غزل: “شما فقط می توانید پول زیادی را برای یک مشکل خرج کنید.” این آخرین موقعیت محققان هوش مصنوعی در پاسخ به ابهامات در رابطه با سرمایه گذاری در دنیای فناوری است.
به تازگی ، از نظرسنجی در بین محققان سؤال شده است که آیا میزان رویکردهای فعلی به هوش مصنوعی برای به دست آوردن هوش مصنوعی (AGI) یا هوش مصنوعی منجر به یک هدف کلی مطابق با یا فراتر از دانش بشری می شود. جالب اینجاست که 5 ٪ از پاسخ دهندگان چنین موفقیت را “بعید” یا “بسیار بعید” می دانستند.
از این نظرسنجی که دانشمندان در پیشرفت هوش مصنوعی Gesellschaft Für انجام شده ، خواسته شده است تا محققان اطلاعاتی 4 راه را به منظور مقابله با روش ترجیحی صنعت فناوری برای دستیابی به سودهای هوش مصنوعی (مدل های تولیدی و مراکز داده با سخت افزار بیشتر برای آموزش) بررسی کنند.
با توجه به این واقعیت که هوش مصنوعی عمومی (AGI) بازی نهایی است که توسط توسعه دهندگان هوش مصنوعی ادعا می شود ، می توان گفت که این میزان از هوش مصنوعی به طور کلی به عنوان بن بست در نظر گرفته می شود.
استوارت راسل ، دانشمند رایانه در دانشگاه کالیفرنیا گفت: “سرمایه گذاری های گسترده در مقیاس والا ، بدون تلاش قابل مقایسه برای درک آنچه اتفاق می افتد ، همیشه جابجایی شده است.” “من فکر می کنم یک سال پیش ، همه دریافتند که افزایش مقیاس (یعنی سیستم های گسترش یافته یا افزایش داده ها و عملکرد پردازش) در هوش مصنوعی به هیچ نتیجه ای جدید و مثبت نمی رسد.”
TechCrunch در گزارش خود همچنین دریافت که مبالغ عظیمی از پول در مسابقه تسلیحات برای هوش مصنوعی رد می شود ، که یادآوری می کند که سرمایه گذاری های تولیدی برای هوش مصنوعی یک سال فقط به بیش از 5 میلیارد دلار سرمایه گذاری سرمایه گذاری ، که بیشتر آنها در ساخت یا اجرای مراکز داده بزرگ هزینه می شود ، دست یافت.
به عنوان مثال ، مایکروسافت هر سال 5 میلیارد دلار برای اطلاعات هوش مصنوعی صادر کرده است.
در ضمن ، نیاز انرژی به همان اندازه شگفت انگیز است. مایکروسافت برای ارائه مراکز داده خود قراردادی برای معرفی نیروگاه هسته ای کامل امضا کرد و گوگل و آمازون ، رقبا مایکروسافت ، قراردادهای بزرگ انرژی هسته ای را امضا کرده اند.
dipsip اختراع شده است
این فرض که هوش مصنوعی از طریق مقیاس گذاری می تواند به طور نامحدود بهبود یابد ، همیشه ابهامات زیادی دارد. به عنوان مثال ، ظهور استارتاپ چینی Deepseek بحران بزرگی را در بخش فناوری ایجاد کرد. از آنجا که مدل استارتاپ چینی ، که با قدرت نسبتاً ارزان و بالایی آموزشی صورت می گیرد ، با چت غربی با چندین میلیارد دلار رقابت می کند.
در نوامبر سال گذشته ، گزارش های OpenAI نشان داد که نسخه آینده مدل GPT Big Language پیشرفت چندانی ندارد و در برخی موارد پیشرفت در نسخه های قبلی وجود ندارد.
در ماه دسامبر ، مدیرعامل Google ، Sandar Pichai ، اعلام کرد که موفقیت جزئی از هوش مصنوعی به پایان رسیده است ، در حالی که اطمینان دارد که هیچ دلیلی وجود ندارد که صنعت نتواند اندازه خود را افزایش دهد.
روشهای ارزان تر و کارآمدتر در حال انجام بود و OpenAI از روشی به نام “محاسبه زمان آزمون” با آخرین مدل های خود استفاده کرد ، که در آن هوش مصنوعی زمان بیشتری را برای انتخاب مناسب ترین راه حل صرف کرد. محققان ادعا كردند كه این امر عملکرد را افزایش داده است. البته ، دانشمند رایانه در دانشگاه پرینستون ، آرند ناریان ، اعتقاد ندارد: “بعید است که این رویکرد یک برگه سود باشد.”
در عین حال ، Deepsik یک رویکرد پیشگام بود ، که از آن به عنوان “ترکیبی از متخصصان” یاد می شد ، که در آن از شبکه های عصبی بی شماری استفاده می شد ، که هر یک به جای تکیه بر یک مدل عمومی واحد ، در زمینه های مختلف تخصص دارند.
با این حال ، اگر مایکروسافت 10 میلیارد دلار در مراکز داده خرج کند ، مقیاس پذیری وحشتناک غول های صنعت همچنان تخمین می زند. این به استارتاپ های ضعیف تر برای انجام کارهای بیشتر واگذار شده است.
منبع: آینده نگر
۲۲۷۲۲۷