اگر فکر میکنید آینده هوش مصنوعی در جمعآوری دادههای بیشتر نهفته است، ریچ ساتون دیدگاه کاملاً متفاوتی دارد. او معتقد است تکیه به مجموعهدادههای عظیم، سدی در برابر کشف واقعی و توسعه هوش است.
به گزارش the-decoder.com، در ۱۳ ژوئیه ۲۰۲۶، ریچ ساتون (Rich Sutton)، پدر یادگیری تقویتی مدرن، استارتاپ Oak Lab را در تورنتو به همراه خرم جاوید راهاندازی کرد. این اقدام در حالی رخ میدهد که اکثر سامانههای فعلی، ابتدا روی دادههای ایستا آموزش میبینند و سپس مستقر میشوند؛ رویکردی که از نظر ساتون ناکارآمد است. همانطور که در تحلیلهای قبلی ما دربارهی محدودیتهای مدلهای زبانی اشاره کردیم، تکرار الگوها را نباید با درک واقعی اشتباه گرفت.
این رویکرد شبیه به تفاوت میان کسی است که فقط کتابهای آشپزی خوانده با کسی است که سالها در آشپزخانه تجربه کرده است؛ دومی با هر اشتباه، مهارتش را در لحظه اصلاح میکند. هوش مصنوعی زاینده (Generative AI) — مثل تقلیدگری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — میتواند الگوها را بازتولید کند، اما نمیتواند خروجیهای خود را ارزیابی کرده و از آنها درس بگیرد.
طبق مستندات فنی این شرکت، Oak Lab بر سه محور اصلی تمرکز دارد:
- ساخت خودکار مدلهای درونی از جهان
- مدیریت تغییرات و انتخابها بدون نیاز به دادههای برچسبگذاریشده توسط انسان
- یادگیری مستمر از محیط عملیاتی
تلاش برای دستیابی به درک عمیقتر از محیط، تداومی در مسیر تلاشهای کلانمقیاس برای ساخت مدلهای درونی جهان است که پیشتر در پروژههایی مانند Odyssey مورد بررسی قرار گرفت.
ساتون و جاوید پیش از این در Keen Technologies (سرمایهگذاری جان کارماک) همکاری میکردند. حالا آنها روی یادگیری تقویتی (Reinforcement Learning) شرطبندی کردهاند تا به هدفی جسورانه برسند: خلق یک عامل (Agent) با یک تریلیون پارامتر که قادر به برنامهریزی در لحظه باشد و تنها ۲۰ وات انرژی مصرف کند.
برای دنیای کسبوکار، این یک چرخش راهبردی است. اگر ساتون موفق شود، ارزش افزوده از «مالکیت بیشترین داده» به «طراحی کارآمدترین معماری یادگیری» منتقل میشود. این اتفاق میتواند هزینههای انرژی اجرای عاملهای پیچیده در مقیاس صنعتی را بهشدت کاهش دهد. این بهینهسازی در معماری، پاسخی هوشمندانه به گلوگاههای سختافزاری است که تا امروز مانع از مقیاسبندی بهینه تولید هوش مصنوعی شده بودند.
گام بعدی شما
- دنبال کردن مقالات فنی (Whitepapers) شرکت Oak Lab برای بررسی نحوه پیادهسازی مدلهای درونی جهان.
- بررسی تفاوت عملکرد مدلهای مبتنی بر دادههای استاتیک در برابر سیستمهای یادگیرنده در لحظه.
- تحلیل اثر کاهش مصرف انرژی (تا ۲۰ وات) بر استقرار مدلهای لبه.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو