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
توماس گرگ ، بنیانگذار شرکت هوش مصنوعی Hugging Face Face ، با بیان اینکه سیستم های هوش مصنوعی امروز اساساً قادر به ارائه انقلاب های علمی هستند که سازندگان خود قول می دهند ، یک چالش واضح را برای خوش بینانه ترین چشم انداز صنعت فناوری صادر کرده است.
در یک پست وبلاگ تحریک آمیز که امروز صبح در وب سایت شخصی خود منتشر شده است ، گرگ مستقیماً با دید گسترده ای از مدیرعامل انسان شناسی داریو آمدی روبرو می شود ، که پیش بینی می کرد که AI پیشرفته “قرن بیست و یکم فشرده” را ارائه می دهد که در آن چندین دهه پیشرفت علمی می تواند فقط در سالها آشکار شود.
گرگ در پست خود می نویسد: “من می ترسم که AI” قرن بیست و یکم فشرده “را به ما ندهد ، و استدلال می کند که سیستم های هوش مصنوعی فعلی به جای” کشور نبوغ “که آمدی در نظر می گیرد ،” کشوری از افراد بله در سرورها “تولید می کند.
این مبادله شکاف فزاینده ای را در چگونگی تفکر رهبران هوش مصنوعی در مورد پتانسیل فناوری برای تغییر کشف علمی و حل مسئله ، با پیامدهای عمده در استراتژی های تجاری ، اولویت های تحقیق و تصمیمات مربوط به سیاست ، برجسته می کند.
از دانش آموز مستقیم گرفته تا “محقق متوسط”: چرا تعالی دانشگاهی با نبوغ علمی برابر نیست
گرگ انتقاد خود را در تجربه شخصی می گذارد. علی رغم اینکه دانشجویی مستقیم و در MIT حضور داشت ، وی توضیح می دهد که وقتی او کار دکتری خود را آغاز کرد ، “محقق بسیار متوسط ، تحت تأثیر متوسط و متوسط” بود. این تجربه دیدگاه وی را شکل داد که موفقیت تحصیلی و نبوغ علمی به رویکردهای ذهنی اساساً متفاوت نیاز دارد – انطباق پاداش سابق ، دومی خواستار شورش علیه تفکر مستقر است.
گرگ توضیح می دهد: “اشتباه اصلی که مردم معمولاً مرتکب می شوند فکر کردن نیوتن یا انیشتین فقط دانش آموزان خوب بودند.” “یک پیشرفت علمی واقعی ، کوپرنیک است ، بر خلاف تمام دانش روزهای خود – از نظر ML می گوییم” علی رغم تمام مجموعه داده های آموزش او ” – که زمین ممکن است خورشید را به جای دیگری در اطراف خود بکشد.”
چشم انداز آمودی ، که اکتبر گذشته در مقاله “ماشین های فضل دوست داشتنی” منتشر شد ، دیدگاه کاملاً متفاوتی را ارائه می دهد. او آینده ای را توصیف می کند که هوش مصنوعی با “سرعت انسانی 10x-100x” و با عقل فراتر از برندگان جایزه نوبل ، می تواند در طی پنج تا 10 سال پیشرفت ارزش یک قرن در زیست شناسی ، علوم اعصاب و سایر زمینه ها را ارائه دهد.
آمودی “پیشگیری قابل اعتماد و درمان تقریباً همه بیماری های عفونی طبیعی” ، “از بین بردن بیشتر سرطان” ، درمان های مؤثر برای بیماری ژنتیکی و دو برابر شدن طول عمر انسان را پیش بینی می کند ، همه توسط هوش مصنوعی شتاب می یابد. وی می نویسد: “من فکر می کنم که بازگشت به هوش برای این اکتشافات زیاد است ، و این که همه چیز در زیست شناسی و پزشکی بیشتر از آنها پیروی می کند.”
آیا ما به جای خلاقیت ، هوش مصنوعی را برای انطباق آزمایش می کنیم؟ معیار معیار کشف علمی
این تنش اساسی در نقد گرگ ، واقعیت غالباً غالباً در توسعه هوش مصنوعی را نشان می دهد: معیارهای ما در درجه اول برای اندازه گیری تفکر همگرا و نه تفکر واگرا طراحی شده اند. سیستم های هوش مصنوعی فعلی از تولید پاسخ هایی که با اجماع دانش موجود هماهنگ هستند ، برتری دارند ، اما با نوع بینش های متضاد و با چالش پارادایم که باعث انقلاب های علمی می شود ، مبارزه می کنند.
این صنعت سرمایه گذاری زیادی در اندازه گیری چگونگی خوب سیستم های AI می تواند به سؤالات با پاسخ های تعیین شده ، حل مشکلات با راه حل های شناخته شده و متناسب با چارچوب های درک موجود پاسخ دهد. این یک تعصب سیستمیک نسبت به سیستم هایی ایجاد می کند که به جای چالش مطابقت دارند.
گرگ به طور خاص معیارهای ارزیابی فعلی هوش مصنوعی مانند “آخرین امتحان بشریت” و “Frontier Math” را مورد انتقاد قرار می دهد ، که سیستم های هوش مصنوعی را بر روی سؤالات دشوار با پاسخ های شناخته شده به جای توانایی آنها در تولید فرضیه های نوآورانه یا به چالش کشیدن پارادایم های موجود آزمایش می کند.
گرگ می نویسد: “این معیارها اگر مدل های هوش مصنوعی بتوانند پاسخ های مناسبی را برای مجموعه ای از سؤالاتی که ما از قبل جواب آن را می دانیم ، پیدا کنند.” “با این حال ، پیشرفت های علمی واقعی از پاسخ دادن به سؤالات شناخته شده ناشی نمی شود ، بلکه از پرسیدن سؤالات جدید به چالش کشیده و سؤال از برداشت های مشترک و ایده های قبلی است.”
این انتقاد به مسئله ای عمیق تر در نحوه مفهوم سازی هوش مصنوعی اشاره دارد. تمرکز فعلی بر تعداد پارامتر ، آموزش حجم داده و عملکرد معیار ممکن است ایجاد معادل هوش مصنوعی دانش آموزان عالی به جای متفکران انقلابی باشد.
میلیاردها نفر در معرض خطر: چگونه “دانشجویان مطیع در مقابل انقلابیون” استراتژی سرمایه گذاری هوش مصنوعی را شکل می دهد
این شکاف فکری پیامدهای قابل توجهی برای صنعت هوش مصنوعی و اکوسیستم تجاری گسترده تر دارد.
شرکت هایی که با دید Amodei هماهنگ می شوند ممکن است مقیاس بندی سیستم های هوش مصنوعی را به اندازه های بی سابقه اولویت بندی کنند ، انتظار دارند که نوآوری ناپیوسته از افزایش قدرت محاسباتی و ادغام دانش گسترده تر ظاهر شود. این رویکرد زیربنای استراتژی های بنگاه هایی مانند Anthropic ، Openai و سایر آزمایشگاه های AI Frontier است که در سالهای اخیر به طور جمعی ده ها میلیارد دلار جمع آوری کرده اند.
در مقابل ، دیدگاه گرگ نشان می دهد که بازده بیشتری ممکن است از توسعه سیستم های هوش مصنوعی به طور خاص برای به چالش کشیدن دانش موجود ، کشف پیشخوان ها و ایجاد فرضیه های جدید – که لزوماً از روشهای آموزش فعلی ظهور نمی کنند ، حاصل شود.
گرگ توضیح می دهد: “ما در حال حاضر در حال ساختن دانشجویان بسیار مطیع هستیم ، نه انقلابی.” وی گفت: “این برای هدف اصلی امروز در زمینه ایجاد دستیاران بزرگ و یاران بیش از حد سازگار مناسب است. اما تا زمانی که راهی برای ایجاد انگیزه در مورد آنها پیدا کنیم تا دانش خود را زیر سوال ببریم و ایده هایی را ارائه دهیم که به طور بالقوه بر خلاف داده های آموزش گذشته پیش می روند ، آنها هنوز انقلابهای علمی به ما نمی دهند. “
برای رهبران شرکت که شرط بندی در AI برای نوآوری دارند ، این بحث سؤالات استراتژیک اساسی را ایجاد می کند. اگر گرگ صحیح باشد ، سازمان هایی که در سیستم های هوش مصنوعی فعلی با انتظار پیشرفت های علمی انقلابی سرمایه گذاری می کنند ممکن است نیاز به انتظارات خود داشته باشند. ارزش واقعی ممکن است در پیشرفت های افزایشی تر در فرآیندهای موجود ، یا در استفاده از رویکردهای مشترک انسانی و آه ای که انسان در حالی که سیستم های AI با بالابرهای سنگین محاسباتی را اداره می کنند ، در آن رویکردهای مشارکتی انسانی و آهک قرار دهند.
سؤال 184 میلیارد دلاری: آیا هوش مصنوعی آماده وعده های علمی خود است؟
این مبادله در یک لحظه مهم در تکامل صنعت هوش مصنوعی انجام می شود. پس از سالها رشد انفجاری در توانایی های هوش مصنوعی و سرمایه گذاری ، ذینفعان دولتی و خصوصی به طور فزاینده ای روی بازده عملی این فناوری ها متمرکز می شوند.
داده های اخیر از شرکت تجزیه و تحلیل سرمایه گذاری سرمایه گذاری Pitchbook نشان می دهد که بودجه هوش مصنوعی در سال 2024 به 130 میلیارد دلار در سطح جهان رسیده است ، در حالی که برنامه های بهداشت و درمان و کشف علمی علاقه خاصی را به خود جلب می کند. با این حال ، سؤالاتی در مورد پیشرفت های علمی ملموس از این سرمایه گذاری ها اصرار بیشتری داشته است.
بحث گرگ-آمدی نشان دهنده یک شکاف عمیق تر فلسفی در توسعه هوش مصنوعی است که در زیر سطح مباحث صنعت در حال افزایش است. از یک طرف ، خوش بینی های مقیاس پذیر ، که معتقدند پیشرفت های مداوم در اندازه مدل ، حجم داده ها و تکنیک های آموزش در نهایت سیستم هایی را قادر به بینش انقلابی خواهد کرد. از طرف دیگر ، شکاک های معماری هستند ، که استدلال می کنند که محدودیت های اساسی در نحوه طراحی سیستم های فعلی ممکن است مانع از ایجاد نوع جهش شناختی شود که انقلابهای علمی را توصیف می کند.
آنچه این بحث را به ویژه قابل توجه می کند این است که بین دو رهبر محترم که هر دو در خط مقدم توسعه هوش مصنوعی بوده اند ، اتفاق می افتد. هیچکدام را نمی توان به سادگی ناآگاه یا مقاوم در برابر پیشرفت تکنولوژیکی رد کرد.
فراتر از مقیاس گذاری: چگونه AI فردا ممکن است نیاز به فکر بیشتر شبیه شورشیان علمی داشته باشد
تنش بین این دیدگاه ها به تکامل بالقوه در نحوه طراحی و ارزیابی سیستم های AI اشاره دارد. انتقاد گرگ پیشنهاد نمی کند که رویکردهای فعلی را رها کنید ، بلکه تقویت آنها با تکنیک ها و معیارهای جدید به طور خاص با هدف تقویت تفکر متضاد است.
گرگ در پست خود پیشنهاد می کند که معیارهای جدیدی باید تدوین شود تا آزمایش کند که آیا مدل های علمی AI می توانند “دانش داده های آموزش خود را به چالش بکشد” و “رویکردهای جسورانه ضد خلاف خود را به چالش بکشند.” این نشانگر فراخوانی نیست نه برای سرمایه گذاری کمتر هوش مصنوعی ، بلکه برای سرمایه گذاری متفکرانه تر که طیف کاملی از قابلیت های شناختی مورد نیاز برای پیشرفت علمی را در نظر می گیرد.
این دیدگاه ظریف ، پتانسیل فوق العاده هوش مصنوعی را تأیید می کند و در حالی که می داند سیستم های فعلی ممکن است در هنگام مبارزه با دیگران در انواع خاصی از اطلاعات برتری داشته باشند. مسیر پیش رو به احتمال زیاد شامل توسعه رویکردهای تکمیلی است که ضمن یافتن راه هایی برای رفع محدودیت های آنها ، نقاط قوت سیستم های فعلی را افزایش می دهد.
برای مشاغل و مؤسسات تحقیقاتی که در استراتژی هوش مصنوعی پیمایش می کنند ، پیامدهای آن قابل توجه است. سازمان ها ممکن است نیاز به توسعه چارچوب های ارزیابی داشته باشند که نه تنها سیستم های هوش مصنوعی نه تنها به سؤالات موجود پاسخ می دهند ، بلکه به طور مؤثر آنها را تولید می کنند. آنها ممکن است نیاز به طراحی مدلهای همکاری انسانی و آه که توانایی های تطبیق الگوی و محاسباتی AI را با شهودهای النگورهای النگورهای کارشناسان انسانی جفت می کنند ، طراحی کنند.
پیدا کردن مسیر میانه: چگونه AI می تواند قدرت محاسباتی را با تفکر انقلابی ترکیب کند
شاید با ارزش ترین نتیجه این مبادله این باشد که صنعت را به سمت درک متعادل تر از پتانسیل هوش مصنوعی و محدودیت های آن سوق می دهد. چشم انداز آمودی یادآوری قانع کننده ای از تأثیر تحول آمیز AI می تواند به طور همزمان در دامنه های مختلف داشته باشد. نقد گرگ ، تعادل لازم را فراهم می کند ، و انواع خاصی از قابلیت های شناختی مورد نیاز برای پیشرفت واقعاً انقلابی را برجسته می کند.
با پیشروی صنعت ، این تنش بین خوش بینی و شک و تردید ، بین مقیاس بندی رویکردهای موجود و توسعه موارد جدید ، احتمالاً موج بعدی نوآوری را در توسعه هوش مصنوعی سوق می دهد. با درک هر دو دیدگاه ، سازمان ها می توانند استراتژی های ظریف تری را توسعه دهند که پتانسیل سیستم های فعلی را به حداکثر می رساند و در عین حال سرمایه گذاری در رویکردهایی که محدودیت های آنها را برطرف می کند ، سرمایه گذاری می کنند.
در حال حاضر ، این سؤال این نیست که آیا گرگ یا آمدی صحیح است ، بلکه چگونه دیدگاههای متضاد آنها می تواند رویکرد جامع تری را برای توسعه هوش مصنوعی آگاه کند که فقط در پاسخ به سؤالاتی که قبلاً داریم ، برتری ندارد ، بلکه به ما کمک می کند تا سؤالاتی را که هنوز تصور نکرده ایم را کشف کنیم.