هوش مصنوعی عمومی (AGI) چیست و چقدر نزدیک است
هر چند ماه یک تیتر میگوید تا دو سال دیگر میرسد و یک تیتر دیگر میگوید هرگز. هیچکدام اندازهگیری نیست. اینجا میبینیم دعوا سر چیست.
هر چند ماه یک تیتر میگوید هوش مصنوعی عمومی تا دو سال دیگر میرسد. چند هفته بعد یک تیتر دیگر میگوید مسیر اصلاً غلط است و این چیزها هیچوقت به آنجا نمیرسند. هیچکدام از این دو، اندازهگیری نیست؛ هر دو پیشبینیاند و پیشبینیکنندهها حتی سر تعریف مقصد با هم توافق ندارند.
پس بیایید بهجای جواب دادن به «کِی»، ببینیم دعوا سر چیست: AGI یعنی چه، مدلهای امروز کجای این ماجرا ایستادهاند، و چرا سنجیدن این فاصله اینقدر سخت است.
تعریفهایی که با هم نمیخوانند
سه تعریف رایج وجود دارد و هر کدام جواب متفاوتی به «چقدر نزدیکیم» میدهد:
- تعریف شناختی: سامانهای که هر کار فکری انسان معمولی را بدون آموزش اختصاصی انجام دهد.
- تعریف اقتصادی: سامانهای که بتواند بخش بزرگی از کارهای دارای ارزش اقتصادی را انجام دهد. این تعریف کاربردیتر است و مرزش هم مبهمتر.
- تعریف تعمیممحور: سامانهای که بتواند مهارت تازهای را با تعداد کم نمونه یاد بگیرد — همان کاری که یک بچه میکند.
وقتی کسی میگوید «نزدیکیم»، اول بپرسید کدام تعریف. با تعریف اقتصادی میشود گفت بخشی از راه رفته شده؛ با تعریف تعمیممحور، هنوز مسئلهی حلنشدهای وسط است.
مدلهای امروزی کجا ایستادهاند
واقعبینانهترین توصیف این است: مدلهای زبانی امروز در دامنهی بسیار وسیعی از کارها «خوب» هستند و در هیچکدام «قابل اتکا» نیستند. همان مدلی که یک متن حقوقی پیچیده را درست خلاصه میکند، ممکن است در شمردن حروف یک کلمه اشتباه کند.
چند ضعف پایدار که با بزرگتر شدن مدلها کم شده ولی از بین نرفته:
- یادگیری مستمر ندارند. مدل بعد از هر گفتگو چیزی یاد نمیگیرد. حافظهای که میبینید، متنی است که دوباره به آن داده میشود.
- کارهای طولانی را نیمهکاره میگذارند. هرچه زنجیرهی کار بلندتر شود، احتمال انحراف بالا میرود. همین دلیل اصلی محدودیتهای امروز ایجنتهای هوش مصنوعی است.
- در مسائل واقعاً تازه ضعیفاند. جایی که الگویی شبیهش در داده نبوده، کیفیت بهشدت افت میکند.
روان بودن متن را با فهمیدن اشتباه نگیرید. مدل میتواند جملهی کاملاً درستی بسازد دربارهی چیزی که اصلاً وجود ندارد. این ویژگی از نحوهی کارشان میآید، نه از یک نقص قابل وصله؛ توضیح مکانیزم در مدلهای هوش مصنوعی چطور کار میکنند آمده است.
چرا آزمونها جواب روشنی نمیدهند
آزمون تورینگ سالهاست معیار جدی حساب نمیشود، چون فریبدادن یک انسان در گفتگوی کوتاه، مهارت زبانی است نه هوش. جای آن، آزمونهای تخصصی آمدهاند — و هر بار که مدلی روی یکی از آنها اشباع میشود، بحث تازهای شروع میشود که آیا واقعاً فهمیده یا الگو را حفظ کرده.
دو مشکل ساختاری اینجا هست. اول آلودگی داده: خیلی از این آزمونها در اینترنت هستند و احتمالاً بخشی از دادهی آموزشی شدهاند. دوم اینکه نمرهی بالا در آزمون، چیزی دربارهی رفتار مدل در کار واقعیِ نامرتب نمیگوید. آزمون ARC-AGI دقیقاً برای دور زدن مشکل اول طراحی شده: مسائلی که برای انسان سادهاند و در دادهی آموزشی نمونه ندارند.
دو طرف بحث، کنار هم
| استدلال «نزدیک است» | استدلال «فاصله زیاد است» |
|---|---|
| بزرگتر کردن مدلها تا حالا مدام توانایی تازه آورده | دادهی باکیفیت انسانی محدود است و رشد به همین راحتی ادامه نمییابد |
| مدلها از متن به تصویر و صدا و کد گسترش یافتهاند | هیچکدام از اینها مسئلهی یادگیری مستمر را حل نکرده |
| ابزارها و حافظهی بیرونی، ضعفهای ذاتی را جبران میکنند | جبران با ابزار، توانایی مدل نیست؛ داربست بیرونی است |
| سرمایه و نیروی متمرکز روی این حوزه بیسابقه است | سرمایهی زیاد، مسئلهی علمیِ حلنشده را حل نمیکند |
هر دو ستون استدلالهای جدی دارند. کسی که فقط یک ستون را نقل میکند، دارد موضع تبلیغ میکند نه وضعیت را توصیف.
چرا پیشبینیها اینقدر پخشاند
وقتی نه مقصد تعریف مشترک دارد و نه معیار پیشرفت واحدی هست، بازهی پیشبینیها ناچار پهن میشود. به این اضافه کنید که بخشی از پیشبینیکنندهها منافع مستقیم دارند — چه در بزرگنمایی و چه در کوچکنمایی. توصیهی عملی: هر تاریخ قطعی را با احتیاط بخوانید و ببینید گوینده چه چیزی را دقیقاً پیشبینی میکند.
چه چیزی برای شما عوض میشود
بحث AGI جذاب است ولی برای کاربر، تصمیمساز نیست. آنچه امروز اثر دارد ملموستر است: یاد بگیرید کجا خروجی را باور نکنید، دادهی حساس را جدا نگه دارید، و مهارتی بسازید که مکمل ابزار باشد نه رقیبش. تصویر عملیتر این تغییر در آیندهی شغلها با هوش مصنوعی و اشتباهات رایج در کار با هوش مصنوعی آمده است. برای مرور تعریفهای آکادمیک هم مدخل ویکیپدیا نقطهی شروع بیطرفی است.
جمعبندی
جواب صادقانه به «چقدر نزدیک است» این است: نمیدانیم، و کسی که ادعا میکند میداند، احتمالاً تعریف خودش را جای واقعیت گذاشته. آنچه میدانیم این است که فاصلهی امروز، فاصلهی چند مسئلهی حلنشده است نه فقط چند برابر شدن اندازهی مدلها.
در این میان، ابزارهای موجود کارهای واقعی انجام میدهند و ارزش یادگرفتن دارند — مستقل از اینکه آن مقصد دور کِی برسد یا اصلاً برسد. برای شروع کار عملی، نارنگی در دسترس است.
برای ادامه:
