به گزارش خبرنگار مهر؛ نشست اخیر ۶ تن از متخصصان برجسته هوش مصنوعی جهان در مراسم جایزه «ملکه الیزابت ۲۰۲۵»، فرصتی کم‌نظیر برای فهم لایه‌های عمیق تحول در هوش مصنوعی بود. به‌ویژه از آن جهت که این نشست صرفاً یک گفت‌وگوی دانشگاهی یا رسانه‌ای نبود، بلکه مجمعی از افرادی بود که خود از معماران اصلی انقلاب هوش مصنوعی به‌شمار می‌روند.

بیل دالی، یوشوا بنجیو، فی‌فی لی، یان لِکون، جفری هینتون هر یک در مقام بنیان‌گذار یک سرفصل نظری یا تجربی در تاریخ هوش مصنوعی قرار دارند و جنسن هوانگ به عنوان مهندس و طراح زیرساخت محاسباتی این انقلاب، نقش نیروی پیشران صنعتی این موج را ایفا کرده است.

به عقیده کارشناسان، اهمیت این ترکیب در آن است که در این نشست تخصصی، تاریخ، حال و آینده هوش مصنوعی نه از زبان ناظران بیرونی، بلکه از زبان کسانی روایت شد که «ساختار محاسباتی و شناختی» این فناوری را خود خلق و هدایت کرده‌اند. در نتیجه این نشست نه فقط مروری بر گذشته، بلکه ترسیم چشم‌اندازی شفاف از مسیر تحول فناوری و پیامدهای اقتصادی، اجتماعی و ژئوپلیتیکی آن بود.

مهر در این نوشتار کوتاه، محورهای کلیدی این نشست را بازخوانی می‌کند تا تصویری جامع از مبانی علمی، زیرساخت اقتصادی، روندهای تحول معماری مدل‌ها و پرسش‌های بنیادین مرتبط با آینده هوش مصنوعی ارائه شود.

ریشه‌های شکل‌گیری موج توسعه هوش مصنوعی

بر اساس دیدگاه‌های مطرح شده در این نشست، مسیر شکل‌گیری هوش مصنوعی مدرن حاصل ترکیب چند جریان موازی بود که در گذر چهار دهه به‌تدریج به نقطه انفجار رسید.

زیرساخت محاسباتی و غلبه بر سد حافظه

جنسن هوانگ در سخنان خود تصریح کرد که انقلاب هوش مصنوعی قبل از هر چیز یک «انقلاب زیرساختی» بود. در دهه ۱۹۹۰ مسئله اصلی، نه قدرت پردازش، بلکه هزینه و زمان دسترسی به داده در حافظه بود. همین موضوع باعث شد واحدهای پردازشی به شکل جریان‌ها و هسته‌های موازی سازماندهی شوند. این معماری در نهایت به تولد پردازنده‌های گرافیکی به عنوان موتور اصلی یادگیری عمیق منجر شد.

هوانگ همچنین تاکید کرد نقطه دومی که معادله جهانی هوش مصنوعی را تغییر داد، سال ۲۰۱۰ بود؛ زمانی که وی در همکاری با اندرو انگ، با استفاده از یک شبکه عصبی با تنها ۴۸ پردازنده گرافیکی توانست عملکرد یک سیستم مبتنی بر ۱۶ هزار پردازنده را تکرار کند. بر اساس اظهارات مدیر عامل شرکت انویدیا، از آن مقطع زمانی به بعد، این شرکت تصمیم گرفت «پردازش هوشمند» را به جای «پردازش گرافیکی» محور توسعه خود قرار دهد و این تصمیم، پایه ساخت مدل‌های عظیم امروز را گذاشت.

ایده‌های نظری که جلوتر از زمان خود بودند

جفری هینتون در بازخوانی تجربه خود به سال ۱۹۸۴ بازگشت؛ زمانی که مدل‌های کوچک پیش‌بینی کلمه را با روش پس‌انتشار آموزش داد؛ روشی در یادگیری عمیق که برای آموزش شبکه‌های عصبی پیشخور کورد استفاده قرار می‌گیرد. هینتون تأکید کرد اصول امروزین مدل‌های زبانی همان‌جا شکل گرفت، اما فقدان داده و نبود توان محاسباتی، این ایده را برای ۴۰ سال در حالت بالقوه نگه داشت.

یاشوا بنجیو نیز در این نشست تأکید کرد که ایده «قوانین ساده برای ساخت هوش» از همان دوران شکل گرفت. اما نقطه عطف ذهنی او دو سال و نیم پیش و بعد از انتشار چت‌جی‌پی‌تی رخ داد؛ زمانی که وی دریافت ساخت ماشین‌های دارای هدف، فهم زبان و قابلیت اقدام، بدون سازوکارهای کنترل، می‌تواند برای جهان خطرآفرین باشد.

مشاهده جهان با داده‌های اندک؛ بزرگترین ضعف ماشین‌ها

فی‌فی لی نیز توضیح داد که چرا «مشاهده جهان با داده‌های اندک» بزرگترین ضعف ماشین‌ها در گذشته بود. او یادآور شد در حالی که انسان‌ها در سال‌های نخست زندگی میلیون‌ها تصویر، صحنه و تعامل حسی را بدون برچسب و توضیح دریافت می‌کنند، الگوریتم‌های یادگیری ماشین با مجموعه‌های بسیار محدود و اغلب مصنوعی روبه‌رو بودند.

از نظر فی‌فی لی، مسئله اصلی در ناکارآمدی هوش مصنوعی، «نادان بودن ماشین» نبود، بلکه «فقدان داده‌های کافی از جهان پیرامون» بود. به عقیده وی، پروژه «ImageNet» با تجمیع و دسته‌بندی ۱۵ میلیون تصویر برچسب‌خورده، این گلوگاه را شکست و به شکل تجربی ثابت کرد که مقیاس داده پیش‌فرض یادگیری معنا در سیستمن‌های هوش مصنوعی محسوب می‌شود؛ یعنی هوشمندی نه با پیچیدگی الگوریتم، بلکه با غنای تجربه شکل می‌گیرد. به تعبیر او «ماشین‌ها در گذشته نه به دلیل ناتوانی، بلکه به دلیل کمبود داده، کم‌هوش بودند.» همین نقطه عطف بود که هوش مصنوعی را از یک فناوری آزمایشگاهی محدود، به یک فناوری صنعتی و اجتماعی تبدیل کرد؛ پدیدیه‌ای تحول‌آفرین که می‌تواند جهان واقعی را درک کرده و در آن عمل کند.

اقتصاد فناوری: چرا جهان در حال ساخت «کارخانه‌های هوش مصنوعی» است؟

نقطه مرکزی سخنان جنسن هوانگ در این نشست تخصصی، تغییر ماهیت تولید ارزش در اقتصاد مبتنی بر هوش مصنوعی بود. او توضیح داد که برخلاف نرم‌افزارهای کلاسیک که یک بار نوشته و سپس بی هزینه در میلیون‌ها دستگاه تکرار می‌شوند، هوش مصنوعی در لحظه تولید می‌شود. به عبارت دیگر، هر بار که یک مدل زبانی پاسخ می‌دهد، یک عامل کنشگر تصمیم‌گیری می‌کند یا یک سیستم توصیه‌گر محتوایی را پیشنهاد می‌دهد، یک فرآیند محاسباتی فعال در پردازنده گرافیکی پشت مدل رخ می‌دهد. به زبان ساده، هوش مصنوعی محصولی نیست که ذخیره شود، بلکه «جریانی زنده» است که در زمان استفاده، بازتولید می‌شود.

این واقعیت ساختاری، معادله اقتصاد دیجیتال را در عصر هوش مصنوعی تغییر داده است. در اقتصاد نرم‌افزار، مصرف‌کننده نهایی هزینه بسیار کمی به ازای هر بار استفاده می‌پرداخت، زیرا هزینه اصلی در لحظه تولید نرم‌افزار پرداخت شده بود؛ اما در اقتصاد هوش مصنوعی، حجم محاسبات، هم‌زمان با مصرف خدمات رشد می‌کند. هر کاربر جدید، هر درخواست و هر تعامل جدید، نیازمند انرژی، تراشه و زیرساخت است. بنابراین ارزش اقتصادی نه در فروش کُد، بلکه در ظرفیت ارائه ظرفیت محاسباتی کافی نهفته است.

از همین روی، صنعت فعلی در مرحله ساخت آنچه هوانگ از آن با عنوان «کارخانه‌های تولید توکن» یاد می‌کند قرار دارد: دیتاسنترهایی که نه فقط داده ذخیره می‌کنند، بلکه در هر لحظه واحدهای محاسباتی را برای تولید پاسخ، تحلیل، پیش‌بینی و تصمیم فعال نگه می‌دارند. این کارخانه‌ها ستون فقرات اقتصاد جدید هستند، زیرا تمام صنایع مبتنی بر هوش مصنوعی، از خدمات مالی و سلامت تا حمل‌ونقل، تولید محتوا و مدیریت زنجیره تأمین، به تولید مداوم و آنی پاسخ‌های مبتنی بر هوش مصنوعی وابسته هستند.

هوانگ مدعی است به همین دلیل سرمایه‌گذاری‌های صدها میلیارد دلاری در مراکز داده و توسعه تراشه‌ها نه یک حباب مالی، بلکه مشابه سرمایه‌گذاری برای احداث نیروگاه‌ها در عصر برق، یا شبکه فیبر نوری در آغاز اینترنت، ساخت زیربنای اقتصادی قرن بیست و یکم به شمار می‌روند. هوانگ تأکید کرد که جهان اکنون در مرحله «روشن شدن پردازنده‌های گرافیکی» قرار دارد. در حالی که در دهه ۲۰۰۰ بخش زیادی از شبکه‌های فیبر نوری برای سال‌ها بلااستفاده ماندند، امروز تقریباً تمام پردازنده‌های قدرتمند جهان فعال بوده و در حال پردازش مداوم هستند. این یعنی ما در آستانه دوره‌ای قرار داریم که «هوش مصنوعی مولد» به منبع حیاتی اقتصاد جهانی تبدیل می‌شود.

گذار معماری: از مدل‌های زبانی به عامل‌های هدفمند

به عقیده کارشناسان حاضر در این نشست، اتفاق کلیدی در روند فعلی، انتقال از «مدل‌های زبانی» به «عامل‌های کنشگر» است؛ یعنی گذار از سامانه‌هایی که تنها پاسخ می‌دهند، به سامانه‌هایی که «عمل» می‌کنند. این تغییر نه صرفاً یک جهش فنی، بلکه دگرگونی در فلسفه طراحی هوش مصنوعی محسوب می‌شود. ین لکون با اشاره به این موضوع، توضیح داد که مسیر تحول یادگیری ماشینی را می‌توان در قالب سه موج اصلی فهم کرد:

موج «ImageNet»، جایی که یادگیری نظارت‌شده، بر اساس داده‌های برچسب‌خورده، برجسته شد و ماشین‌ها توانستند «دیدن» را بیاموزند.
موج مدل‌های زبانی بزرگ، که با یادگیری مبتنی بر خودنظارتی از داده‌های خام متنی، به ماشین‌ها امکان داد «فهم و تولید زبان» را بدون نیاز به برچسب بیاموزند.
موج بعدی که در حال شکل‌گیری است نیز انتقال یادگیری خودنظارتی از متن به ویدئو، حسگرها، حرکت و تجربه تعامل با محیط به شمار می‌رود.

فی‌فی لی بر این نکته تأکید کرد که هوش انسانی بخشی اساسی و غیرزبانی، موسوم به هوش فضایی و ادراکی دارد. انسان ماهیت جهان را از طریق حرکت، لمس، شنیدن، دیدن و تعامل فیزیکی می‌آموزد. به عبارت دیگر، ما زبان را پس از ادراک و تجربه یاد می‌گیریم و قادر به آموختن آن پیش از کسب تجربه نیستیم. اما مدل‌های امروزی، از جمله پیشرفته‌ترین مدل‌های زبانی بزرگ، تقریباً فاقد این نوع تجربه هستند؛ آن‌ها جهان را «خوانده‌اند» اما در آن «زیست» نکرده‌اند. بنابراین، می‌توان نتیجه گرفت که گذار معماری در حال وقوع است و در عصر جدید، عامل‌ها تنها تولیدکننده پاسخ نیستند و برنامه‌ریز، ارزیاب و کنشگر به شمار می‌روند. این یعنی هوش مصنوعی آینده نه در قالب موتور تولید متن بلکه در هیئت سامانه‌های کنشگر ادراکی ظاهر خواهد شد.

مناقشه هوش مصنوعی جامع: رقابت برای جایگزینی یا تقویت انسان؟

در بخش پایانی نشست، بحث کلیدی بر سر جهت‌گیری توسعه هوش مصنوعی بود؛ پرسشی که نه تنها جنبه فنی دارد، بلکه ماهیتی فلسفی، اخلاقی و تمدنی پیدا کرده است. این بحث حول دو رویکرد اصلی به شرح زیر شکل گرفت:

هوش افزوده: در این رویکرد، هدف اصلی تقویت توانایی‌های انسان محسوب می‌شود. یعنی هوش مصنوعی به‌عنوان ابزاری برای بالا بردن ظرفیت تصمیم‌گیری، تحلیل، خلاقیت و بهره‌وری انسان عمل می‌کند. در این نگاه، ماشین جای انسان را نمی‌گیرد، بلکه به «لایه‌ای مکمل» برای افزایش توان شناختی و عملی او بدل می‌گردد. نظریه‌پردازان این جریان معتقدند که آینده مطلوب، آینده‌ای است که در آن انسان و ماشین به جای رقابت، در یک «زنجیره شناختی مشترک» همکاری کنند.

هوش جایگزین یا ساخت سیستم‌های هم‌تراز انسان: در این رویکرد، هدف نهایی ساخت سامانه‌ای است که بتواند عملکرد شناختی انسان را در گستره وسیعی از وظایف بازتولید یا حتی فراتر از آن رود. این همان مسیری است که اغلب با اصطلاح «هوش مصنوعی جامع» یا «AGI» شناخته می‌شود؛ هوشی که نه محدود به یک وظیفه، بلکه دارای فهم، برنامه‌ریزی، تطبیق و هدف‌مندی عمومی است.

یوشوا بنجیو نسبت به رویکرد دوم هشدار داد و تأکید کرد که ساخت سامانه‌هایی با قدرت هدف‌گذاری مستقل، بدون توسعه موازی سازوکارهای کنترل، حکمرانی و ایمنی، می‌تواند پیامدهای پیش‌بینی‌ناپذیر ایجاد کند. او پیشنهاد داد که توسعه هوش مصنوعی جامع باید هم‌زمان با چارچوب‌های اخلاقی، مکانیسم‌های محدودسازی رفتاری و سازوکارهای تضمین شفافیت و پاسخ‌گویی همراه باشد.

در مقابل، ین لکون بیان کرد که حرکت به‌سوی هوش جامع نه پروژه‌ای ناگهانی، بلکه فرآیندی تدریجی محسوب می‌شود. از نگاه او، رسیدن به این فناوری تنها در صورتی ممکن است که مرزهای کنونی در «ادراک حسی»، «یادگیری مبتنی بر تجربه» و «یادگیری خودپویای بلندمدت» شکسته شود. او معتقد است که تکامل هوش مصنوعی به شکل لایه‌لایه و با ارتقای مستمر معماری‌ها و الگوریتم‌ها رخ خواهد داد و تولد هوش مصنوعی جامع، حاصل جهشی ناگهانی نخواهد بود.

جمع‌بندی

نشست نخبگان هوش مصنوعی در حاشیه مراسم جایزه «ملکه الیزابت ۲۰۲۵»، نشان داد که موج کنونی تحول، نتیجه پیوند دیرینه‌ای میان اندیشه‌های علمی و توسعه زیرساخت‌های محاسباتی است. ایده‌هایی که در دهه ۱۹۸۰ شکل گرفتند، تنها هنگامی توانستند به چارچوب‌های کارآمد تبدیل شوند که مقیاس داده و توان پردازشی کافی در دهه ۲۰۱۰ فراهم شد. به بیان دیگر، هوش مصنوعی محصول یک جهش لحظه‌ای نیست، بلکه نتیجه بالندگی تدریجی و انباشتی طولانی‌مدت است. این تحول همچنین اقتصادی تازه را رقم زده؛ اقتصادی که در آن ارزش نه در فروش یک نرم‌افزار ثابت، بلکه در تولید مداوم و زنده هوش نهفته است. در عصر هوش مصنوعی، هر پاسخ، هر تحلیل و هر تصمیم از دل یک فرآیند محاسباتی فعال و انرژی‌بر بیرون می‌آید و همین امر، نیاز به زیرساخت‌های گسترده و پایدار را تعریف می‌کند.

در کنار این دگرگونی اقتصادی، معماری هوش مصنوعی نیز در حال تغییر است. مدل‌های زبانی که اساساً برای پیش‌بینی متن طراحی شده بودند، اکنون به تدریج جای خود را به عامل‌هایی می‌دهند که توانایی ادراک، هدف‌گذاری و کنش در محیط دارند. این حرکت مبین گذار از تولید زبان به تولید رفتار و تعامل است. اما پرسش اصلی آینده نه در تکنیک‌ها، بلکه در جهت‌گیری توسعه نهفته است. آیا هوش مصنوعی برای تقویت انسان ساخته خواهد شد یا برای جایگزینی او؟ این رابطه تعیین خواهد کرد که انسان در منظومه جدید فناوری در جایگاه کنشگر باقی می‌ماند یا به حاشیه رانده می‌شود. پرسش اصلی دیگر توانایی نیست؛ بلکه جهت‌گیری و حکمرانی محسوب می‌شود.

به بیان روشن‌تر، ما در آغاز یک تحول تمدنی قرار داریم. این تحول نه ناشی از یک اختراع واحد، بلکه حاصل هم‌زمانی سه نیروی تحول‌آفرین است:

دانش نظری دیرینه که اکنون بالفعل شده است
مقیاس داده که تجربه را برای ماشین‌ها امکان‌پذیر کرده است
ظرفیت محاسباتی که توان یادگیری و استنتاج را در لحظه فراهم می‌کند

در نهایت می‌توان نتیجه گرفت، آنچه در حال شکل‌گیری است، تنها یک فناوری تازه نیست، بلکه یک روش جدید برای تولید، توزیع و سازمان‌دهی تفکر است؛ روشی که ساختار قدرت، اقتصاد، اخلاق و حتی معنای انسان بودن را تحت تأثیر قرار می‌دهد.