نبرد غول‌های هوش مصنوعی؛ هاسابیس (گوگل) در برابر لکان (متا) بر سر مسیر AGI

تقابل دیدگاه‌ها در دره سیلیکون

هاسابیس در سخنرانی اخیر خود با تأکید بر اهمیت «قانون مقیاس‌دهی»، اعلام کرد که این اصل باید تا آخرین حد ممکن پیش برده شود. طبق این قانون، هرچه داده و قدرت پردازشی بیشتری به مدل‌های هوش مصنوعی تزریق شود، هوشمندتر خواهند شد. او این قانون را مهم‌ترین جزء پیشرفت هوش مصنوعی فعلی می‌داند.

ما باید مقیاس‌دهی سیستم‌های فعلی را به حداکثر برسانیم، زیرا این حداقل یکی از اجزای مهم (و شاید تمام) سیستم نهایی هوش جامع مصنوعی (AGI) خواهد بود. حتی اگر بزرگ‌ترکردن مدل‌ها به تنهایی کافی نباشد، چاره‌ای نداریم جز اینکه این مسیر را تا انتها برویم تا ببینیم سقف توانایی مدل‌های زبانی کجاست.

استراتژی گوگل دیپ‌مایند: حداکثرسازی مقیاس

هدف نهایی این تلاش‌ها، دستیابی به AGI است؛ هوش مصنوعی‌ای که از لحاظ نظری می‌تواند هر کار ذهنی را با توانایی‌های برابر یا بهتر از انسان انجام دهد. این مدیرعامل معتقد است که افزایش مقیاس به احتمال زیاد ما را به AGI می‌رساند، هرچند ممکن است به «یک یا دو نوآوری» دیگر در کنار آن نیاز باشد. این رقابت سنگین، شرکت‌های فناوری را وادار کرده است که میلیاردها دلار صرف ساخت زیرساخت‌های عظیم دیتاسنتری کنند.

جبهه منتقدان: بن‌بست داده و محاسبات

در مقابل این استراتژی، محققانی چون یان لکان، دانشمند ارشد هوش مصنوعی در متا، قاطعانه معتقدند که بزرگ‌کردن صرف مدل‌های زبانی راه به جایی نخواهد برد و این رویکرد در نهایت به بن‌بست می‌خورد.

دلایل مخالفت با قانون مقیاس‌دهی

استدلال مخالفان بر دو پایه اصلی استوار است:

• محدودیت داده: داده‌های عمومی موجود در اینترنت محدود هستند و نمی‌توان تا ابد مدل‌ها را با داده بیشتر تغذیه کرد.
• کاهش بازدهی: گزارش‌ها حاکی از آن است که تزریق سرمایه‌های هنگفت در دوره‌های اخیر، جهش هوشی کمتری نسبت به قبل در مدل‌ها ایجاد کرده است.

نمی‌توانید فرض کنید که داده و محاسبات بیشتر، لزوماً به معنای هوش بیشتر است.

مسیر جایگزین: مدل‌های جهانی

لکان و گروه منتقدان، آینده هوش مصنوعی را در توسعه «مدل‌های جهانی» (World Models) می‌بینند. این سیستم‌ها باید توانایی درک فیزیک جهان و روابط علت و معلولی را داشته باشند، نه اینکه صرفاً به حدس زدن کلمه بعدی در یک دنباله متکی باشند. این دیدگاه بر کیفیت یادگیری و درک عمیق‌تر از واقعیت، به جای حجم خام داده‌ها، تمرکز دارد.