«حمیدرضا مازندرانی»، پژوهشگر شبکه و هوش مصنوعی در یادداشت اختصاصی که برای دیجیاتو نوشته، به او گفت و گو حباب هوش مصنوعی می‌پردازد. او تلاش دارد به این سوال جواب دهد که آیا اندوخته‌گذاری‌هایی که اکنون در صنعت هوش مصنوعی صورت می‌گیرد، فراتر از قیمت ذاتی آن‌ است؟

تاریخ فناوری یک الگوی ناخوشایند را چندین دفعه توانایی کرده است: ظهور یک فناوری یا رویکرد نو، حبابی از انتظارات و اندوخته‌گذاری‌های پرهیجان را شکل می‌دهد؛ حبابی که دیر یا سریع خواهد ترکید. نمونه معروف آن، حباب «دات‌کام» در اغاز دهه ۲۰۰۰ میلادی است که شرکت‌ها و افراد بسیاری را که چشم امید به گسترش «اینترنت» داشتند، دچار زیان‌های سنگین کرد. اما آیا این ماجرا برای هوش مصنوعی نیز تکرار خواهد شد؟

قبل از پرداختن به این نوشته، باید اشاره کنیم که «حباب» در علم اقتصاد یک مفهوم تخصصی است و در نتیجه، برای جواب دقیق به سوال فوق، نیازمند تحلیل اقتصادی کمّی هستیم (نظیر این مقاله). اما در این یادداشت، مفهوم شهودی آن را با تمرکز بر مسائل فنی مورد نظر خواهیم داشت: این که آیا اندوخته‌گذاری‌هایی که اکنون در صنعت هوش مصنوعی صورت می‌گیرد، فراتر از قیمت ذاتی آن‌ است؟ در این‌جا اندوخته‌گذاری، فراتر از جنبه مالی، می‌تواند سهم هوش مصنوعی از توجهات عموم مردم را نیز شامل شود و رنگ اجتماعی به خود بگیرد. با این حساب، اگر حباب هوش مصنوعی بترکد، نه تنها اندوخته‌های بسیاری بر باد می‌رود، بلکه سرخوردگی در سطح جهانی رخ می‌دهد که امکان پذیر شتاب این فناوری نویدبخش را، هرچند برای وقتی محدود، بکاهد.

مسئله دیگر این که هوش مصنوعی دامنه وسیعی از فناوری‌ها را دربر می‌گیرد که هر کدام پتانسیل‌های خود را دارند. در این بین، مدل‌های پایه بیش‌ترین سهم از اندوخته‌گذاری مالی و اجتماعی را به خود تعلق داده‌اند. مدل‌های پایه (Foundational)  همان مدل‌هایی می باشند که از سوی شرکت‌های بزرگ، بر روی حجم عظیمی از اطلاعات آموزش دیده‌اند تا متن، عکس و حتی ویدیو تشکیل کنند. در این یادداشت، منظور از هوش مصنوعی، خدماتی است که با این چنین مدل‌هایی اراعه می‌شود، با این فکر که هوش مصنوعیِ کلاسیک دوران اضطراب خود را پشت سر گذاشته است.

با دقت به تنوع جریان‌های اندوخته در اقتصاد هوش مصنوعی، اندرو اِن‌جی دانشمند و اندوخته‌گذار سرشناس این حوزه، سه محور مجزا را برای تحلیل آینده هوش مصنوعی نظر داده است که شامل «کاربرد»، «زیرساخت برای استنتاج» (inference) و «زیرساخت برای آموزش مدل‌های یادگیر» است که در ادامه، مروری بر آن‌ها خواهیم داشت.

کاربرد: رقابت در سایه بزرگان

در بیشترین لایه، اندوخته‌گذاری‌های مربوط به کاربرد یا اپلیکیشن قرار دارد که شامل چت‌بات‌ها، ابزارهای تشکیل محتوا، سیستم‌های پیشنهاد‌گر و دستیارهای کدنویسی است. در این حوزه، اندرو اِن‌جی باور دارد که نه تنها حبابی وجود ندارد، بلکه اندوخته‌گذاری بیش‌تری نیز مورد نیاز است. با این وجود، کاربردهای اراعه‌شده باید قیمت افزوده‌ای فراتر از مدل پایه به ارمغان بیاورند. به گفتن دیگر، آنچه اندوخته‌گذاران را می‌ترساند، اراعه همان کاربرد از سوی شرکت‌های سازنده زیرساخت است. نمونه بارز آن، اراعه قابلیت ضبط خودکار و خلاصه‌برداری از جلسات است که استارت‌آپ‌های این حوزه را دچار تهدید وجودی کرد.

این چنین، در کشورهای غیرانگلیسی‌زبان نظیر سرزمین خودمان، اندوخته‌گذاری بر روی مدل‌های متمرکز بر زبان بومی گسترش یافته است که با دقت به انتقال‌پذیری دانش بین زبان‌های گوناگون در مدل‌های بزرگ، به گمان زیادً این رویکرد با ناکامی نسبی روبه رو شده باشد. با این حساب، جریان اندوخته‌گذاری در این حوزه بهتر است به سمتی هدایت شود که فراتر از «یک رابط کاربری نازک روی یک مدل پایه عمومی» باشد؛ برای مثال، ورود به فضایی که برای آن داده اختصاصی وجود داشته باشد، یا توانایی کاربری متغیری رقم زده شود، یا با دیگر فرایندهای سازمانی ادغام شود.

زیرساخت برای استنتاج: نیاز روزافزون عامل‌های هوشمند

در او گفت و گو زیرساخت برای استنتاج، یعنی اراعه مدل آموزش‌دیده در قالب سرویس ابری یا به طور محلی، اندرو ان‌جی اظهار می‌دارد که اکنون بیش‌تر با محدودیت اراعه روبه رو هستیم تا تقاضا. در این بین، با اهمیت ترین عاملی که رشد تقاضا را تشکیل کرده، عاملیت هوشمند است که در آن ابزارهای گوناگون، همچون کاربران انسانی، مدل‌ها را فراخوانی می‌کنند. از جمله می‌توان به محیط‌های کدنویسی موسوم به «وایب‌کدینگ» اشاره کرد.

با این حساب، هم چنان ظرفیت بسیاری برای اندوخته‌گذاری وجود دارد؛ اما به علت افت قیمت به ازای هر توکن، امکان هدررفت اندوخته نیز وجود دارد. در این بین، یک نقطه قوت برای کشورهای صاحب منبع های انرژی، افت هزینه در سمت اراعه است که با راهبرد اندوخته‌گذاری هوشمند روی انرژی ارزان محقق خواهد شد. پیش‌نیاز این چنین راهبردی، پایداری اقتصادی و مقررات‌گذاری صحیح خواهد می بود.

زیرساخت برای آموزش: پاشنه آشیل فناوری

در نهایت، سومین حوزه، گسترش زیرساخت برای آموزش مدل‌ها است که اندوخته‌‌های کلان و متمرکز را جذب کرده است. با این حال، در پی رونق گرفتن مدل‌های متن‌باز، اندرو اِن‌جی دیدگاهی محتاطانه‌تر نسبت به آینده این حوزه دارد. به بیانی، اگر قرار باشد حبابی بترکد، این حوزه محتمل‌ترین نقطه وقوع آن خواهد می بود. این چنین وی این نگرانی را نقل می‌کند که در صورت رخ دادن این چنین رویدادی، امکان پذیر اثرات منفی آن به دو حوزه قبلی نیز به‌صورت دومینووار سرایت کند.

با این وجود، باید دقت داشت که اندرو اِن‌جی یکی از چهره‌های خوش‌بین در این حوزه محسوب می‌شود و بهتر است دیدگاه‌های گوناگون بازدید شوند. در واقع، تعداد بسیاری از چهره‌های برجسته، نظیر یان لکان، مسئول ارشد هوش مصنوعی در متا، نگاه خوش‌بینانه‌ای به روال جاری ندارند و این می‌تواند یک پیش‌بینی «خودمحقق‌شونده» قلمداد گردد؛ به این معنی که نفوذ این افراد امکان پذیر جریان‌های اندوخته‌گذاری را دستخوش تحول سازد. اما فراتر از این‌ها، مسائل فرد دیگر نیز امکان تأثیرگذاری بر آینده هوش مصنوعی را دارند.

امیدها و نگرانی‌ها

خوشبختانه زیرساخت و کاربردهای مدل‌های پایه محدود به داده‌های متداول همانند متن، عکس و ویدیو نیست. یک نمونه دلنشین، تحلیل جداول و دیتابیس‌ها با مدل‌های پایه است که اخیراً فرخ شهابی، کارآفرین ایرانی، نیز به امیدبخش بودن آن اشاره کرده است. پیشرفت‌هایی نیز در این حوزه حاصل شده است که از جمله آن‌ها می‌توان به شرکت Kumo اشاره کرد که امکان تحلیل دقیق زیاد اطلاعات سازمانی را فراهم می‌سازد، که در پی آن ورود اندوخته‌های تازه هموار خواهد شد.

صنایع گوناگون نیز هر کدام سهم خود را در رونق بخشیدن به بازار هوش مصنوعی و تشکیل هم‌افزایی مثبت ایفا می‌کنند: صنعت شبکه برای مدیریت خودکار شبکه‌های ارتباطی، صنعت ماشین برای گسترش خودروهای خودران و سامانه‌های پشتیبانی‌راننده پیشرفته، و صنعت داروسازی برای تسریع فرایند کشف و طراحی داروهای تازه. افزون بر این، حوزه‌هایی همانند مالی، انرژی، تشکیل صنعتی و کشاورزی نیز به‌مرور زمان در حال منفعت‌گیری از قابلیت‌های هوش مصنوعی می باشند و به گسترش دامنه اثرگذاری این فناوری در زیست‌بوم‌های گوناگون اقتصادی پشتیبانی می‌کنند.

از نظر دیگر، «مطمعن» سنگ‌بنای گسترش هوش مصنوعی در کاربردهای ذکرشده است. این در حالی است که گزارش افکارسنجی مؤسسه Edelman مشخص می کند نزدیک به نیمی از مردم آمریکا، انگلستان و آلمان نگاه مثبتی به گسترش منفعت گیری از هوش مصنوعی ندارند.

این خبر خوشی برای اندوخته‌گذاران نیست و چنانچه این عدم مطمعن با سیاست‌گذاری درست در سطح جهانی، به‌اختصاصی در عرصه نگه داری حریم خصوصی و حقوق مالکیت معنی جبران نشود، پیشرفت‌های فنی راه به جایی نخواهد برد. افزون بر این، نگرانی از تبعات اجتماعی و اخلاقی هوش مصنوعی، همانند تصمیم‌گیری‌های خودکار در عرصه استخدام، یا انتشار کردن اطلاعات گمراه‌کننده، می‌تواند مانعی دیگر بر سر راه پذیرفتن و گسترش گسترده این فناوری، حداقل در مختصر‌‎‌زمان و بین‌زمان، باشد.