ایلیا ساتسکیور، هم‌بنیان‌گذار OpenAI: عصر مقیاس‌پذیری به پایان رسید؛ به پژوهش بازگردید

چالش با پارادایم مقیاس‌پذیری در هوش مصنوعی

اظهارات ساتسکیور در شرایطی مطرح می‌شود که شرکت‌های فناوری صدها میلیارد دلار برای خرید واحدهای پردازش گرافیکی (GPU) و ساخت مراکز داده سرمایه‌گذاری کرده‌اند. باور عمومی حاکم بر صنعت این است که هرچه توان پردازشی و داده‌های آموزشی بیشتری در دسترس باشد، ابزارهای هوش مصنوعی هوشمندتر خواهند شد.

این پیشگام هوش مصنوعی مدرن اذعان کرد که این دستورالعمل طی حدود پنج سال گذشته نتایج قابل‌توجهی به همراه داشته است. همچنین، این رویکرد برای شرکت‌ها بسیار کارآمد بوده، زیرا در مقایسه با سرمایه‌گذاری روی پژوهش‌های پرخطر و نامطمئن، راهی ساده و کم‌ریسک برای صرف منابع فراهم کرده است.

نزدیک شدن به پایان راه افزایش توان پردازشی

با این حال، ساتسکیور هشدار داد که این روش دیگر به پایان مسیر خود نزدیک می‌شود. او استدلال می‌کند که منابع داده‌ها محدود هستند و سازمان‌ها همین حالا نیز به مقدار عظیمی از توان پردازشی دسترسی دارند که نیازهای فعلی را برآورده می‌کند.

اگر اعتقاد بر این است که چنان‌چه صرفاً مقیاس را ۱۰۰ برابر کنید، همه چیز متحول می‌شود، من فکر نمی‌کنم این درست باشد. پس دوباره به دوران پژوهش بازگشته‌ایم، البته این بار با رایانه‌های بسیار قدرتمند.

اهمیت پژوهش برای تمایز و کارآمدی

ساتسکیور با وجود این انتقادات، نقش نیاز به توان پردازشی را انکار نکرد و تأکید کرد که کامپیوترهای قدرتمند همچنان برای انجام پژوهش‌های آتی ضروری هستند و می‌توانند در صنعتی که همه سازمان‌های بزرگ با یک پارادایم واحد کار می‌کنند، تمایزی اساسی ایجاد کنند.

او در نهایت نتیجه گرفت که پژوهش برای یافتن روش‌های مؤثر و کارآمد جهت استفاده از این توان پردازشی عظیم، حیاتی خواهد بود و صرفاً افزایش مقیاس، دیگر منجر به جهش‌های بزرگ نخواهد شد.