تحقیق MIT: پیشرفت هوش مصنوعی، بیشتر وابسته به قدرت محاسباتی تا هوش الگوریتمی

تحلیل جامع MIT: قدرت محاسباتی در برابر نوآوری الگوریتمی

پژوهشگران MIT، به سرپرستی ماتیاس مرتنز، عملکرد 809 مدل زبانی بزرگ را به دقت مورد بررسی قرار دادند. هدف این تحقیق، تعیین سهم هر یک از عوامل کلیدی – قدرت محاسباتی، نوآوری‌های الگوریتمی اختصاصی و پیشرفت‌های عمومی صنعت – در دقت نهایی و کارایی مدل‌های هوش مصنوعی بود. نتایج این مطالعه به وضوح نشان داد که قدرت محاسباتی بیشترین تأثیر را بر دقت مدل‌ها دارد و در این زمینه، از هرگونه نوآوری الگوریتمی به شکل چشمگیری پیشی گرفته است.

مدل‌های زبانی در صدک 95 برای آموزش خود به 1,321 برابر توان محاسباتی بیشتری نسبت به مدل‌های ضعیف‌تر نیاز دارند. این شکاف عظیم نشان می‌دهد که دسترسی به منابع محاسباتی گسترده، عامل تعیین‌کننده در عملکرد برتر مدل‌های پیشرو (frontier) است.

با این حال، نباید نقش پیشرفت‌های الگوریتمی و تکنولوژی‌های اختصاصی شرکت‌ها را نادیده گرفت. این نوآوری‌ها همچنان در کاهش هزینه‌ها و بهبود عملکرد مدل‌های کوچک‌تر اهمیت دارند و توسعه‌دهندگان با بودجه محدود می‌توانند با بهره‌گیری از نرم‌افزارهای هوشمند به عملکرد قابل مقایسه‌ای دست یابند.

چالش‌های سخت‌افزاری و هزینه‌های سرسام‌آور

یکی از بزرگترین موانع در مسیر توسعه هوش مصنوعی، افزایش مداوم هزینه سخت‌افزار است. قیمت تراشه‌ها و اجزای شبکه‌ای مورد نیاز برای گسترش زیرساخت‌های هوش مصنوعی به طور پیوسته رو به افزایش است. آمارها نشان می‌دهد که در سال 2025، میانگین قیمت تراشه‌ها نسبت به سال 2019 حدود 70 درصد افزایش داشته است.

اگرچه واحدهای پردازش گرافیکی (GPU) پیشرفته‌ای مانند Nvidia Blackwell یا Rubin کارایی بهتری نسبت به نسل‌های قبلی خود ارائه می‌دهند، اما شرکت‌ها برای تأمین توان محاسباتی لازم برای مدل‌های پیشرو بعدی، باید تعداد بسیار زیادی از این تراشه‌ها را خریداری کنند. این نیاز به سرمایه‌گذاری عظیم، توجیه‌کننده هزینه‌های سالانه هزاران میلیارد دلاری شرکت‌های بزرگی مانند گوگل، متا و OpenAI است. همچنین، تلاش‌های سم آلتمن، مدیرعامل OpenAI، برای جذب ده‌ها میلیارد دلار سرمایه و برنامه‌ریزی برای هزینه بیش از یک تریلیون دلار، ریشه در همین واقعیت دارد.

نوآوری نرم‌افزاری: راهکاری برای کاهش هزینه‌ها

با وجود وابستگی شدید به قدرت محاسباتی، پژوهش MIT تأکید می‌کند که پیشرفت‌های مهندسی و الگوریتمی همچنان می‌توانند به کاهش هزینه‌ها کمک کنند. مدل‌های کوچک‌تر با بودجه محدود، با استفاده از الگوریتم‌های هوشمند می‌توانند به عملکردی مشابه مدل‌های پیشرو در زمینه‌های پیش‌بینی و استنتاج دست یابند. این به معنای آن است که نوآوری در حوزه نرم‌افزار، به شرکت‌های کوچک‌تر اجازه می‌دهد تا با مصرف کمتر انرژی و منابع، به کارایی مطلوب دست پیدا کنند.

دو قطبی شدن دنیای هوش مصنوعی

در نهایت، دنیای هوش مصنوعی امروز به دو بخش اصلی تقسیم شده است:

• شرکت‌های بزرگ: این شرکت‌ها با در اختیار داشتن منابع محاسباتی عظیم، مدل‌های پیشرو (frontier) را توسعه داده و در صدر نگه می‌دارند.
• شرکت‌های کوچک‌تر: این شرکت‌ها با بهره‌گیری از الگوریتم‌های بهینه و نوآوری نرم‌افزاری، مدل‌های مقرون‌به‌صرفه و کارآمدی را ایجاد می‌کنند.

به طور کلی، می‌توان نتیجه گرفت که افزایش دقت و هوشمندی هوش مصنوعی بیش از هر چیز به قدرت محاسباتی وابسته است، در حالی که الگوریتم‌های پیشرفته و نوآوری‌های اختصاصی نقش مکمل و تقویتی را ایفا می‌کنند.