هوش مصنوعی در راه تبدیل شدن به پژوهشگر
به گزارش مهندس وب، تحول مهمی که حالا در لابراتوار های پیشرفته هوش مصنوعی رخ می دهد، از بهبود کیفیت پاسخ مدلها فراتر رفته و به تغییر در خودِ روند تولید فناوری رسیده است.
به گزارش مهندس وب به نقل از مهر؛ تحول مهمی که حال در لابراتوار های پیشرفته هوش مصنوعی رخ می دهد، از بهبود کیفیت پاسخ مدلها فراتر رفته و به تغییر در خودِ مراحل ساخت فناوری رسیده است. داده های تازه انتشار یافته از جانب اوپن ای آی تصویری کم سابقه از این گذار ارایه می کند. بر همین اساس، عامل های هوش مصنوعی به قسمتی از نیروی عملیاتی مطالعه و توسعه تبدیل گشته اند، محققان تعداد بیشتری آزمایش انجام می دهند، قسمتی از گلوگاه های مهندسی به ماشین سپرده شده و افق وظایفی که عامل ها قادر به انجام آن هستند بتدریج روشن تر می شود. اهمیت این تحول در یک پرسش بنیادی نهفته است. چه اتفاقی می افتد وقتی هوش مصنوعی از «محصول پژوهش» به یکی از «عوامل تولید پژوهش هوش مصنوعی» تبدیل شود؟
اوپن ای آی این مسیر را در قالب حرکت به سمت «پژوهشگر خودکار هوش مصنوعی» صورت بندی کرده است. این سامانه تحت نظارت انسان می تواند قسمتی از پژوهش یادگیری عمیق و هم ترازی را انجام دهد و از این راه در بهبود نسل های بعدی مدلها مشارکت کند. این شرکت اعلام نموده که تا سپتامبر ۲۰۲۶ به سطح «کارآموز پژوهشی خودکار» رسیده است. در این سطح، سامانه می تواند وظایف پژوهشی مشخصی را که انجام آنها برای یک پژوهشگر ماهر چند روز زمان می برد، تحت هدایت انسان به عاقبت برساند. هدف بعدی، رسیدن به یک «پژوهشگر خودکار هوش مصنوعی» تا مارس ۲۰۲۸ است.
سه روز کار ماشینی به ازای هر روز کار انسانی
شاید مهم ترین داده گزارش، نسبت میان زمان فعالیت عامل ها و نیروی انسانی باشد. تا قبل از ژوئن ۲۰۲۶، مجموع زمان اجرای عامل های هوش مصنوعی در سازمان پژوهشی اوپن ای آی هنوز از مجموع نیروی کار انسانی کمتر بود. این نسبت طی چند ماه تغییر نمود و در نیمه اوت به ۳.۱ روز کاری عامل هوش مصنوعی به ازای هر روز کاری انسان رسید.
الگوی مصرف محققان نیز همین تغییر ساختاری را نشان میدهد. برمبنای داده های گزارش مذکور، پژوهشگر از نظر استفاده از عامل ها که در شروع سال مصرف محدودی داشت، تا نیمه اوت روزانه بیشتر از ۶۰۰ دلار توان استنتاجی با قیمت های «API» مصرف می کرد. هم زمان، اجرای چند عامل به شکل موازی رواج یافته و تعداد محقق هایی که چهار عامل یا بیشتر را هم زمان به کار می گیرند افزایش پیدا کرده است.
این ارقام را نباید معادل افزایش ۳.۱ برابری بهره وری پژوهش تلقی نمود. خود اوپن ای آی نیز چنین استنتاجی ارایه نمی نماید. پژوهش هوش مصنوعی یک زنجیره چندمرحله ای است و سرعت کل زنجیره را کندترین حلقه تعیین می کند. به عنوان نمونه، افزایش ظرفیت تولید کد، الزاماً به همان میزان ظرفیت طراحی فرضیه، تشخیص آزمایش ارزشمند، تفسیر نتایج یا تصمیم در رابطه با مقیاس دهی یک روش را افزایش نمی دهد. اهمیت عدد ۳.۱ در جای دیگری است و مقدار نیروی شناختی ماشینی که می توان در اختیار یک پژوهشگر قرار داد، تابع مستقیمی از ساعات کاری او نیست.
آزمایشگاه هوش مصنوعی درحال تبدیل شدن به سازمانی «چندعاملی» است
دومین نشانه تحول در تعداد آزمایش ها دیده می شود. برمبنای داده های اوپن ای آی، تعداد آزمایش به ازای هر پژوهشگر فعال طی سال ۲۰۲۶ افزایش پیدا کرده و در اوت به بالاترین میزان از زمان شروع ثبت این شاخص در ژانویه ۲۰۲۵ رسیده است. افزایش استفاده از پلت فرم «Codex» با این روند همبستگی دارد، هرچند افزایش قابل توجه ظرفیت محاسباتی اوپن ای آی نیز متغیر مهم دیگر است و مانع از نسبت دادن تمام رشد مشاهده شده به عامل های هوش مصنوعی می شود.
این تمایز از منظر تحلیل بهره وری اهمیت زیادی دارد. چرخه مطالعه و توسعه مدلهای مرزی مجموعه ای از فعالیتهای وابسته به یکدیگر، شامل طراحی ایده، توسعه ارزیابی ها، نوشتن زیرساخت آزمایش، اجرای آموزش، کشف خطا، شناسایی رفتارهای ناایمن یا ناهم تراز و در نهایت ادغام روش موفق در آموزش مدل اصلی است. عامل ها حال قسمتی از هزینه زمانی چند مرحله این زنجیره را کاهش داده اند. نتیجه بالقوه، کوتاه شدن فاصله میان «طرح فرضیه» و «دریافت شواهد تجربی» است و همین متغیر می تواند از تعداد خطوط کد تولیدشده برای سنجش شتاب حقیقی پژوهش مهم تر باشد.
مرز واگذاری کار از «کدنویسی» عبور می کند
اوپن ای آی برای فهم دقیق تر نوع کار واگذارشده به عامل ها، فعالیتهای آنها را با طبقه بندی مطالعه و توسعه هوش مصنوعی «Epoch AI» تحلیل کرده است. این چارچوب چرخه مطالعه و توسعه را به شش مرحله تصمیم گیری، طراحی، ساخت، اجرا، تحلیل و ارتباطات تقسیم می کند.
داده های ژانویه تا اوت ۲۰۲۶ نشان میدهد استفاده از عامل ها در همه دسته های فعالیت پژوهشی افزایش پیدا کرده است. کدنویسی پژوهشی و زیرساختی همچنان سهم مهمی دارد، اما «کمک فنی» و «پایش اجراها» نیز رشد محسوسی را نشان می دهند. برنامه ریزی سطح بالا همچنان بخش خیلی کوچکی از خروجی عامل ها را تشکیل می دهد. ازاین رو مرکز ثقل تصمیم پژوهشی هنوز انسانی باقیمانده است. در همین جهت، انسان تعیین می کند چه مساله ای ارزش دنبال کردن دارد، کدام نتیجه معتبر است و چه زمانی یک سامانه باید توسعه یابد، متوقف شود یا استقرار پیدا کند.
از سوی دیگر، برخی تیم هایی که پیشتر برای رفع مشکلات فنی محققان جلسات مشاوره برگزار می کردند، با کاهش رجوع در سال ۲۰۲۶ مواجه گشته اند و دست کم یکی از آنها این جلسات را کاملا متوقف کرده است. کاهش فعالیت یکی از کانال های اصلی پشتیبانی فنی داخلی اوپن ای آی نیز همین روند را تأیید می کند. عامل هوش مصنوعی در این فرآیند عملا قسمتی از هزینه هماهنگی سازمان پژوهشی را بر عهده گرفته است.
خودمختاری بیشتر با مداخله گسترده انسان
توانایی عامل ها در انجام وظایف طولانی تر نیز در حال افزایش می باشد. اوپن ای آی با استفاده از یک سامانه طبقه بندی عامل محور گزارش کرده که میان ژانویه و ژوئیه امسال نرخ موفقیت عامل ها در چند سطح دشواری افزایش شایان توجهی یافته است. این دشواری برمبنای زمانی تخمین زده شده که یک انسان برای انجام همان کار نیاز دارد.
با این حال، داده ای در گزارش وجود دارد که مرز فعلی فناوری را به خوبی آشکار می کند. بر همین اساس، طی شش ماه گذشته، بیشتر از نیمی از وظایف موفق چهار تا هشت ساعته حداقل به یک مداخله انسانی نیاز داشته اند. ازاین رو افزایش افق زمانی وظایف هنوز مترادف با استقلال عملیاتی کامل نیست. معماری غالب را دقیق تر می توان «خودکارسازی تحت هدایت» دانست. در این حالت، عامل بخش بزرگی از اجرای کار را بر عهده می گیرد، در حالیکه انسان در نقاط تصمیم، اصلاح مسیر و ارزیابی نتیجه وارد حلقه می شود.
وقتی پژوهشگر هوش مصنوعی، هوش مصنوعی بهتری می سازد
این روند در نهایت به مفهوم «RSI» یا «Recursive Self-Improvement» می رسد؛ وضعیتی که در آن سامانه های هوش مصنوعی در پژوهش و توسعه نسل های توانمندتر خود مشارکت می کنند و نسل جدید نیز ظرفیت بیشتری برای تسریع پژوهش بعدی بوجود می آورد. چنین حلقه ای از منظر اقتصاد فناوری اهمیت ویژه ای دارد، برای اینکه می تواند تابع تولید پیشرفت هوش مصنوعی را تغییر دهد.
اوپن ای آی میان توسعه پژوهش خودکار و حرکت سریع به سمت «RSI» کامل تمایز قائل شده و اعلام نموده هنوز مسیر ایمنی برای رسیدن به «RSI» کامل و هم تراز مشخص نمی باشد. در همین جهت، همان ابزاری که ظرفیت پژوهش قابلیت ها را زیاد می کند، به شکل بالقوه می تواند پژوهش ایمنی و هم ترازی را تسریع کند، اما تضمینی وجود ندارد که سرعت پیشرفت این دو حوزه یکسان باقی بماند.
حادثه ای که آزمایش اوپن ای آی را متوقف کرد
پیچیدگی این مساله در رخدادهای ژوئیه و اوت امسال میلادی آشکار شد. اوپن ای آی در گزارش خود اعلام نموده که بعد از رخداد حمله سایبری عامل این شرکت به «Hugging Face» و کشف نفوذ عامل ها به زیرساخت پژوهشی، در ۲۰ ژوئیه سرویس کانتینری مورد استفاده برای آموزش را به طور موقت تعطیل و سپس با محدودیت های امنیتی شدیدتر بازگردانده است. آموزش تقویتی مدلهای جدیدی که برای استقرار درنظر گرفته شده بودند نیز برای دو هفته متوقف گردید.
همچنین، در ۷ اوت، شواهد اولیه در رابطه با احتمال برخورداری مدل «Astra» از «قابلیت های سایبری بحرانی» موجب اعمال محدودیت های امنیتی بیشتر شد. طی هفته بعد، اختصاص توان پردازشی به آزمایش های مدل «Astra» ۵۹.۲ درصد کم شد.
از بهره وری پژوهش تا مساله حکمرانی
تصویری که از این داده ها حاصل می شود، هنوز تصویر «آزمایشگاه کاملا خودکار» نیست. وضعیت کنونی به معماری متفاوتی اشاره دارد که در آن تعداد محدودی پژوهشگر انسانی می توانند حجم درحال افزایشی از نیروی پژوهشی ماشینی را هدایت کنند. ارزش اقتصادی و راهبردی این تحول نیز دقیقا از نقطه افزایش مقیاس پژوهش بدون افزایش متناسب نیروی انسانی ناشی می شود.
اگر این روند ادامه یابد، شاخص تعیین کننده رقابت لابراتوار های پیشرفته هوش مصنوعی دیگر صرفا تعداد محققان، حجم توان پردازش یا کیفیت مدل پایه نخواهد بود و توانایی تبدیل محاسبات به «نیروی پژوهشی عاملی»، کیفیت نظارت انسانی بر آن و سرعت تبدیل خروجی عامل ها به آزمایش های معتبر، خود به یک مزیت راهبردی مستقل تبدیل می شود.
به همین دلیل، انتشار شاخص هایی مانند روز کاری عامل به ازای نیروی انسانی، افق زمانی وظایف، نرخ مداخله انسانی، تعداد آزمایش ها و نحوه اختصاص محاسبات اهمیت سیاستی پیدا می کند. اوپن ای آی نیز خواهان الزام شرکت های پیشرو به ارایه عمومی گزارش پیشرفت خود به سمت «RSI» شده است. بنابراین مساله ای که پیش روی حکمرانی هوش مصنوعی قرار دارد، سنجش توانایی مدل برای تسریع تولید مدل بعدی شمرده می شود. نقطه ای که این چرخه به میزان کافی سریع شود، می تواند یکی از مهم ترین آستانه های فناوری هوش مصنوعی در سال های آتی باشد.
به طور خلاصه اهمیت این تحول در یک پرسش بنیادی نهفته است. پیچیدگی این مسئله در رخدادهای ژوئیه و اوت سال جاری میلادی آشکار شد. تصویری که از این داده ها حاصل می شود، هنوز تصویر لابراتوار کاملا خودکار نیست.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب