سرمایه‌گذاری ۱۰۰ میلیارد دلاری در داده‌های هدفمند؛ تنها راه نجات مدل‌های زبانی

تصور کنید مدیر فنی شرکتی هستید که میلیون‌ها دلار هزینه استنتاج پرداخت می‌کند، اما مدل شما هنوز در تحلیل‌های تخصصی شکست می‌خورد. این شکاف عملکردی تنها با بزرگ‌تر کردن مدل حل نمی‌شود، بلکه به ۱۰۰ میلیارد دلار سرمایه‌گذاری در جمع‌آوری داده‌های هدفمند نیاز دارد.

به نقل از اندرو هو (Andrew Ho)، پژوهشگر سابق OpenAI، در یادداشت‌هایی که ۳۰ ژوئیه ۲۰۲۶ منتشر شد، قوانین مقیاس‌پذیری (Scaling Laws) دیگر نمی‌توانند کمبود داده‌های زمینه‌ای و دارای ارزش اقتصادی را جبران کنند. در واقع، مدل‌های زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در مواجهه با مسائل پیچیده دنیای واقعی دچار شکست در تعمیم‌پذیری (Generalization) می‌شوند.

همان‌طور که در تحلیل قبلی ما درباره‌ی GPT-5.6 Luna اشاره کردیم، صنعت اکنون از «افزایش اندازه» به سمت «بهینه‌سازی هزینه» حرکت کرده است. اما مشکل اصلی این است که مدل‌ها علیرغم ارزان‌تر شدن، همچنان در استدلال‌های خلاقانه ناتوان‌اند؛ درست مثل دانش‌آموزی که کتاب را حفظ کرده اما نمی‌تواند منطق آن را در یک مسئله جدید به کار ببرد.

طبق گزارش هو، در زمینه‌های تخصصی مانند بیوانفورماتیک، مدل‌هایی مثل GPT-5.6 Sol تنها به نرخ موفقیت ۳۰ درصدی رسیده‌اند. دلیل این شکست این است که «مسیر طلایی» یا همان زنجیره تفکر (Chain-of-Thought) — شبیه وقتی شاگرد ریاضی پای تخته بلند بلند فکر می‌کند تا به جواب برسد — متخصصان انسانی به‌ندرت در مجموعه‌های داده موجود ثبت شده است.

برای پر کردن این خلأ، پروژه‌های جدید هو روی دو محور متمرکز شده‌اند:

• تحلیل‌های پیچیده علمی برای بیوانفورماتیک و علوم مواد.
• جریان‌های کاری روزمره آزمایشگاهی، شامل ارزیابی تصاویر تجربی توسط هوش مصنوعی.

آدام هانت (Adam Hunt)، پژوهشگر دانشگاه کمبریج، این روند را تأیید می‌کند. او معتقد است مدل‌ها به جای همه‌فنره شدن، در حال تخصصی شدن هستند. بر اساس بررسی‌های او، در حالی که توانایی‌های ریاضی و برنامه‌نویسی جهش کرده‌اند، کیفیت زبان و منطق ساده در حال رکود است.

هانت می‌گوید موفقیت یادگیری تقویتی (Reinforcement Learning) در کدنویسی به دلیل وجود سیگنال‌های پاداش شفاف است؛ اما سایر حوزه‌ها چنین زیرساختی ندارند. این یعنی وعده اولیه «هوش مصنوعی عمومی»، بیشتر اثر جانبی آموزش متنی گسترده بود تا درک واقعی مفاهیم. این تغییر رویکرد از مدل‌های عمومی به سمت تخصصی، با دیدگاه‌هایی چون جایگزینی اپلیکیشن‌ها با عامل‌های هوشمند هم‌سو است که در آن تمرکز بر کاربرد واقعی و هدفمند است.

از منظر تجاری، این وضعیت یک چرخه خطرناک ایجاد کرده است. هو استدلال می‌کند که آزمایشگاه‌های پیشرو مثل OpenAI و Anthropic در حال تبدیل شدن به سازمان‌هایی به‌شدت زیان‌ده هستند. آن‌ها مجبورند هزینه‌های سرسامیده‌ای را صرف مدل‌های جدید کنند تا صرفاً فاصله خود را با رقبای چابک‌تر و ارزان‌تری مثل Qwen یا Kimi حفظ کنند. این فشار مالی در حالی رخ می‌دهد که گزارش‌های اخیر از شکاف عمیق میان درآمدات تبلیغاتی OpenAI و پیش‌بینی‌های اولیه خبر می‌دهند، که بحران نقدینگی این شرکت‌ها را تشدید می‌کند.

در مقابل، تام زهاوی (Tom Zahavy) از گوگل دیپ‌مایند در مقاله «مدل‌های زبانی نمی‌توانند بپرند»، راهکاری ساختاری ارائه می‌دهد. او پیشنهاد می‌کند حرکت به سمت مدل‌های دنیای کنترل‌پذیر — که اجازه آزمایش‌های خلافِ واقع را می‌دهند — تنها راه عبور از سوابق زبانی است.

برای شما به عنوان کاربر یا توسعه‌دهنده، این یعنی «جادوی» مدل‌های همه‌منظوره احتمالاً به سقف توانایی‌های خود رسیده است. برندگان بعدی کسانی نخواهند بود که بزرگ‌ترین خوشه‌های پردازشی را دارند، بلکه کسانی پیروز می‌شوند که دقیق‌ترین داده‌های دنیای فیزیکی و علمی را در اختیار دارند.

گام بعدی شما

• اگر روی محصولات تخصصی کار می‌کنید، به جای مدل‌های غول‌پیکر، روی استراتژی‌های جمع‌آوری داده‌های خاص (SME Data) تمرکز کنید.
• در ارزیابی مدل‌ها، به جای معیارهای کلی، روی «داده‌های مرجع» (Ground Truth) در حوزه‌ی کاری خود حساس شوید.
• مدل‌های کوچک‌تر و تخصصی‌تر را برای جایگزینی با مدل‌های عمومی در وظایف تکراری آزمایش کنید.

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