شکاف محاسباتی؛ پژوهشگران دانشگاهی در برابر حصار مدل‌های بسته

تصور کنید زیست‌شناسی بخوانید اما تمام ابزارهای ویرایش ژنی دنیا در دست یک شرکت خصوصی باشد و شما فقط اجازه داشته باشید نتایج را از دور تماشا کنید. این دقیقاً وضعیتی است که امروز اساتید هوش مصنوعی در دانشگاه‌های تراز اول دنیا با آن دست‌وپنجه نرم می‌کنند. پژوهشگران دانشگاهی در حال جنگی شکست‌خورده برای دسترسی به ابزارهایی هستند که خودشان آن‌ها را مطالعه می‌کنند. این واقعیت تلخی است برای دانشگاهیانی که می‌بینند هر روز بیشتر از سازوکارهای داخلی سیستم‌هایی که میدان علمی آن‌ها را تعریف می‌کنند، بیرون رانده می‌شوند، در حالی که آزمایشگاه‌های خصوصی به ساخت مدل‌های قدرتمندتر ادامه می‌دهند.

این تغییر قدرت، یک شکاف دانشی خطرناک ایجاد کرده است. برای دهه‌ها، دانشگاه‌ها موتور محرک پیشرفت‌های هوش مصنوعی بودند، اما اکنون نیاز به واحد پردازش گرافیکی (GPU) — که شبیه به موتورهای جت برای پردازش داده‌های عظیم است — مرکز ثقل قدرت را به پردیس‌های شرکتی منتقل کرده است. نیکا حق‌طلب از دانشگاه برکلی معتقد است که پژوهشگران اکنون به جای پیشرو بودن، تنها ناظران تکنولوژی‌ای هستند که خودشان در ابداع آن نقش داشتند.

زمینه و جزئیات نشست AI2050

در نشست هفتهٔ گذشته برنامه AI2050 در کالیفرنیا، محققان توضیح دادند که ماهیت «جعبه سیاه» مدل‌های OpenAI و Anthropic چگونه مانع از انجام علم دقیق می‌شود. این برنامه که توسط اریک و وندی اشمیت تامین مالی می‌شود، از دانشگاهیانی حمایت می‌کند که کارهایشان با هوش مصنوعی در ارتباط است و مجموعه‌ای از برجسته‌ترین چهره‌های دنیای هوش مصنوعی را در مانتن ویو، کالیفرنیا گرد هم آورده است.

چون این شرکت‌ها داده‌های آموزشی و جزئیات طراحی را مخفی نگه می‌دارند، متخصصان خارجی فقط می‌توانند رفتار مدل را ببینند، نه دلیل آن را. آن‌ها نمی‌توانند طراحی یا آموزش این ابزارها را هدایت کنند و در نتیجه، به تماشاگرانی تبدیل شده‌اند که زمانی پیشگامان این فناوری بودند. همان‌طور که در بحث‌های گذشته‌ی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، نبود شفافیت در لایه‌های زیرین مدل، بازبینی علمی را تقریباً غیرممکن می‌کند.

سد محاسباتی و هزینه‌ها

سد اصلی برای بقای دانشگاه‌ها، بودجه است. تامین مالی به گلوگاه اصلی تبدیل شده است. حتی برای کسانی که مدل نمی‌سازند، هزینه فراخوانی APIها برای مطالعات آماری گسترده، بودجه‌های دانشگاهی را می‌بلعد. بر اساس مستندات برنامه AI2050، سه مانع کلیدی وجود دارد:

• دسترسی به سخت‌افزار: برنامه AI2050 بودجه‌های حیاتی برای سخت‌افزار فراهم می‌کند که محققان آن را یک مزیت بزرگ دانسته‌اند. با این حال، این تنها یک راهکار موقت در برابر کاهش کلی بودجه‌های علمی فدرال در ایالات متحده است.
• هزینه‌های API: تکرار پرس‌وجوها از مدل‌های گوگل، Anthropic یا OpenAI برای اطمینان از دقت آماری، می‌تواند بودجه‌های دانشگاهی را به سرعت تخلیه کند.
• شکاف زیرساختی: دانشگاه‌ها به سادگی نمی‌توانند هزینه‌ی GPUهای مورد نیاز برای آموزش و اجرای مدل‌های پیشرو را در مقیاسی مشابه صنعت خصوصی پرداخت کنند.

کوچ به سمت «علم غیرسودآور»

به همین دلیل، بسیاری از اساتید برای حفظ جایگاه خود، از مسائلی که احتمالاً توسط شرکت‌های فناوری حل می‌شوند، دوری می‌کنند. آن‌ها به سمت «علم غیرسودآور» کوچ کرده‌اند؛ حوزه‌هایی که شرکت‌های تجاری به دلیل نبود سود فوری یا احتمال تخریب چهره برندشان، به آن‌ها اهمیت نمی‌دهند.

آنجلی فیلد از دانشگاه جانز هاپکینز روی پژوهش‌هایی تمرکز کرده است که پتانسیل سودآوری فوری ندارند. فیلد اشاره می‌کند که شرکت‌ها نیاز به کسب درآمد دارند، به این معنی که سوالات پژوهشی با امید کم به سود، اغلب نادیده گرفته می‌شوند. برای مثال، او اخیراً کشف کرد که مدل‌های زبانی به پرسش‌هایی با لحن رایج زنان، پاسخ‌های کم‌کیفیت‌تر و ساده‌تری نسبت به لحن مردانه می‌دهند؛ تحقیقی که بعید است هرگز از یک آزمایشگاه شرکتی خارج شود.

هوش مصنوعی تخصصی در برابر مدل‌های زبانی (LLMs)

در کنار مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — گروهی از دانشمندان روی هوش مصنوعی تخصصی برای تحلیل داده‌ها، پیش‌بینی یا شبیه‌سازی سیستم‌های فیزیکی کار می‌کنند. این گروه با چالش دیگری روبروست: تصور عمومی که هر چه «هوش مصنوعی» است را با مدل‌های پرمصرف زبانی یکی می‌داند.

• چالش‌های ترویجی: کسانی که ابزارهایی برای تغییرات اقلیمی می‌سازند، وقتی مردم هوش مصنوعی را با مدل‌های بلعنده انرژی یکی می‌دانند، برای دفاع از کار خود دچار مشکل می‌شوند.
• تغییرات صنعتی: حتی تیم‌های تخصصی تراز اول هم ناپایدار هستند؛ تیم AlphaFold در گوگل دیپ‌مایند که مدل برنده جایزه نوبل برای ساختار پروتئین را ساخت، ماه گذشته منحل شد.

هزینه انسانی اتوماسیون

چیدمان این حوزه به سمت یک مدل ترکیبی می‌رود که در آن دانشگاهیان همزمان نقش‌های صنعتی دارند یا برای پیوستن به آزمایشگاه‌های پیشرو، از دانشگاه مرخصی می‌گیرند. با این حال، تهدیدات جدیدی در ریاضیات محض در حال ظهور است.

برخی متخصصان نگران‌اند که موفقیت OpenAI در حل مسائل پیچیده ریاضی، ریاضی‌دانان انسانی را بدون آینده بگذارد. این موضوع منجر به نگرانی‌های واقعی درباره سلامت روان همکاران در جامعه ریاضیات شده است. این اضطراب در محیط‌های دانشگاهی، بازتابی از هشدار گسترده‌تر برندگان جایزه نوبل است که درباره ریسک جایگزینی سریع مشاغل تخصصی در دهه آینده هشدار داده‌اند.

اما همه این را یک بازی با مجموع صفر نمی‌بینند. تیم دتمرز از دانشگاه کارنگی ملون، که روی سریع‌تر و ارزان‌تر کردن اجرای مدل‌ها کار می‌کند، استدلال می‌کند که دانشمندان هوش مصنوعی به عنوان «ضریب تقویت‌کننده» عمل خواهند کرد. او معتقد است هوش مصنوعی جایگزین انسان نمی‌شود، بلکه آن‌ها را کارآمدتر می‌کند و اجازه می‌دهد ایده‌های جسورانه و الهام‌بخشی را دنبال کنند که پیش از این به‌دلیل کمبود وقت نادیده گرفته می‌شدند.

در نهایت، کمبود منابع باعث موج جدیدی از نوآوری شده است. آزمایشگاه‌های دانشگاهی چون توان خرید خوشه‌های عظیم را ندارند، مجبورند راهکارهای کوچک‌تر، سریع‌تر و بهینه‌تر را پیدا کنند یا معماری‌های کاملاً جدید را بررسی کنند. احتمالاً نقطه عطف بعدی در معماری هوش مصنوعی، نه از یک شرکت تریلیون دلاری، بلکه از یک آزمایشگاه کوچک و جسور متولد خواهد شد.

گام بعدی شما

• اگر پژوهشگر هستید، روی مدل‌های وزن‌های باز (Open Weights) تمرکز کنید تا از وابستگی به APIهای بسته رها شوید.
• ابزارهای کوانتیزاسیون (Quantization) را برای اجرای مدل‌های بزرگ روی سخت‌افزارهای محدود بررسی کنید.
• به دنبال همکاری‌های بین‌رشته‌ای در حوزه‌هایی باشید که پتانسیل تجاری کوتاه‌مدت ندارند اما ارزش علمی بالایی دارند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.