چاپ

سیاست و بازاریابی - تحول مهمی که اکنون در آزمایشگاه‌های پیشرفته هوش مصنوعی رخ می‌دهد، از بهبود کیفیت پاسخ مدل‌ها فراتر رفته و به تغییر در خودِ فرایند تولید فناوری رسیده است.

به گزارش خبرنگار مهر؛ تحول مهمی که اکنون در آزمایشگاه‌های پیشرفته هوش مصنوعی رخ می‌دهد، از بهبود کیفیت پاسخ مدل‌ها فراتر رفته و به تغییر در خودِ فرایند تولید فناوری رسیده است. داده‌های تازه منتشر شده از سوی اوپن‌ای‌آی تصویری کم‌سابقه از این گذار ارائه می‌کند. بر همین اساس، عامل‌های هوش مصنوعی به بخشی از نیروی عملیاتی تحقیق و توسعه تبدیل شده‌اند، پژوهشگران تعداد بیشتری آزمایش انجام می‌دهند، بخشی از گلوگاه‌های مهندسی به ماشین سپرده شده و افق وظایفی که عامل‌ها قادر به انجام آن هستند به‌تدریج روشن‌تر می‌شود. اهمیت این تحول در یک پرسش بنیادی نهفته است. چه اتفاقی می‌افتد وقتی هوش مصنوعی از «محصول پژوهش» به یکی از «عوامل تولید پژوهش هوش مصنوعی» تبدیل شود؟
اوپن‌ای‌آی این مسیر را در قالب حرکت به سوی «پژوهشگر خودکار هوش مصنوعی» صورت‌بندی کرده است. این سامانه تحت نظارت انسان می‌تواند بخشی از پژوهش یادگیری عمیق و هم‌ترازی را انجام دهد و از این طریق در بهبود نسل‌های بعدی مدل‌ها مشارکت کند. این شرکت اعلام کرده که تا سپتامبر ۲۰۲۶ به سطح «کارآموز پژوهشی خودکار» رسیده است. در این سطح، سامانه می‌تواند وظایف پژوهشی مشخصی را که انجام آن‌ها برای یک پژوهشگر ماهر چند روز زمان می‌برد، تحت هدایت انسان به سرانجام برساند. هدف بعدی، دستیابی به یک «پژوهشگر خودکار هوش مصنوعی» تا مارس ۲۰۲۸ است .
سه روز کار ماشینی به ازای هر روز کار انسانی
شاید مهم‌ترین داده گزارش، نسبت میان زمان فعالیت عامل‌ها و نیروی انسانی باشد. تا پیش از ژوئن ۲۰۲۶، مجموع زمان اجرای عامل‌های هوش مصنوعی در سازمان پژوهشی اوپن‌ای‌آی هنوز از مجموع نیروی کار انسانی کمتر بود. این نسبت طی چند ماه تغییر کرد و در نیمه اوت به ۳.۱ روز کاری عامل هوش مصنوعی به ازای هر روز کاری انسان رسید.
الگوی مصرف پژوهشگران نیز همین تغییر ساختاری را نشان می‌دهد. بر اساس داده‌های گزارش مذکور، پژوهشگر از نظر استفاده از عامل‌ها که در ابتدای سال مصرف محدودی داشت، تا نیمه اوت روزانه بیش از ۶۰۰ دلار توان استنتاجی با قیمت‌های « API » مصرف می‌کرد. هم‌زمان، اجرای چند عامل به‌صورت موازی رواج یافته و تعداد پژوهشگرانی که چهار عامل یا بیشتر را هم‌زمان به کار می‌گیرند افزایش یافته است .
این ارقام را نباید معادل افزایش ۳.۱ برابری بهره‌وری پژوهش تلقی کرد. خود اوپن‌ای‌آی نیز چنین استنتاجی ارائه نمی‌کند. پژوهش هوش مصنوعی یک زنجیره چندمرحله‌ای است و سرعت کل زنجیره را کندترین حلقه تعیین می‌کند. برای مثال، افزایش ظرفیت تولید کد، الزاماً به همان میزان ظرفیت طراحی فرضیه، تشخیص آزمایش ارزشمند، تفسیر نتایج یا تصمیم درباره مقیاس‌دهی یک روش را افزایش نمی‌دهد. اهمیت عدد ۳.۱ در جای دیگری است و مقدار نیروی شناختی ماشینی که می‌توان در اختیار یک پژوهشگر قرار داد، تابع مستقیمی از ساعات کاری او نیست .
آزمایشگاه هوش مصنوعی در حال تبدیل‌شدن به سازمانی «چندعاملی» است
دومین نشانه تحول در تعداد آزمایش‌ها دیده می‌شود. بر اساس داده‌های اوپن‌ای‌آی، تعداد آزمایش به ازای هر پژوهشگر فعال طی سال ۲۰۲۶ افزایش یافته و در اوت به بالاترین میزان از زمان آغاز ثبت این شاخص در ژانویه ۲۰۲۵ رسیده است. افزایش استفاده از پلتفرم « Codex » با این روند همبستگی دارد، هرچند افزایش قابل توجه ظرفیت محاسباتی اوپن‌ای‌آی نیز متغیر مهم دیگر است و مانع از نسبت‌دادن تمام رشد مشاهده‌شده به عامل‌های هوش مصنوعی می‌شود .
این تمایز از منظر تحلیل بهره‌وری اهمیت زیادی دارد. چرخه تحقیق و توسعه مدل‌های مرزی مجموعه‌ای از فعالیت‌های وابسته به یکدیگر، شامل طراحی ایده، توسعه ارزیابی‌ها، نوشتن زیرساخت آزمایش، اجرای آموزش، کشف خطا، شناسایی رفتارهای ناایمن یا ناهم‌تراز و در نهایت ادغام روش موفق در آموزش مدل اصلی است. عامل‌ها اکنون بخشی از هزینه زمانی چند مرحله این زنجیره را کاهش داده‌اند. نتیجه بالقوه، کوتاه‌شدن فاصله میان «طرح فرضیه» و «دریافت شواهد تجربی» است و همین متغیر می‌تواند از تعداد خطوط کد تولیدشده برای سنجش شتاب واقعی پژوهش مهم‌تر باشد .
مرز واگذاری کار از «کدنویسی» عبور می‌کند
اوپن‌ای‌آی برای فهم دقیق‌تر نوع کار واگذارشده به عامل‌ها، فعالیت‌های آن‌ها را با طبقه‌بندی تحقیق و توسعه هوش مصنوعی « Epoch AI » تحلیل کرده است. این چارچوب چرخه تحقیق و توسعه را به شش مرحله تصمیم‌گیری، طراحی، ساخت، اجرا، تحلیل و ارتباطات تقسیم می‌کند .
داده‌های ژانویه تا اوت ۲۰۲۶ نشان می‌دهد استفاده از عامل‌ها در همه دسته‌های فعالیت پژوهشی افزایش یافته است. کدنویسی پژوهشی و زیرساختی همچنان سهم مهمی دارد، اما «کمک فنی» و «پایش اجراها» نیز رشد محسوسی را نشان می‌دهند. برنامه‌ریزی سطح بالا همچنان بخش بسیار کوچکی از خروجی عامل‌ها را تشکیل می‌دهد. بنابراین مرکز ثقل تصمیم پژوهشی هنوز انسانی باقی مانده است. در همین راستا، انسان تعیین می‌کند چه مسئله‌ای ارزش دنبال‌کردن دارد، کدام نتیجه معتبر است و چه زمانی یک سامانه باید توسعه یابد، متوقف شود یا استقرار پیدا کند .
از سوی دیگر، برخی تیم‌هایی که پیش‌تر برای رفع مشکلات فنی پژوهشگران جلسات مشاوره برگزار می‌کردند، با کاهش مراجعه در سال ۲۰۲۶ مواجه شده‌اند و دست‌کم یکی از آن‌ها این جلسات را کاملاً متوقف کرده است. کاهش فعالیت یکی از کانال‌های اصلی پشتیبانی فنی داخلی اوپن‌ای‌آی نیز همین روند را تأیید می‌کند. عامل هوش مصنوعی در این فرایند عملاً بخشی از هزینه هماهنگی سازمان پژوهشی را بر عهده گرفته است .
خودمختاری بیشتر با مداخله گسترده انسان
توانایی عامل‌ها در انجام وظایف طولانی‌تر نیز در حال افزایش است . اوپن‌ای‌آی با استفاده از یک سامانه طبقه‌بندی عامل‌محور گزارش کرده که میان ژانویه و ژوئیه سال جاری نرخ موفقیت عامل‌ها در چند سطح دشواری افزایش چشمگیری یافته است. این دشواری بر اساس زمانی تخمین زده شده که یک انسان برای انجام همان کار نیاز دارد .
با این ‌حال، داده‌ای در گزارش وجود دارد که مرز فعلی فناوری را به‌خوبی آشکار می‌کند. بر همین اساس، طی شش ماه گذشته، بیش از نیمی از وظایف موفق چهار تا هشت‌ساعته حداقل به یک مداخله انسانی نیاز داشته‌اند . بنابراین افزایش افق زمانی وظایف هنوز مترادف با استقلال عملیاتی کامل نیست. معماری غالب را دقیق‌تر می‌توان «خودکارسازی تحت هدایت» دانست. در این حالت، عامل بخش بزرگی از اجرای کار را بر عهده می‌گیرد، در حالی که انسان در نقاط تصمیم، اصلاح مسیر و ارزیابی نتیجه وارد حلقه می‌شود .
وقتی پژوهشگر هوش مصنوعی، هوش مصنوعی بهتری می‌سازد
این روند در نهایت به مفهوم « RSI » یا « Recursive Self-Improvement » می‌رسد؛ وضعیتی که در آن سامانه‌های هوش مصنوعی در پژوهش و توسعه نسل‌های توانمندتر خود مشارکت می‌کنند و نسل جدید نیز ظرفیت بیشتری برای تسریع پژوهش بعدی ایجاد می‌کند. چنین حلقه‌ای از منظر اقتصاد فناوری اهمیت ویژه‌ای دارد، زیرا می‌تواند تابع تولید پیشرفت هوش مصنوعی را تغییر دهد .
اوپن‌ای‌آی میان توسعه پژوهش خودکار و حرکت سریع به سوی « RSI » کامل تمایز قائل شده و اعلام کرده هنوز مسیر ایمنی برای دستیابی به « RSI » کامل و هم‌تراز مشخص نیست. در همین راستا، همان ابزاری که ظرفیت پژوهش قابلیت‌ها را افزایش می‌دهد، به صورت بالقوه می‌تواند پژوهش ایمنی و هم‌ترازی را تسریع کند، اما تضمینی وجود ندارد که سرعت پیشرفت این دو حوزه یکسان باقی بماند .
حادثه‌ای که آزمایش اوپن‌ای‌آی را متوقف کرد
پیچیدگی این مسئله در رخدادهای ژوئیه و اوت سال جاری میلادی آشکار شد . اوپن‌ای‌آی در گزارش خود اعلام کرده که پس از رخداد حمله سایبری عامل این شرکت به « Hugging Face » و کشف نفوذ عامل‌ها به زیرساخت پژوهشی، در ۲۰ ژوئیه سرویس کانتینری مورد استفاده برای آموزش را موقتاً تعطیل و سپس با محدودیت‌های امنیتی شدیدتر بازگردانده است. آموزش تقویتی مدل‌های جدیدی که برای استقرار در نظر گرفته شده بودند نیز برای دو هفته متوقف شد .
همچنین، در ۷ اوت، شواهد اولیه درباره احتمال برخورداری مدل « Astra » از «قابلیت‌های سایبری بحرانی» باعث اعمال محدودیت‌های امنیتی بیشتر شد. طی هفته بعد، تخصیص توان پردازشی به آزمایش‌های مدل « Astra » ۵۹.۲ درصد کاهش یافت .
از بهره‌وری پژوهش تا مسئله حکمرانی
تصویری که از این داده‌ها حاصل می‌شود، هنوز تصویر «آزمایشگاه کاملاً خودکار» نیست. وضعیت کنونی به معماری متفاوتی اشاره دارد که در آن تعداد محدودی پژوهشگر انسانی می‌توانند حجم فزاینده‌ای از نیروی پژوهشی ماشینی را هدایت کنند. ارزش اقتصادی و راهبردی این تحول نیز دقیقاً از نقطه افزایش مقیاس پژوهش بدون افزایش متناسب نیروی انسانی ناشی می‌شود.
اگر این روند ادامه یابد، شاخص تعیین‌کننده رقابت آزمایشگاه‌های پیشرفته هوش مصنوعی دیگر صرفاً تعداد پژوهشگران، حجم توان پردازش یا کیفیت مدل پایه نخواهد بود و توانایی تبدیل محاسبات به «نیروی پژوهشی عاملی»، کیفیت نظارت انسانی بر آن و سرعت تبدیل خروجی عامل‌ها به آزمایش‌های معتبر، خود به یک مزیت راهبردی مستقل تبدیل می‌شود .
به همین دلیل، انتشار شاخص‌هایی مانند روز کاری عامل به ازای نیروی انسانی، افق زمانی وظایف، نرخ مداخله انسانی، تعداد آزمایش‌ها و نحوه تخصیص محاسبات اهمیت سیاستی پیدا می‌کند . اوپن‌ای‌آی نیز خواستار الزام شرکت‌های پیشرو به ارائه عمومی گزارش پیشرفت خود به سوی « RSI » شده است. در نتیجه مسئله‌ای که پیش روی حکمرانی هوش مصنوعی قرار دارد، سنجش توانایی مدل برای تسریع تولید مدل بعدی محسوب می‌شود. نقطه‌ای که این چرخه به اندازه کافی سریع شود، می‌تواند یکی از مهم‌ترین آستانه‌های فناوری هوش مصنوعی در سال‌های آینده باشد .