انتقاد تند فرانسوا شوله از اوپن‌ای‌آی: «مدل‌های زبانی رسیدن به AGI را یک دهه عقب انداختند!»

این روز‌ها خیلی از توسعه‌دهندگان و آزمایشگاه‌های پیشروی هوش مصنوعی علناً به دنبال دستیابی به «هوش جامع مصنوعی» (AGI) هستند؛ رویایی که دانشمندان آن را هوشی هم‌سطح انسان توصیف می‌کنند؛ سیستمی که بتواند درست مانند انسان استدلال کند و مهارت‌های کاملاً تازه‌ای را خارج از داده‌های آموزشی خود یاد بگیرد. اما آیا همه آن‌ها واقعاً در مسیر درستی قدم برمی‌دارند؟

دنبال سراب رفتن

اگر روزی واقعاً به AGI برسیم، اصلاً از کجا باید مطمئن شویم به آن دست یافته‌ایم؟ معیارهای سنجش و بنچمارک‌های متعددی وجود دارد، اما فرانسوا شوله درست چند ماه پیش از گفت‌وگو با پادکست دوارکش (Dwarkesh Podcast)، جایزه معروف ARC Prize را هم‌بنیان‌گذاری کرد تا ته و توی همین ماجرا را دربیاورد.

شوله در این مصاحبه خیلی صریح آب پاکی را روی دست همه ریخت و توضیح داد که مدل‌های زبانی بزرگ (LLM) که بر پایه شبکه‌های عصبی کنونی هستند، برای رسیدن به AGI عملاً یک «بن‌بست» به شمار می‌روند. البته او اشاره کرد این حرف به این معنا نیست که مدل‌های زبانی جای پیشرفت ندارند؛ این ابزار‌ها قطعاً می‌توانند قدرتمندتر، خودکارتر و برای کسب‌وکارها مفیدتر شوند، اما چنین پیشرفتی فرسنگ‌ها با مفهوم هوش جامع انسان‌گونه فاصله دارد.

به باور شوله، سرازیر شدن میلیاردها دلار سرمایه به سمت مدل‌های زبانی و بی‌توجهی به معماری‌های جایگزین، باعث شده مسیر واقعی رسیدن به AGI نادیده گرفته شود؛ نتیجه این رویکرد هم این بوده که پیشرفت واقعی تا یک دهه به تعویق افتاده است!

سیستم‌های هوشمند

با وجود باور قاطعانه شوله مبنی بر اینکه مدل‌های زبانی ما را حتی یک قدم هم به AGI نزدیک‌تر نمی‌کنند، بسیاری از مدیران ارشد شرکت‌های فناوری طی هفته‌های اخیر مدام در حال صحبت درباره خطرات احتمالی این فناوری برای بقای بشریت بوده‌اند.

در آستانه عرضه اولیه عمومی (IPO) شرکت‌هایی مثل اوپن‌ای‌آی (OpenAI) و آنتروپیک (Anthropic)، هر دو کمپانی به نوبت اخباری از حوادث نگران‌کننده مانند رخنه‌های امنیت سایبری منتشر کرده‌اند. از نگاه بسیاری از کارشناسان، انتشار این روایت‌ها و بزرگ‌نمایی خطرات، بیش‌تر با هدف ایجاد هایپ و جلب توجه سرمایه‌گذاران برای ارزش‌گذاری بالا‌تر صورت می‌گیرد.

اما از دیدگاه شوله، هدف بنیادین طراحی بنچمارک ARC-AGI این است که پیشرفت واقعی به سمت AGI را ارزیابی کند. واقعیت ماجرا این است که با وجود بهبود نسبی عملکرد مدل‌های زبانی در این آزمون چالش‌برانگیز، هنوز هیچ هوش مصنوعی نتوانسته حتی به استانداردهای حل این آزمون‌ها نزدیک شود.