا حتی روزها – باز کردن فرصت ها در زمینه های علوم آب و هوا تا پزشکی استفاده می کنند.

با این حال ، هرچه پتانسیل تحول رادیکال روشن تر شود ، خطرات ناشی از اختلال و بی ثباتی نیز همینطور است. خود آلتمن در وبلاگ خود اذعان کرد که “تعادل قدرت بین سرمایه و کار به راحتی می تواند به هم ریخته شود” ، یک هشدار ظریف اما قابل توجه مبنی بر اینکه تأثیر اقتصادی AI می تواند بی ثبات کننده باشد.

این نگرانی در حال حاضر تحقق می یابد ، همانطور که در هنگ کنگ نشان داده شده است ، زیرا این شهر اخیراً 10،000 شغل خدمات ملکی را کاهش داده و همزمان سرمایه گذاری های هوش مصنوعی را افزایش می دهد. اگر چنین روندهایی ادامه یابد و گسترده تر شود ، می توانیم شاهد تحول گسترده نیروی کار ، افزایش ناآرامی های اجتماعی و فشار شدید بر نهادها و دولت ها در سراسر جهان باشیم.

تطبیق با یک دنیای با هوش مصنوعی

قابلیت های رو به رشد هوش مصنوعی در کشف علمی ، استدلال و تصمیم گیری ، یک تغییر عمیق است که هم وعده فوق العاده و هم چالش های اساسی را ارائه می دهد. در حالی که ممکن است مسیر پیش رو با اختلالات اقتصادی و سویه های نهادی مشخص شود ، تاریخ نشان داده است که جوامع می توانند با انقلابهای تکنولوژیکی سازگار شوند ، هرچند که همیشه به راحتی و بدون نتیجه نیست.

برای پیمایش با موفقیت در این تحول ، جوامع باید در مدیریت ، آموزش و سازگاری نیروی کار سرمایه گذاری کنند تا اطمینان حاصل شود که مزایای هوش مصنوعی به طور عادلانه توزیع می شود. حتی در حالی که مقررات هوش مصنوعی با مقاومت سیاسی روبرو است ، دانشمندان ، سیاستگذاران و رهبران تجارت باید برای ساختن چارچوب های اخلاقی ، اجرای استانداردهای شفافیت و سیاست های صنایع دستی که ضمن تقویت تأثیر تحول آمیز AI ، خطرات را کاهش می دهد ، همکاری کنند. اگر ما با پیش بینی و مسئولیت به این چالش برسیم ، مردم و هوش مصنوعی می توانند بزرگترین چالش های جهان را برطرف کنند ، و در عصر جدید با پیشرفت هایی که زمانی غیرممکن به نظر می رسید ، در عصر جدید قرار گرفتند.