در حالی که صنعت فناوری انتظار داشت هوش مصنوعی با شتاب بیشتری از پیش توسعه یابد، گزارش‌های تازه‌ای به چاپ رسیده‌اند که شکاف‌های اساسی در مدل‌های یادگیری عمیق را برجسته می‌کنند. این داده‌ها نشان می‌دهند که عبور از مرزهای فعلی هوش مصنوعی، نه صرفاً یک چالش مهندسی، بلکه یک موانع علم‌بنیاد است که منجر به کاهش تصاعدی نتایج شده است.
دراسک و چالش‌های محاسباتی
تنظیم‌کنندگان سیستم‌های ابرتابه و پژوهشگران بزرگ‌ترین هوش مصنوعی جهان، با پدیده‌ای به نام «دراسک» (Diminishing Returns) روبرو هستند. هر بار که مقیاس مدل‌ها افزایش می‌یابد، تعدادی از قابلیت‌های اساسی که انتظار می‌رود طبقه خاصی ادراک کرده شوند، به‌تدریج کاهش می‌یابد. این پدیده نشان می‌دهد که صرف خرج منابع بیشتر برای افزایش مقیاس، دیگر تضمین‌گرکی برای پیشرفت‌های انقلابی نیست.
اثر اقتصادی بر سرمایه‌گذاری‌ها
با کند شدن پیشرفت‌ها، بازده‌های اقتصادی توسعه‌دهندگان هوش مصنوعی نیز تحت تأثیر قرار می‌گیرد. شرکت‌های فناوری که انتظار داشتند مدل‌های بزرگ‌تر و پیچیده‌تر، بازدهی بالاتری از نظر عملکردی ارائه دهند، با خالی‌بودن مدل‌های جدید از قابلیت‌های خاص‌تر، به خودت پناه می‌برند. این وضعیت می‌تواند باعث کاهش تشدید‌سازی در بازارها و توقف رشد تصاعدی هزینه‌ها شود.
نتیجه‌گیری: دگرگونی در مسیر توسعه
اگرچه سرعت توسعه هوش مصنوعی کاهش یافته‌است، اما به معنی پایان این فناوری نیست. به نظر می‌رسد که در دسترس‌دن مدل‌ها از رشد تدریجی، به سمت بهینه‌سازی معماری‌های جدید و تمرکز بر مشکلات خاص‌تر، مفاهیم نوینی از هوش مصنوعی را شکل خواهد داد که ممکن است در نهایت منجر به رهش یک نسل تازه از هوش مصنوعی شود.
- کاهش بازدهی در توسعه مدل‌های بزرگ زبانی
- افزایش هزینه‌های محاسباتی بدون بهبود پایدار عملکرد
- نیاز به تغییر مدل‌های معماری به‌جای صرفاً افزایش مقیاس
- طراحی مجدد برنامه‌های تحقیق در حوزه هوش مصنوعی
پرسش‌های پرتکرار
آیا به معنی توقف کامل هوش مصنوعی است؟
خیر، این مفهوم به معنای توقف کامل نیست، بلکه به کاهش نرخ رشد تصاعدی و رسیدن به نقاط‌اتفاق در الگوریتم‌های موجود اشاره دارد که البته به معنای ظهور رویکردهای جدید نیز هست.
چه عواملی باعث کند شدن توسعه شدند؟
خستگی در الگوریتم‌های یادگیری عمیق، محدودیت‌های منطقی در درک انسان‌وارسازی هوش مصنوعی و بی‌بازده‌شدن صرفاً افزایش حجم داده و منابع محاسباتی.
