موج هیجان هوش مصنوعی چه زمانی فروکش می‌کند؟/ گذر از قله توهم به استفاده مفید از فناوری

ساینس بلاگ گزارش می‌دهد؛

خبرگزاری علم و فناوری ساینس بلاگ؛ کم‌تر از دو سال پیش، راه اندازی چت جی‌پی‌تی هیجان هوش مصنوعی مولد را آغاز کرد. برخی می‌گفتند که این فناوری چهارمین انقلاب صنعتی را آغاز می‌کند و جهان را از شکلی که ما می‌شناسیم کاملاً تغییر می‌دهد.

در مارس ۲۰۲۳، گلدمن ساکس پیش بینی کرد که ۳۰۰ میلیون شغل به دلیل هوش مصنوعی از بین می‌رود یا کاهش می‌یابد و طوری به نظر می‌رسید که تغییر بزرگی در حال انجام است.

هجده ماه بعد، اعلام شد که هوش مصنوعی مولد کسب وکار را تغییر نمی‌دهد. بسیاری از پروژه‌هایی که از این فناوری استفاده می‌کنند، لغو می‌شوند، مانند تلاش مک دونالد برای خودکار کردن سفارش رانندگی که پس از شکست‌های خنده دار در تیک تاک خبرساز شد. تلاش‌های دولت برای ایجاد سیستم‌هایی برای خلاصه کردن ارائه‌های عمومی و محاسبه حقوق رفاهی نیز به همین سرنوشت دچار شده است. پس چه اتفاقی افتاد؟

چرخه هیجان هوش مصنوعی

هوش مصنوعی مولد نیز مانند بسیاری از فناوری‌های جدید، مسیری را دنبال می‌کند که به عنوان چرخه پیشرفت گارتنر شناخته می‌شود و نخستین بار توسط شرکت تحقیقات فناوری آمریکایی گارتنر توصیف شد.

این مدل به طور گسترده‌ای یک فرآیند تکراری را توصیف می‌کند که در آن موفقیت اولیه یک فناوری منجر به افزایش انتظارات عمومی می‌شود که در نهایت محقق نمی‌شود. پس از اوج انتظارات اولیه، شیب سرخوردگی و پس از آن شیب روشن گری قرار می‌گیرد که در نهایت به بهره وری می‌رسد.

در گزارش گارتنر که در ماه ژوئن منتشر شد، اکثر فناوری‌های هوش مصنوعی مولد یا در اوج انتظارات قرار دارند یا هنوز در حال پیشرفت هستند. در این گزارش آمده است که بیشتر این فناوری‌ها دوتا پنج سال تا کامل شدن فاصله دارند.

مطالعه‌ موسسه تحقیقاتی آمریکایی رَند منتشر شد، نشان داد ۸۰ درصد پروژه‌های هوش مصنوعی شکست می‌خورند، آماری که بیش از دو برابر نرخ پروژه‌های غیر هوش مصنوعی است

نمونه‌های اولیه جذابی از محصولات هوش مصنوعی مولد توسعه یافته‌اند، اما استفاده از آنها در عمل موفقیت کمتری داشته است. مطالعه‌ای که هفته گذشته توسط موسسه تحقیقاتی آمریکایی رَند منتشر شد، نشان داد ۸۰ درصد پروژه‌های هوش مصنوعی شکست می‌خورند که بیش از دو برابر نرخ پروژه‌های غیر هوش مصنوعی است.

کاستی‌های فعلی هوش مصنوعی مولد

گزارش رند مشکلات زیادی را برای هوش مصنوعی مولد فهرست می‌کند، از نیاز‌های سرمایه گذاری بالا در داده‌ها و زیرساخت‌های هوش مصنوعی گرفته تا کمبود استعداد‌های انسانی مورد نیاز. با این حال، ماهیت غیرمعمول محدودیت‌های هوش مصنوعی مولد نشان دهنده یک چالش مهم است.

به عنوان مثال، سیستم‌های هوش مصنوعی مولد می‌توانند برخی از آزمون‌های بسیار پیچیده  پذیرش دانشگاه را حل کنند و در عین حال کار‌های بسیار ساده‌ای را با شکست مواجه کنند. این امر قضاوت در مورد پتانسیل این تکنولوژی‌ها را که منجر به اعتماد به نفس کاذب می‌شود، بسیار سخت می‌کند.

حالا اگر هوش مصنوعی بتواند معادلات دیفرانسیل پیچیده را حل کند یا مقاله بنویسد، باید بتواند دستور‌ها ساده رانندگی را بگیرد، درست است؟

مطالعه اخیر نشان داد که توانایی‌های مدل‌های زبانی بزرگی مانند جی پی تی-۴ همیشه با آنچه مردم از آنها انتظار دارند، مطابقت ندارد. به طور خاص، مدل‌های توانمندتر در موارد پرخطر که پاسخ‌های نادرست می‌توانند فاجعه بار باشند، به شدت ضعیف عمل می‌کنند.

این نتایج نشان می‌دهد که این مدل‌ها می‌توانند اعتماد کاذب را به کاربران خود القا کنند. از آنجا که آنها به صورت روان به سوالات پاسخ می‌دهند، انسان‌ها می‌توانند در مورد قابلیت‌های خود به نتیجه گیری‌های بیش از حد خوشبینانه برسند و مدل‌ها را در موقعیت‌هایی که برای آنها مناسب نیستند، به کار گیرند.

تجربه پروژه‌های موفق نشان می‌دهد که پیروی یک مدل مولد از دستورالعمل‌ها دشوار است. به عنوان مثال، سیستم آموزشی خانمیگو آکادمی خان اغلب پاسخ‌های صحیح را به سؤالات نشان می‌دهد، علی‌رغم اینکه به او دستور داده شده است که این کار را نکند.

چرا هوش مصنوعی مولد هنوز به پایان نرسیده است؟

چند دلیل برای این موضوع وجود دارد. اول، فناوری هوش مصنوعی مولد، علی رغم چالش‌هایی که دارد، به سرعت در حال بهبود است که مقیاس و اندازه، محرک‌های اصلی بهبود هستند.

تحقیقات نشان می‌دهد که اندازه مدل‌های زبانی (تعداد پارامترها) و همچنین مقدار داده‌ها و توان محاسباتی مورد استفاده برای آموزش همگی به بهبود عملکرد مدل کمک می‌کنند. در مقابل، به نظر می‌رسد معماری شبکه عصبی که به این مدل نیرو می‌دهد، کم‌ترین تاثیر را دارد.

مدل‌های زبانی بزرگ نیز توانایی‌های به اصطلاح نوظهوری را به نمایش می‌گذارند که توانایی‌های غیرمنتظره‌ای در کار‌هایی هستند که برای آنها آموزش ندیده اند. محققان گزارش داده‌اند که وقتی مدل‌ها به اندازه‌ی «پیشرفت» ویژه‌ای می‌رسند، قابلیت‌های جدیدی «ظهور» می‌کند.

مطالعات نشان می‌دهد که مدل‌های زبانی به اندازه کافی پیچیده می‌توانند توانایی استدلال از طریق قیاس و حتی بازتولید توهمات نوری مانند آنچه توسط انسان‌ها تجربه می‌شود را توسعه دهند. دلایل دقیق این مشاهدات مورد بحث است، اما شکی نیست که مدل‌های زبانی بزرگ در حال پیچیده‌تر شدن هستند

مطالعات نشان داده اند که مدل‌های زبانی به اندازه کافی پیچیده می‌توانند توانایی استدلال از طریق قیاس و حتی بازتولید توهمات نوری مانند آنچه توسط انسان‌ها تجربه می‌شود را توسعه دهند. دلایل دقیق این مشاهدات مورد بحث است، اما شکی نیست که مدل‌های زبانی بزرگ در حال پیچیده‌تر شدن هستند؛ بنابراین شرکت‌های هوش مصنوعی هنوز در حال کار بر روی مدل‌های بزرگ‌تر و گران‌تر هستند و شرکت‌های فناوری مانند مایکروسافت و اپل بر روی بازگشت سرمایه‌های موجود خود در هوش مصنوعی مولد شرط بندی می‌کنند. براساس برآورد اخیر، هوش مصنوعی مولد برای توجیه سرمایه گذاری‌های فعلی باید سالانه ۶۰۰ میلیارد دلار درآمد داشته باشد و این رقم احتمالا در سال‌های آینده به یک تریلیون دلار افزایش خواهد یافت.

در حال حاضر، بزرگ‌ترین برنده از رونق هوش مصنوعی مولد، انویدیا، بزرگ‌ترین تولیدکننده تراشه‌های قدرت بخش مسابقه تسلیحاتی هوش مصنوعی مولد است. انویدیا به عنوان یکی از سهام داران مشهور، اخیرا به با ارزش‌ترین شرکت عمومی تاریخ تبدیل شده و قیمت سهام خود را در یک سال سه برابر کرد تا در ماه ژوئن به ارزش ۳ تریلیون دلار برسد.

آینده چگونه خواهد بود؟

همانطور که تبلیغات هوش مصنوعی کاهش پیدا می‌کند و ما در دوره سرخوردگی حرکت می‌کنیم، شاهد استراتژی‌های پذیرش هوش مصنوعی واقع گرایانه تری نیز هستیم.

اول اینکه هوش مصنوعی برای حمایت از انسان‌ها به جای جایگزینی آنها مورد استفاده قرار می‌گیرد. بررسی اخیر شرکت‌های آمریکایی نشان داد که آنها عمدتا از هوش مصنوعی برای بهبود کارایی (۴۹ درصد)، کاهش هزینه‌های نیروی کار (۴۷ درصد) و افزایش کیفیت محصولات (۵۸ درصد) استفاده می‌کنند.

دوم، ما شاهد افزایش مدل‌های هوش مصنوعی مولد کوچک‌تر (و ارزان تر) هستیم که براساس داده‌های خاص آموزش دیده اند و به صورت محلی برای کاهش هزینه‌ها و بهینه سازی کارایی مستقر شده اند. حتی اوپن ای‌آی که رقابت برای مدل‌های بزرگ‌تر را رهبری کرده است، مدل جی پی‌تی-۴ مینی (GPT – ۴ o Mini) را برای کاهش هزینه‌ها و بهبود عملکرد منتشر کرده است.

سوم، ما شاهد تمرکز قوی بر ارائه آموزش سواد هوش مصنوعی و آموزش نیروی کار در مورد نحوه کار هوش مصنوعی، پتانسیل‌ها و محدودیت‌های آن، و بهترین شیوه‌ها برای استفاده اخلاقی از هوش مصنوعی هستیم. ما احتمالا باید یاد بگیریم (و دوباره یاد بگیریم) که چگونه از فناوری‌های مختلف هوش مصنوعی برای سال‌های آینده استفاده کنیم.

درنهایت، انقلاب هوش مصنوعی بیشتر شبیه به تکامل خواهد بود. استفاده از آن به تدریج در طول زمان رشد خواهد کرد و کم کم فعالیت‌های انسانی را تغییر داده و دگرگون خواهد کرد؛ که بسیار بهتر از جایگزینی آنها است.