به گزارش خط رند ۹۱۲ به نقل از مهر؛ تحول مهمی که حالا در لابراتوار های پیشرفته هوش مصنوعی رخ می دهد، از بهبود کیفیت پاسخ مدلها فراتر رفته و به تغییر در خودِ مراحل ساخت فناوری رسیده است. داده های تازه انتشار یافته از طرف اوپن ای آی تصویری کم سابقه از این گذار عرضه می کند. بر همین اساس، عامل های هوش مصنوعی به قسمتی از نیروی عملیاتی پژوهش و توسعه تبدیل گشته اند، محققان تعداد بیشتری آزمایش انجام می دهند، قسمتی از گلوگاه های مهندسی به ماشین سپرده شده و افق وظایفی که عامل ها قادر به انجام آن هستند بتدریج روشن تر می شود. اهمیت این تحول در یک پرسش بنیادی نهفته است. چه اتفاقی می افتد وقتی هوش مصنوعی از «محصول پژوهش» به یکی از «عوامل تولید پژوهش هوش مصنوعی» تبدیل شود؟
اوپن ای آی این مسیر را در قالب حرکت به طرف «پژوهشگر خودکار هوش مصنوعی» صورت بندی کرده است. این سامانه تحت نظارت انسان می تواند قسمتی از پژوهش یادگیری عمیق و هم ترازی را انجام دهد و از این راه در بهبود نسل های بعدی مدلها مشارکت کند. این شرکت اعلام نموده که تا سپتامبر ۲۰۲۶ به سطح «کارآموز پژوهشی خودکار» رسیده است. در این سطح، سامانه می تواند وظایف پژوهشی مشخصی را که انجام آنها برای یک پژوهشگر ماهر چند روز زمان می برد، تحت هدایت انسان به عاقبت برساند. هدف بعدی، رسیدن به یک «پژوهشگر خودکار هوش مصنوعی» تا مارس ۲۰۲۸ است.
سه روز کار ماشینی به ازای هر روز کار انسانی
شاید مهم ترین داده گزارش، نسبت میان زمان فعالیت عامل ها و نیروی انسانی باشد. تا قبل از ژوئن ۲۰۲۶، مجموع زمان اجرای عامل های هوش مصنوعی در سازمان پژوهشی اوپن ای آی هنوز از مجموع نیروی کار انسانی کمتر بود. این نسبت طی چند ماه تغییر نمود و در نیمه اوت به ۳.۱ روز کاری عامل هوش مصنوعی به ازای هر روز کاری انسان رسید.
الگوی مصرف محققان هم همین تغییر ساختاری را نشان میدهد. برمبنای داده های گزارش مذکور، پژوهشگر از نظر استفاده از عامل ها که در آغاز سال مصرف محدودی داشت، تا نیمه اوت روزانه بالاتر از ۶۰۰ دلار توان استنتاجی با قیمت های «API» مصرف می کرد. هم زمان، اجرای چند عامل بصورت موازی رواج یافته و تعداد محقق هایی که چهار عامل یا بیشتر را هم زمان به کار می گیرند افزایش پیدا کرده است.
این ارقام را نباید معادل افزایش ۳.۱ برابری بهره وری پژوهش تلقی نمود. خود اوپن ای آی هم چنین استنتاجی عرضه نمی نماید. پژوهش هوش مصنوعی یک زنجیره چندمرحله ای است و سرعت کل زنجیره را کندترین حلقه تعیین می کند. بعنوان مثال، افزایش ظرفیت تولید کد، الزاماً به همان میزان ظرفیت طراحی فرضیه، تشخیص آزمایش ارزشمند، تفسیر نتایج یا تصمیم در رابطه با مقیاس دهی یک روش را افزایش نمی دهد. اهمیت عدد ۳.۱ در جای دیگری است و مقدار نیروی شناختی ماشینی که می توان در اختیار یک پژوهشگر قرار داد، تابع مستقیمی از ساعات کاری او نیست.
آزمایشگاه هوش مصنوعی درحال تبدیل شدن به سازمانی «چندعاملی» است
دومین نشانه تحول در تعداد آزمایش ها دیده می شود. برمبنای داده های اوپن ای آی، تعداد آزمایش به ازای هر پژوهشگر فعال طی سال ۲۰۲۶ افزایش پیدا کرده و در اوت به بالاترین میزان از زمان آغاز ثبت این شاخص در ژانویه ۲۰۲۵ رسیده است. افزایش استفاده از پلت فرم «Codex» با این روند همبستگی دارد، هرچند افزایش قابل توجه ظرفیت محاسباتی اوپن ای آی هم متغیر مهم دیگر است و مانع از نسبت دادن تمام رشد مشاهده شده به عامل های هوش مصنوعی می شود.
این تمایز از نظر تحلیل بهره وری اهمیت زیادی دارد. چرخه پژوهش و توسعه مدلهای مرزی مجموعه ای از فعالیتهای وابسته به یکدیگر، شامل طراحی ایده، توسعه ارزیابی ها، نوشتن زیرساخت آزمایش، اجرای آموزش، کشف خطا، شناسایی رفتارهای ناایمن یا ناهم تراز و در نهایت ادغام روش موفق در آموزش مدل اصلی است. عامل ها حالا قسمتی از هزینه زمانی چند مرحله این زنجیره را کاهش داده اند. نتیجه بالقوه، کوتاه شدن فاصله میان «طرح فرضیه» و «دریافت شواهد تجربی» است و همین متغیر می تواند از تعداد خطوط کد تولیدشده برای سنجش شتاب حقیقی پژوهش مهم تر باشد.
مرز واگذاری کار از «کدنویسی» عبور می کند
اوپن ای آی برای فهم دقیق تر نوع کار واگذارشده به عامل ها، فعالیتهای آنها را با طبقه بندی پژوهش و توسعه هوش مصنوعی «Epoch AI» تحلیل کرده است. این چارچوب چرخه پژوهش و توسعه را به شش مرحله تصمیم گیری، طراحی، ساخت، اجرا، تحلیل و ارتباطات تقسیم می کند.
داده های ژانویه تا اوت ۲۰۲۶ نشان میدهد استفاده از عامل ها در همه دسته های فعالیت پژوهشی افزایش پیدا کرده است. کدنویسی پژوهشی و زیرساختی همچنان سهم مهمی دارد، اما «کمک فنی» و «پایش اجراها» هم رشد محسوسی را نشان می دهند. برنامه ریزی سطح بالا همچنان بخش بسیار کوچکی از خروجی عامل ها را تشکیل می دهد. ازاین رو مرکز ثقل تصمیم پژوهشی هنوز انسانی باقیمانده است. در همین جهت، انسان تعیین می کند چه مساله ای ارزش دنبال کردن دارد، کدام نتیجه معتبر است و چه زمانی یک سامانه باید توسعه یابد، متوقف شود یا استقرار پیدا کند.
از سوی دیگر، برخی تیم هایی که قبل تر برای رفع مشکلات فنی محققان جلسات مشاوره برگزار می کردند، با کاهش رجوع در سال ۲۰۲۶ مواجه گشته اند و دست کم یکی از آنها این جلسات را کاملا متوقف کرده است. کاهش فعالیت یکی از کانال های اصلی پشتیبانی فنی داخلی اوپن ای آی هم همین روند را تأیید می کند. عامل هوش مصنوعی در این فرآیند عملا قسمتی از هزینه هماهنگی سازمان پژوهشی را بر عهده گرفته است.
خودمختاری بیشتر با مداخله گسترده انسان
توانایی عامل ها در انجام وظایف طولانی تر هم در حال افزایش می باشد. اوپن ای آی با استفاده از یک سامانه طبقه بندی عامل محور گزارش کرده که میان ژانویه و ژوئیه سالجاری نرخ موفقیت عامل ها در چند سطح دشواری افزایش شایان توجهی یافته است. این دشواری برمبنای زمانی تخمین زده شده که یک انسان برای انجام همان کار نیاز دارد.
با این حال، داده ای در گزارش وجود دارد که مرز فعلی فناوری را به خوبی آشکار می کند. بر همین اساس، طی شش ماه گذشته، بالاتر از نیمی از وظایف موفق چهار تا هشت ساعته حداقل به یک مداخله انسانی نیاز داشته اند. ازاین رو افزایش افق زمانی وظایف هنوز مترادف با استقلال عملیاتی کامل نیست. معماری غالب را دقیق تر می توان «خودکارسازی تحت هدایت» دانست. در این حالت، عامل بخش بزرگی از اجرای کار را بر عهده می گیرد، در صورتیکه انسان در نقاط تصمیم، اصلاح مسیر و ارزیابی نتیجه وارد حلقه می شود.
وقتی پژوهشگر هوش مصنوعی، هوش مصنوعی بهتری می سازد
این روند در نهایت به مفهوم «RSI» یا «Recursive Self-Improvement» می رسد؛ وضعیتی که در آن سامانه های هوش مصنوعی در پژوهش و توسعه نسل های توانمندتر خود مشارکت می کنند و نسل جدید هم ظرفیت بیشتری برای تسریع پژوهش بعدی بوجود می آورد. چنین حلقه ای از نظر اقتصاد فناوری اهمیت ویژه ای دارد، چونکه می تواند تابع تولید پیشرفت هوش مصنوعی را تغییر دهد.
اوپن ای آی میان توسعه پژوهش خودکار و حرکت سریع به طرف «RSI» کامل تمایز قائل شده و اعلام نموده هنوز مسیر ایمنی برای رسیدن به «RSI» کامل و هم تراز مشخص نمی باشد. در همین جهت، همان ابزاری که ظرفیت پژوهش قابلیت ها را زیاد می کند، بصورت بالقوه می تواند پژوهش ایمنی و هم ترازی را تسریع کند، اما تضمینی وجود ندارد که سرعت پیشرفت این دو حوزه یکسان باقی بماند.
حادثه ای که آزمایش اوپن ای آی را متوقف کرد
پیچیدگی این مساله در رخدادهای ژوئیه و اوت سالجاری میلادی آشکار شد. اوپن ای آی در گزارش خود اعلام نموده که بعد از رخداد حمله سایبری عامل این شرکت به «Hugging Face» و کشف نفوذ عامل ها به زیرساخت پژوهشی، در ۲۰ ژوئیه سرویس کانتینری مورد استفاده برای آموزش را به طور موقت تعطیل و سپس با محدودیت های امنیتی شدیدتر بازگردانده است. آموزش تقویتی مدلهای جدیدی که برای استقرار درنظر گرفته شده بودند هم برای دو هفته متوقف گردید.
همچنین، در ۷ اوت، شواهد اولیه در رابطه با احتمال برخورداری مدل «Astra» از «قابلیت های سایبری بحرانی» سبب اعمال محدودیت های امنیتی بیشتر شد. طی هفته بعد، تخصیص توان پردازشی به آزمایش های مدل «Astra» ۵۹.۲ درصد کم شد.
از بهره وری پژوهش تا مساله حکمرانی
تصویری که از این داده ها حاصل می شود، هنوز تصویر «آزمایشگاه کاملا خودکار» نیست. وضعیت کنونی به معماری متفاوتی اشاره دارد که در آن تعداد محدودی پژوهشگر انسانی می توانند حجم درحال افزایشی از نیروی پژوهشی ماشینی را هدایت کنند. ارزش اقتصادی و راهبردی این تحول هم دقیقا از نقطه افزایش مقیاس پژوهش بدون افزایش متناسب نیروی انسانی ناشی می شود.
اگر این روند ادامه یابد، شاخص تعیین کننده رقابت لابراتوار های پیشرفته هوش مصنوعی دیگر صرفا تعداد محققان، 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 عامل ها به آزمایش های معتبر، خود به یک مزیت راهبردی مستقل تبدیل می شود.
به همین دلیل، انتشار شاخص هایی مانند روز کاری عامل به ازای نیروی انسانی، افق زمانی وظایف، نرخ مداخله انسانی، تعداد آزمایش ها و نحوه تخصیص محاسبات اهمیت سیاستی پیدا می کند. اوپن ای آی هم خواهان اجبار شرکتهای پیشرو به عرضه عمومی گزارش پیشرفت خود به طرف «RSI» شده است. درنتیجه مساله ای که پیش روی حکمرانی هوش مصنوعی قرار دارد، سنجش توانایی مدل برای تسریع تولید مدل بعدی شمرده می شود. نقطه ای که این چرخه به میزان کافی سریع شود، می تواند یکی از مهم ترین آستانه های فناوری هوش مصنوعی در سال های آتی باشد.
منبع: خط رند ۹۱۲
