ناپایداری: بزرگترین مانع در مسیر هوش مصنوعی عمومی
بزرگترین چالش برای دستیابی به هوش مصنوعی عمومی (AGI)، ناپایداری عملکرد مدلهاست. دمیس حسابیس، مدیرعامل دیپمایند، معتقد است که مدلهای پیشرفته هوش مصنوعی، با وجود تواناییهای چشمگیر در حل مسائل پیچیده، گاهی در وظایف ساده دچار خطا میشوند. این «هوش ناهموار» نیازمند پیشرفت در استدلال، برنامهریزی و حافظه است و تنها با افزایش داده یا قدرت محاسباتی حل نمیشود. پیشبینی میشود که AGI در ۵ تا ۱۰ سال آینده محقق شود.
دمیس حسابیس، مدیرعامل گوگل دیپمایند، در گفتوگویی اخیر اعلام کرد که مهمترین مانع در مسیر دستیابی به هوش مصنوعی عمومی (AGI)، ناپایداری در عملکرد مدلهای کنونی است. این مشکل که او آن را «هوش ناهموار» یا «دندانهدار» مینامد، به این معناست که سیستمهای هوش مصنوعی پیشرفته، مانند مدل Gemini، میتوانند در مسائلی مانند المپیاد جهانی ریاضی عملکردی درخشان داشته باشند، اما در عین حال در حل مسائل سادهتر، مانند سؤالات ریاضی دوره دبیرستان، با شکست مواجه شوند.
حسابیس در این باره توضیح داد: «این سیستمها در برخی زمینهها عملکردی فوقالعاده دارند، اما در زمینههای دیگر بهطور غیرمنتظرهای ضعیف عمل میکنند.» این دیدگاه با نظر ساندار پیچای، مدیرعامل گوگل، همراستاست که پیشتر از اصطلاح «هوش مصنوعی دندانهدار» (AJI) برای توصیف این پدیده استفاده کرده بود. هر دو مدیر معتقدند که این ناپایداری، یکی از چالشهای اصلی برای رسیدن به هوش مصنوعی با تواناییهای مشابه انسان است.
فهرست عناوین
چرا افزایش داده و قدرت محاسباتی کافی نیست؟
به گفته حسابیس، حل این مشکل بهسادگی با افزایش حجم دادهها یا بهبود توان محاسباتی ممکن نخواهد بود. او بر نیاز به پیشرفت در سه حوزه کلیدی تأکید کرد:
-
استدلال: توانایی مدلها در تحلیل و حل مسائل پیچیده بهصورت منطقی.
-
برنامهریزی: قابلیت طراحی مراحل و استراتژیهای لازم برای رسیدن به هدف.
-
حافظه: بهبود توانایی مدلها در بهخاطر آوردن و استفاده از اطلاعات گذشته.
علاوه بر این، حسابیس پیشنهاد کرد که برای ارزیابی دقیقتر عملکرد مدلهای هوش مصنوعی، نیاز به معیارهای سنجش جدید و چالشبرانگیزتری است که بتوانند ضعفهای این سیستمها را بهتر نمایان کنند.
دیدگاههای مشابه در صنعت فناوری
این دیدگاه محتاطانه تنها به دیپمایند محدود نمیشود. سم آلتمن، مدیرعامل اوپنایآی، نیز در اظهاراتی مشابه، با اشاره به عرضه مدل GPT-۵، اعلام کرد که هرچند این مدل پیشرفت قابلتوجهی خواهد داشت، اما همچنان از دستیابی به AGI فاصله دارد. او نبود قابلیتهایی مانند یادگیری مستمر و مستقل را از جمله موانع اصلی دانست.
آینده هوش مصنوعی عمومی
با وجود این چالشها، حسابیس خوشبین است و پیشبینی میکند که هوش مصنوعی عمومی احتمالاً طی ۵ تا ۱۰ سال آینده به واقعیت تبدیل خواهد شد. او معتقد است که با تمرکز بر رفع ناپایداریها و توسعه قابلیتهای کلیدی، صنعت هوش مصنوعی میتواند به این هدف بزرگ دست یابد.
نتیجهگیری
ناپایداری در عملکرد مدلهای هوش مصنوعی، چالشی اساسی در مسیر دستیابی به AGI است. این مشکل که به «هوش ناهموار» معروف است، نیازمند نوآوریهایی فراتر از افزایش دادهها و توان محاسباتی است. با تلاشهای مداوم در بهبود استدلال، برنامهریزی و حافظه، آینده هوش مصنوعی عمومی روشن به نظر میرسد، اما همچنان مسیری طولانی در پیش است.







