پرش به محتوای اصلی
پرش به محتوای مقاله

موسسه دیپ‌مایند چهار مسیر موازی از AGI به ASI ترسیم کرد؛ رشد ۱۰× محاسبات

·۲۹ آبان ۱۴۰۵۴ دقیقه مطالعه
لوگوی دیپ‌مایند با تجسم انتزاعی شبکه عصبی که مسیرهای از AGI به فراز هوش را نشان می‌دهد
لوگوی دیپ‌مایند با تجسم انتزاعی شبکه عصبی که مسیرهای از AGI به فراز هوش را نشان می‌دهد
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین مدل‌سازی رسمی مسیرهای موازی و ترکیبی‌پذیر به سوپرینتلیجنس توسط یک آزمایشگاه مرزی، با کمی‌سازی نرخ رشد محاسبات (۱۰× در سال) و تشریح بازمانده توانایی به‌عنوان ریسک سیاستی. پیش از این، مسیرها به‌صورت جداگانه بحث می‌شدند، نه به‌عنوان سامانه‌ای با اثر جایگزینی.

موسسه دیپ‌مایند در ۱۹ نوامبر ۲۰۲۶ مقاله‌ای منتشر کرد که مسیرهای AGI به ASI را به‌عنوان چهار گزینه موازی و ترکیبی‌پذیر ترسیم می‌کند. این چارچوب بر گزارش فنی گوگل دیپ‌مایندِ ۱۲ ژوئن ۲۰۲۶ با عنوان «از AGI تا ASI» بنا شده و نرخ رشد محاسبات موثر را حداقل ده‌گانه در سال برآورد می‌کند.

AGI در این تعریف، سیستمی است که در تقریباً همۀ کارهای شناختی از سطح انسانی برخوردار باشد. ASI باید به‌صورت قابل‌اعتماد از ده‌ها هزار متخصص خوش‌هماهنگ که ده سال روی یک مسئله کار می‌کنند، پیشی بگیرد — با منابع و زمان کمتر و در تقریباً همۀ حوزه‌های مورد علاقه بشر. برتری در شطرنج، گو یا پیش‌بینی ساختار پروتئین معیار ASI محسوب نمی‌شود.

محاسبات موثر و صنعتی‌سازی شناختی

مقاله برآورد می‌کند محاسبات موثر جهانی — ترکیبی از پیشرفت سخت‌افزار، سرمایه‌گذاری در چپ‌های AI و کارایی الگوریتمی — حداقل ۱۰× در سال رشد کرده است. استقراء این نرخ برای یک دهه، عاملی ۱۰ میلیاردی تداعی می‌کند: برای هر عامل اجرایی امروز، عامل‌های هم‌کیفیت بیشتری از جمعیت انسانی در دسترس خواهد بود.

یک مثال هزینه، کاهش ۴× سالانه تقاضای محاسباتی ناشی از پیشرفت‌های سخت‌افزاری و کارایی استنتاج را اعمال می‌کند. در این نرخ، بار کاری که امروزه ۱ میلیارد دلار توکن محاسبه هزینه دارد، پس از ده سال به ۱ هزار دلار می‌رسد. این استانداردسازی و خودکارسازی کار شناختی، «صنعتی‌سازی شناختی» (cognitive industrialization) نامیده شده، مشابه مرسوم‌سازی کار فیزیکی روتین. حتی بدون پیشرفت‌های مرزی دراماتیک، این تغییر می‌تواند کار دانش و اقتصاد وسیع‌تر را بازسازی کند.

مقاله احتیاط می‌کند که مقیاس به تنهایی می‌تواند از دستیابی به AGI کامل کوتاه بیاید اگر برخی کارهای شناختی نیازمند کمک انسانی بمانند. با سیستم‌های سطح انسانی، عامل‌های سریع‌تر و تعداد بیشتر می‌توانند شکاف تا شکل ضعیف ASI را پر کنند، با بهره‌گیری از سرعت پردازش، حافظه، انتقال در میان سخت‌افزار، کپی تقریباً بدون‌ضرر کد و حالت حافظه، و اشتراک تجربه با پهنای باند بالا. این محدودیتِ داده با هم‌صدای پنل استنفورد است که کمبود داده باکیفیت و هزینه‌های فراگیر را چالش اصلی مقیاس‌دهی خواند.

جزئیات: چهار مسیر و محدودیت‌هایشان

مقیاس‌دهی مداوم

  • اتلاف داده‌های آموزشی با کیفیت بالا
  • بازدهی کاهشی: هر گام توانایی نیازمند محاسبه و اندازه مدل مضروب‌شده
  • محدودیت‌های فیزیکی و اقتصادی: تولید برق، شبکه‌های توزیع، ساخت تراشه، اتصال‌های سخت‌افزاری
  • قوانین مقیاس‌پذیری برازش‌شده بر معماری‌ها، داده‌ها و ارزیابی‌های فعلی نمی‌توانند نیازهای محاسباتی AGI یا ASI را با اطمینان پیش‌بینی کنند

تغییر پارادایم

  • هدف: شکاف‌های یادگیری مداوم، مدل‌سازی جهان، تصمیم‌گیری و کارایی نمونه (sample efficiency)
  • سیستم‌های فعلی ممکن است نتوانند مفاهیم و انتزاعات واقعاً نوین ابداع کنند و تنها موجودات موجود را بازترکیب کنند
  • محققان بر اینکه آیا تغییرات تدریجی ترنسفورمر (transformer) کفایت می‌کند یا تغییرات معماری عمیق‌تر لازم است، منقسم‌اند

هماهنگی عامل‌ها

  • مسیر جمعی اما فاقد قوانین مقیاس‌پذیری چندعاملی (multi-agent scaling laws)
  • ناکارآمدی‌های هماهنگی، اطلاعات غلط، دستکاری و تواطؤ می‌توانند گروه‌های بزرگ را تضعیف کنند
  • نیازمند دفاع‌های نهادی و سازمانی

خودبهبود بازگشتی (Recursive Self-Improvement)

  • حلقه‌های بازخورد از طریق طراحی کد و سخت‌افزار، داده‌های استقرار قابل‌بازاستفاده یا تخصص در گروه‌های عاملی
  • بازخورد ضعیف می‌تواند حلقه‌ها را متوقف یا تخریب کند
  • پیشرفت سریع‌تر در حوزه‌هایی انتظار می‌رود که خروجی‌ها به‌صورت خودکار قابل تأیید باشند، مانند اثبات‌های ریاضی

پویایی‌های ترکیبی و پیامدهای سیاستی

مسیرها می‌توانند اثر هم را تقویت کنند. اگر یک مسیر متوقف شود، رقابت اقتصادی و ژئوپلیتیکی تلاش را به سمت دیگران سوق می‌دهد؛ بنابراین محدود کردن تنها محاسبات آموزشی پیشرفت کلی را متوقف نمی‌کند. سرکوب یک ورودی در حالی که دیگران پیشرفت می‌کنند، می‌تواند «بازمانده توانایی» (capability overhang) ایجاد کند که پس از رفع یا دور زدن محدودیت، جهش‌های شدیدتری را به دنبال دارد. این پویایی به این معنی است که مداخله‌های تک‌نقطه‌ای — مانند سقف محاسبات — به ندرت می‌توانند پیشرفت به سوی هوش فرا را متوقف کنند. سیاست‌گذاری و تلاش‌های ایمنی باید جایگزینی مسیر (pathway substitution) و اثرات بازمانده را در نظر بگیرند.

اندازه‌گیری پیشرفت فراتر از AGI

پاسخ پیشنهادی، مدل‌سازی، اندازه‌گیری، پیش‌بینی و تکرار از طریق کار میان‌رشته‌ای است که آزمایشگاه‌های مرزی و موسسات ملی و جهانی را در بر می‌گیرد. برخی معیارهای لازم نیازمند دسترسی به مدل‌های مرزی، محاسبات ارزیابی گسترده و روش‌های جدید بنچمارکینگ و مدل‌سازی هستند. اینکه آیا این مسیرها ASI را تولید خواهند کرد و در چه بازه زمانی، همچنان حل‌نشده است. چالش نزدیک‌تر، ساخت ارزیابی‌هاست که سرعت و تعداد بیشتر عامل‌ها را از قابلیت‌های نوین واقعی تفکیک کنند، در حالی که موسسات عمومی را با دسترسی و ظرفیت محاسباتی کافی برای ردیابی مسیرهایی که ممکن است یکدیگر را تقویت کنند، مجهز سازند.

گام بعدی شما

  • معیارهای ارزیابی را فراتر از بنچمارک‌های ثابت AGI بسط دهید تا سرعت و تعداد عامل‌ها را از قابلیت‌های نوین واقعی تفکیک کنید.
  • دسترسی محاسباتی و شفافیت مدل‌های مرزی را برای موسسات عمومی تضمین کنید تا مسیرهای تقویت‌کننده یکدیگر ردیابی شوند.
  • سناریوهای بازمانده توانایی (overhang) را در مدل‌سازی ریسک سازمانی خود وارد کنید، نه تنها سقف‌های محاسباتی.
چرا این موضوع مهم است؟

این چارچوب با اعتبار گوگل دیپ‌مایند مرجع جدید پیش‌بینی زمان‌بندی ASI شده و استراتژی‌های ایمنی را از تمرکز تک‌متغیره بر محاسبات به نظارت چندمسیره سوق می‌دهد. اثر مستقیم بر تخصیص سرمایه‌گذاری محاسباتی، طراحی بنچمارک‌های نسل بعد و چارچوب‌های نظارتی بین‌المللی خواهد بود.

تأثیر برای ایران

دسترسی ایرانیان به محاسبات مرزی و مدل‌های ASI تحت تحریم‌ها و محدودیت‌های API همچنان مسدود است؛ این چارچوب بیشتر برای پژوهشگران مدل‌های بنیادی مرتبط است تا بازار مصرف ایران.

·نگاه ما
تحریریه دات‌هوش

چارچوب چهارمسیره دیپ‌مایند نخستین بار است که یک آزمایشگاه مرزی مسیرهای به سوپرینتلیجنس را به‌عنوان گزینه‌های موازی و ترکیبی‌پذیر مدل‌سازی می‌کند، نه دنباله‌ای خطی. این تغییر نگاه، استدلال امنیتی را از «مقیاس را کنترل کن» به «ترکیب مسیرها را ردیابی کن» می‌کشاند — یک جهش پارادایم برای سیاست‌گذاری. نکتهٔ کم‌توجه‌مانده، عدم وجود قوانین مقیاس‌پذیری چندعاملی است: بی‌قانونیِ هماهنگی عامل‌ها، متغیرِ پرریسک‌ترین در معادله است.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.