آیا پیشرفتهای هوش مصنوعی به نقطه’êt رسیدهاند

آیا پیشرفتهای هوش مصنوعی به نقطه’êt رسیدهاند؟, به گزارش دانشجو چند روز قبل در یک گزارش المعلومات، اظهاراتی از سوی کارمندان OpenAI منتشر شد که بیان کرد این شرکت مدل جدیدی تحت نام کد را آزمایش کردهاند. این مدل اگرچه عملکرد بهتری نسبت به نسخههای فعلی نشان میدهد، اما پیشرفت نسبت به جهش از به کمتر رخ داده است.

کارشناسان این موضوع را چنین تعبیر میکنند که شاید گسترش مدلهای هوش مصنوعی به پیشین خود رسیده و اکنون ما در یکćه قرار گرفتهایم. به عبارت دیگر، ممکن است تا چند سال آینده شاهد تحولات شگفتانگیزی در این حوزه نباشیم. منابع ننده از OpenAI گفتهاند که مدل در انجام برخی کارها، نتایج بهترینی نسبت به مدل قبلی خود ارائه نخواهد کرد.

از طرف دیگر، ایلیا ساتسکیور، یکی از بنیانگذاران OpenAI که سال جاری را از این شرکت ął، این نگرانی را تقویت میکند که مدلهای زبانی بزرگ (LLM) به نقطهای رسیدهاند که با روشهای آموزشی سنتی نمیتوانند بیشتر پیشرفت کنند. ساتسکیور در مصاحبه با رویترز یادآور شد که دهه 2010 دوره مقیاسبندی بود؛ زمانی که با افزایش منابع محاسباتی و دادههای آموزشی، پیشرفتهای شگفتانگیزی در مدلهای بعدی مشاهده میکردیم. اما اکنون.

گسترش مدلهای هوش مصنوعی پیشرفتهتر مختصان معتقدند چالش اصلی آموزش مدلهای هوش مصنوعی، نقص دادههای متنی تازه و با کیفیت برای آموزش LLMهای آینده است.

اگر دادههای آموزشی یک مدل هوش مصنوعی را به میوههای یک درخت تشبیه کنیم، تا بحال همه میوههای شاخههای پایینی چیده شدهاند؛ مدلهای موجود با استفاده از ذخیره اطلاعات حاضر اینترنت — از سایتهای خبری تا کتابها — آموزش دیدهاند، پس باید به سوی میوههایی باشیم که در شاخههای بالاتر در آویزانند.

محققان در ی، این مشکل را در یک مطالعهد کردند و مقدار دادههای مورد نیاز برای آموزش LLM را اندازهگیری کردند، و موجودی متنهای عمومیشده توسط انسان را برآورد کردند.

آنها میگویند مدلهای زبانی تا سالهای 2026 تا 2032 میتوانند از ذخیره متنهای عمومی تولیدشده توسط بهره ببرند. OpenAI و دیگر شرکتهای رهبر از به کارگیری دادههای مصنوعی — یعنی دادههایی که توسط مدلهای دیگر ساخته میشوند — آغاز کردهاند تا از این بنبستی که به تلاشی میپیوندد، خارج شوند. با این حال، خطر این است که دادههای مصنوعی بعد از چند بار آموزش، سبب ریزش مدل یا تضعیف عملکرد شود.

برگزاریهای، راهحلهای دیگری نیز امتحان کردهاند؛ مثال واضحی تخصصسازی فرآیند آموزش است. مایکروسافت با استفاده از مدلهای زبانی کوچک که به فعالیتها و مأموریتهای خاصی میشوند، نتایج بدست آورده است. برخلاف LLMهای عمومی که به آنها شدهایم، آینده ممکن است هوشهای مصنوعی را در حوزات تخصصی محدود ببینیم — دقیقاً همانند دانشجوی دکترا که شاید دانش عمومی نداشته باشد، اما در یک رشته خاص میتواند نوآوریها را بپیرد.

دسته بندی مطالب کسب و کار اخبار ورزشی اخبار اقتصادی فرهنگ و هنر سلامتی اخبار فناوری