سام آلتمن مدعی شد که شک‌گرایانِ مقیاس‌پذیری مانع توسعه هوش مصنوعی شده‌اند

سام آلتمن، مدیرعامل OpenAI، بر قدرت مقیاس‌پذیری (scaling) پافشاری می‌کند و استدلال می‌کند که نسل قبلی پژوهشگران با دست‌کم گرفتن پتانسیل مدل‌های زبانی بزرگ (LLMs)، مانع پیشرفت شده‌اند. در حالی که بحث‌ها درباره سقف معماری‌های ترنسفورمر (transformer) شدت می‌گیرد، آلتمن تأکید می‌کند که شواهد تجربی به‌طور قاطع از گسترش مداوم محاسبات (compute) و داده‌ها حمایت می‌کنند.

هزینه جزم‌اندیشی فکری

آلتمن در حضور اخیر خود در استنفورد، به اصطکاک میان طرفداران مقیاس‌پذیری و شک‌گرایان پرداخت و به‌ویژه به منتقدانی مانند یان لکان از Meta اشاره کرد که مشهور است LLMها را یک «بن‌بست» توصیف کرده است. آلتمن معتقد است که بخش زیادی از مقاومت در برابر فرضیه مقیاس‌پذیری ناشی از آن است که پژوهشگران بیش از حد به پیش‌بینی‌های خود درباره آنچه هوش مصنوعی نمی‌تواند انجام دهد، اعتماد دارند.

او استدلال کرد که برخی از چهره‌های این صنعت، هویت حرفه‌ای خود را به مواضع نظری خاصی گره زده‌اند که باعث شده در برابر داده‌های جدیدی که باورهای دیرینه آن‌ها را نقض می‌کند، مقاومت نشان دهند. آلتمن ضمن اذعان به اینکه «مدل‌های جهان» (world models) برای پیشرفت در حوزه‌هایی مانند رباتیک ضروری هستند، تأکید می‌کند که مسیر فعلی LLMها یک مسیر انحرافی نیست، بلکه موتور اصلی هوش است.

اثبات تجربی: فراتر رفتن از تطبیق الگو

یکی از مهم‌ترین نکات در دفاع آلتمن از مقیاس‌پذیری، گذار LLMها از صرفاً پیش‌بینی‌کننده‌های متن به ابزارهایی با قابلیت استدلال اصیل است. او به نقطه عطف اخیر اشاره کرد که در آن یکی از مدل‌های OpenAI با موفقیت یک حدس ریاضی را که برای مدت طولانی توسط متخصصان انسانی حل‌نشده باقی مانده بود، رد کرد.

این پیشرفت بسیار حیاتی است زیرا این روایت را که LLMها صرفاً «ببغاوهای احتمالی» (stochastic parrots) و ناتوان از کشف واقعی هستند، به چالش می‌کشد. آلتمن با بیان اینکه «بنابراین کاملاً مشخص است که LLMها قادر به کشف دانش جدید هستند»، خاطرنشان کرد که جامعه ریاضیات اکنون به‌طور فعال در حال مواجهه با پیامدهای اثبات‌های مبتنی بر هوش مصنوعی است. این تغییر نشان می‌دهد که مقیاس‌پذیری تنها روانی کلام را بهبود نمی‌بخشد، بلکه افق توانمندی‌های شناختی را نیز گسترش می‌دهد.

مرزهای جدید: استدلال در مقابل وظایف بلندمدت

آلتمن علی‌رغم خوش‌بینی خود، نسبت به محدودیت‌های فعلی این فناوری واقع‌بین است. او به شکاف عملکردی آشکاری در رابطه با «وظایف بلندمدت» (long-horizon tasks) اشاره کرد؛ گردش‌کارهای پیچیده‌ای که نیازمند قضاوت سطح بالا و برنامه‌ریزی چندمرحله‌ای در بازه‌های زمانی طولانی هستند. او در این حوزه‌های خاص اعتراف کرد که LLMها هنوز «بسیار ضعیف‌تر از انسان‌ها به نظر می‌رسند».

برای چشم‌انداز گسترده‌تر هوش مصنوعی، این تمایز مرز بعدی تحقیقات را تعیین می‌کند. صنعت از مرحله «مقیاس‌پذیری برای دانش» به سمت «مقیاس‌پذیری برای استدلال و عاملیت» (agency) در حرکت است. در حالی که شرکت‌هایی مانند OpenAI و Anthropic (به رهبری مدیرعامل Dario Amodei که در باور به مقیاس‌پذیری با آلتمن هم‌نظر است) همچنان میلیاردها دلار در بخش محاسبات سرمایه‌گذاری می‌کنند، هدف این است که شکاف میان هوش لحظه‌ای و خودمختاری قابل اعتماد و بلندمدت پر شود.

نکات کلیدی

• مقیاس‌پذیری محرک اصلی است: آلتمن استدلال می‌کند که دست‌کم گرفتن تأثیر افزایش محاسبات و داده‌ها، از نظر تاریخی سرعت پیشرفت‌های بزرگ در هوش مصنوعی را کاهش داده است.
• کشف بر تقلید مقدم است: توانایی مدل‌های OpenAI در حل حدس‌های پیچیده ریاضی ثابت می‌کند که LLMها به سمت خلق دانش واقعی در حرکت هستند.
• گلوگاه بعدی: اگرچه مقیاس‌پذیری بسیاری از مشکلات را حل می‌کند، اما رسیدن به عملکرد در سطح انسان در وظایف بلندمدت و نیازمند قضاوت بالا، همچنان مانع بزرگ بعدی این صنعت است.