اگر میخواهید بدانید کدام آزمایشگاهها واقعاً پیشران پیشرفتهای هوش مصنوعی هستند، اعتماد به پروفایل نویسندگان را کنار بگذارید. باید بدانید که متادیتای فعلی در پلتفرمهای پژوهشی، تصویری غلط از توزیع قدرت در این صنعت ارائه میدهد.
طبق گزارش منتشر شده، Dmytro Lopushanskyy در ۱۴ مه ۲۰۲۶ یک خط لوله (Pipeline) — شبیه به یک نوار نقاله که دادههای خام را میگیرد و آنها را به اطلاعات مرتب تبدیل میکند — برای استخراج وابستگیهای سازمانی از ۵۳۵۶ مقاله پذیرفتهشده در ICLR ۲۰۲۶ عرضه کرد. همانطور که در تحلیلهای پیشین ما دربارهی تمرکز قدرت محاسباتی در شرکتهای بزرگ اشاره کردیم، شناسایی دقیق بازیگران اصلی، کلید درک مسیر تکامل این فناوری است.
بسیاری از پژوهشگران برای یافتن متادیتا به OpenReview تکیه میکنند، اما این کار باعث «انحراف پروفایل» میشود. برای مثال، مقالهای که در دانشگاه بریتیش کلمبیا نوشته شده، ممکن است به دلیل تغییر شغل نویسنده، اکنون زیر نام شرکتی در وایومینگ ثبت شده باشد. این پروژه با تجزیه (Parsing) — مثل یک کارمند دقیق که تمام صفحات یک قرارداد را میخواند تا یک عبارت خاص را پیدا کند — مستقیماً از روی PDFها، وابستگی نویسنده را در لحظهی انتشار ثبت میکند.
بر اساس مستندات این پروژه در GitHub، جزئیات فنی این ابزار به شرح زیر است:
- استفاده از یک تجزیهکننده با چهار الگو برای مدیریت ساختارهای مختلف PDF
- دستیابی به نرخ موفقیت ۹۴ درصدی در استخراج دادهها
- بهکارگیری ۲۵۰ قانون Regex برای یکسانسازی نامها (مثلاً تبدیل MIT CSAIL به MIT)
- ارائه سه روش شمارش: وابستگی منحصربهفرد، نویسنده اول و اعتبار کسری
به نقل از توسعهدهنده، این رویکرد معیار سنجش را از «چه کسی مشهور است» به «کار در کجا انجام میشود» تغییر میدهد. تفکیک دقیق هنگکنگ از چین اصلی در این دادهها، دیدگاه دقیقتری از قدرت منطقهای در AI ارائه میدهد. این متد ثابت میکند که برای ممیزیهای تاریخی، تحلیل PDFها هنوز قابلاعتمادتر از متادیتای پویا است.
گام بعدی شما
- مخزن گیتهاب پروژه را کلون کنید تا نقشههای درختی (Treemaps) را بازسازی کنید.
- این خط لوله را روی مقالات کنفرانسهای دیگر برای شناسایی مراکز قدرت اعمال کنید.
- تغییرات رتبهبندی سازمانی را در پایان چرخه ۲۰۲۶ رصد کنید.
اما تأثیر این تمرکز صنعتی بر سرعت نوآوریهای متنباز را در گزارش بعدی بررسی خواهیم کرد.
گفتگو