استارتاپ Recursive با مدل کدنویسی Flint ایده جنجالی خودبهبودبخشی هوش مصنوعی را به واقعیت نزدیک کرد

در چند روز گذشته، ارزیابی و بررسی یک مدل کدنویسی هوش مصنوعی وزن‌باز و تحسین‌برانگیز به نام فلینت (Flint) نشان داد که رویکرد «خودبهبودبخشی بازگشتی» (Recursive Self-Improvement یا RSI) — ایده‌ای جذاب و البته بحث‌برانگیز که در آن از هوش مصنوعی برای توسعه و ارتقای خود هوش مصنوعی استفاده می‌شود — بیش از هر زمان دیگری به واقعیت نزدیک شده است.

فلینت نخستین محصول شرکت ریکرسیو (Recursive) به شمار می‌رود؛ استارتاپی که هدف اصلی خود را بهره‌گیری از RSI برای پیشبرد فناوری هوش مصنوعی و حل مسائل در سایر شاخه‌های علمی تعیین کرده است. ریچارد سوچر (Richard Socher)، مدیرعامل و هم‌بنیان‌گذار ریکرسیو، در گفت‌وگویی پیرامون این دستاورد اعلام کرد: «تقریباً تمام ابعاد چرخه توسعه این مدل به دست خود هوش مصنوعی پیاده‌سازی شده و ارتقا یافته است.»

سوچر توضیح می‌دهد که این شرکت با استفاده از یک سیستم اختصاصی هوش مصنوعی بازگشتی به نام «ماشین یورکا» (Eureka Machine)، بیشتر مراحل توسعه مدل را خودکارسازی کرده است. به گفته او، این سازوکار به تیمی کوچک متشکل از تنها چند پژوهشگر امکان داد تا ظرف چند ماه، مدلی در تراز جهانی خلق کنند.

به گفته سوچر، ماشین یورکا نوآوری‌های متعددی را در این مسیر ارائه کرده است؛ از جمله ابداع روشی نوین برای آموزش مدل پایه، معماری‌های تازه برای مدل و نگارش کدهایی که به‌طور ویژه برای تراشه‌های سیلیکونی اختصاصی بهینه‌سازی شده‌اند. داده‌های بنچمارک منتشرشده توسط ریکرسیو نشان می‌دهند که مدل فلینت در وظایف کدنویسی، از مدل‌های هم‌اندازه و دارای معماری مشابه عملکرد بهتری به نمایش می‌گذارد.

امروزه هوش مصنوعی به لطف توانمندی‌های شگفت‌انگیز خود در کدنویسی، نقشی اساسی در ساخت، سنجش و بهینه‌سازی مدل‌های هوش مصنوعی ایفا می‌کند. این قابلیت به پژوهشگران اجازه می‌دهد تا فرآیند ارتقای مدل‌ها و آزمایش ایده‌های نوین را با سرعت بسیار بالا و بدون نیاز مداوم به مداخله مستقیم انسان پیش ببرند.

علاوه بر این، می‌توان یک چرخه بسته ایجاد کرد که در آن، هوش مصنوعی خود تصمیم بگیرد چه بهبودهایی باید اعمال شوند و بلافاصله دور بعدی بهینه‌سازی را کلید بزند. اگرچه این شیوه در حال حاضر با محدودیت‌هایی روبه‌رو است، اما در صورتی که هوش مصنوعی بتواند در تمامی مراحل توسعه مدل نقش‌آفرینی کند، این فرآیند از نظر تئوری قابلیت تداوم بی‌پایان را خواهد داشت.

با این همه، گروهی از کارشناسان نسبت به واگذاری فرآیند ارتقای هوش مصنوعی به خودش با چنین شیوه‌ای ابراز نگرانی می‌کنند و آن را بسترساز فاجعه می‌دانند. این دسته از منتقدان بر این باورند که هوش مصنوعی با توانایی خودبهبودبخشی نامحدود، سرانجام می‌تواند از دایره مهار و کنترل انسان خارج شود و حتی انسان‌ها را مانعی در مسیر دستیابی به اهداف خود قلمداد کند.

این دغدغه‌ها در ماه سپتامبر گذشته بازتاب گسترده‌تری پیدا کرد؛ زمانی که یکی از پژوهشگران شرکت آنتروپیک (Anthropic) از سمت خود استعفا داد و هشدار داد که شتاب پیشرفت هوش مصنوعی، به‌ویژه با تکیه بر خودبهبودبخشی بازگشتی، ممکن است ظرف چند سال آینده خطرات جبران‌ناپذیری برای حیات بشر در پی داشته باشد؛ هشداری که سپس از سوی چند صاحب‌نظر دیگر نیز بازگو شد. ایده RSI چنان جنجالی شده که تا به امروز چندین طرح قانونی در کنگره ایالات متحده برای ممنوعیت توسعه آن پیشنهاد شده است.

در نقطه مقابل، شرکت ریکرسیو این قبیل نگرانی‌ها را بیشتر به فیلم‌های علمی‌تخیلی شبیه می‌داند تا واقعیت‌های ملموس، و باور دارد تصویب قوانین محدودکننده برای متوقف ساختن RSI، مانعی غیرضروری در مسیر پیشرفت فناوری خواهد بود.

سوچر خاطرنشان می‌کند که مدل فلینت با سامانه‌ای توسعه یافته که عملاً امکان خروج از مهار انسان را ندارد. به گفته او، هرچند هدف نهایی این است که ماشین یورکا به خودبهبودبخشی بازگشتی تمام‌عیار دست یابد، اما این چرخه همواره تحت نظارت دقیق متخصصان انسانی خواهد بود تا در صورت بروز کوچک‌ترین انحراف متوقف شود. او می‌افزاید: «امیدواریم این دستاورد به همه نشان دهد که ما تمام تمهیدات لازم را برای نظارت بر چنین سیستمی مهیا کرده‌ایم.»

استارتاپ ریکرسیو تاکنون موفق به جذب ۶۵۰ میلیون دلار سرمایه با ارزش‌گذاری ۴٫۶۵ میلیارد دلار از سرمایه‌گذاران نامداری چون گوگل ونچرز، گری‌کرافت، انویدیا و ای‌ام‌دی ونچرز شده است. سوچر پیش از این دانشمند ارشد سیلزفورس (Salesforce) بود و در میان هم‌بنیان‌گذاران او نام جف کلون (Jeff Clune)، استاد دانشگاه بریتیش کلمبیا و پژوهشگر حوزه سیستم‌های هوش مصنوعی با یادگیری بی‌پایان، به چشم می‌خورد.

آزمایش‌های میدانی انجام‌شده روی فلینت کارایی چشمگیر آن را به اثبات می‌رساند. این مدل روی یک رایانه مک با ۴۸ گیگابایت حافظه رم مورد سنجش قرار گرفت؛ ظرفیتی مناسب که برای اجرای محلی یک مدل با ابعاد متوسط مانند فلینت با ۴۰ میلیارد پارامتر کفایت می‌کند. این در حالی است که بزرگ‌ترین مدل‌های روز دنیا از صدها میلیارد یا چندین تریلیون پارامتر تشکیل شده‌اند و تنها روی سرورهای غول‌پیکر مراکز داده قابل اجرا هستند.

در فرآیند بررسی و سنجش توانایی‌های فلینت در تولید برنامه‌های گوناگون، این مدل عملکردی سریع و قدرتمند از خود به‌جای گذاشت. در حالی که مدل‌هایی در این اندازه معمولاً در مقایسه با گزینه‌های پرچمداری چون کلود (Claude) یا کدکس (Codex) خطاهای متعددی تولید می‌کنند یا سرعت پایینی دارند، فلینت دستورات کدنویسی را بدون اشکال اجرا کرد. این مدل توانست یک ابزار خط فرمان برای مدیریت فهرست کارها (To-Do List) بنویسد، برنامه‌ای برای جستجوی وب پیرامون تازه‌ترین مقالات مرتبط با خودبهبودبخشی بازگشتی بسازد و حتی یک وب‌سایت ساده برای توضیح سازوکار RSI طراحی کند که می‌توانید نمونه آن را در این نشانی اینترنتی مشاهده کنید.

هنوز ابعاد پیشرفت سایر آزمایشگاه‌های هوش مصنوعی در آمریکا در زمینه خودبهبودبخشی بازگشتی به روشنی مشخص نیست، اما گزارش‌های منتشره نشان می‌دهند که ساخت سیستم‌های کاملاً بازگشتی از لحاظ فنی امکان‌پذیر شده است. به‌عنوان نمونه، پژوهشگرانی از مایکروسافت، دانشگاه کارنگی ملون و دانشگاه ویرجینیا اخیراً در مقاله‌ای نشان دادند که چگونه یک ایجنت کدنویسی هوش مصنوعی می‌تواند با اصلاح زیرساخت نرم‌افزاری و تغییر وزن‌های مدل خود، به‌صورت بازگشتی عملکردش را بهبود ببخشد؛ سازوکاری که فرآیند استدلال را به اقداماتی عملی و مؤثر تبدیل می‌کند.

شاید اگر هوش مصنوعی به آستانه یک هوش فوق‌بشری و همه‌چیزدان نزدیک شود، رویکرد RSI خطراتی به‌همراه داشته باشد، اما در حال حاضر این سازوکار روشی بسیار امیدوارکننده برای ارتقا و بهینه‌سازی مدل‌های هوش مصنوعی قلمداد می‌شود.

سوچر معتقد است روش به کار رفته در توسعه فلینت می‌تواند بهره‌مندی از هوش مصنوعی پیشرفته را برای گروه‌های بیشتری تسهیل کند. او در پایان خاطرنشان می‌کند: «این تنها روشی است که به یک تیم بسیار جمع‌وجور اجازه می‌دهد مدلی بسازد که در رده خود از رقبایش بهتر عمل کند. امیدواریم این دستاورد به همگان اثبات کند که خودبهبودبخشی بازگشتی رویکردی بسیار سودمند است و ارزش فراوانی برای جامعه به‌همراه خواهد داشت.»