تصور کنید یک استراتژیست ارشد بر اساس پیش‌بینی‌های جمعی، برنامه‌ای ۱۰ ساله برای کسب‌وکارش می‌ریزد، اما متوجه می‌شود رقیبش با ابزاری که قرار بود سال ۲۰۳۵ برسد، همین امروز بازار را تصاحب کرده است. این دقیقاً همان شکافی است که اکنون بین پیش‌بینی‌های متخصصان و واقعیت‌های هوش مصنوعی زاینده (Generative AI) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — ایجاد شده است.
مؤسسه تحقیقات پیش‌بینی (FRI) دریافت که حتی برترین متخصصان جهان در تخمین سرعت پیشرفت هوش مصنوعی شکست خورده‌اند. طبق گزارش این مؤسسه، مدل‌ها در چندین حوزه کلیدی، سال‌ها پیش از تاریخ‌های پیش‌بینی‌شده توسط میانگین متخصصان، به نقاط عطف رسیدند.
این شکاف پیش‌بینی در حالی رخ می‌دهد که صنعت از پتانسیل‌های تئوریک به مقیاس تجاری عظیم حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های عامل‌های هوش مصنوعی در شناسایی باگ‌ها اشاره کردیم، روند کلی نشان می‌دهد که قابلیت‌های خام این مدل‌ها سریع‌تر از توان ردیابی متخصصان تکامل می‌یابند.
زمینه و متدولوژی مطالعه
به نقل از مستندات FRI، این مؤسسه از اواسط سال ۲۰۲۲ پیش‌بینی‌ها را از طریق پروژه‌های مختلف، از جمله پنل متخصصان هوش مصنوعی (LEAP) جمع‌آوری کرده است. در دور اول این پنل، ۳۳۹ متخصص شرکت کردند که شامل ۷۶ دانشمند علوم کامپیوتر، ۷۶ متخصص صنعت، ۶۸ اقتصاددان و ۱۱۹ متخصص سیاست‌گذاری هوش مصنوعی بود.
گروه دانشمندان علوم کامپیوتر بسیار معتبر بود و ۳۰ استاد از ۲۰ دانشگاه برتر جهان و ۱۰ نفر از ۲۰۰ نویسنده پراستناد حوزه هوش مصنوعی را در بر می‌گرفت. همچنین «پیش‌بینان برتر» (Superforecasters) — افرادی که سابقه اثبات‌شده‌ای در پیش‌بینی‌های دقیق عمومی دارند — نیز در این پنل حضور داشتند.
شکاف عمیق در پیش‌بینی‌ها
بر اساس گزارش FRI، تکان‌دهنده‌ترین اختلاف در حوزه ریاضیات مشاهده شد. هوش مصنوعی در ژوئیه ۲۰۲۵ به سطح مدال طلای المپیاد جهانی ریاضیات رسید. این اتفاق ۵ سال زودتر از پیش‌بینی میانگین متخصصان و ۱۰ سال زودتر از انتظار پیش‌بینان برتر رخ داد.
این پیش‌بینی‌ها در سال ۲۰۲۲ و پیش از عرضه ChatGPT جمع‌آوری شده بود، اما FRI اشاره می‌کند که این الگو پس از آن نیز تکرار شد. متخصصان احتمال وقوع این نتایج را ۲۴.۶٪ و پیش‌بینان برتر تنها ۹.۷٪ تخمین زده بودند. برای عملکرد سطح مدال طلا، این ارقام به ترتیب به ۸.۶٪ و ۲.۳٪ کاهش یافت. این شتاب خیره‌کننده در حل مسائل پیچیده، یادآور دوران کوتاهی است که در آن سیستم‌های هوش مصنوعی توانستند دهه‌ها تلاش علمی در ریاضی و رمزنگاری را به صفر برسانند.
دیگر شکست‌های پیش‌بینی عبارتند از:
- ویروس‌شناسی: متخصصان پیش‌بینی کردند هوش مصنوعی تا سال ۲۰۳۰ در محک‌های عیب‌یابی با تیم‌های برتر ویروس‌شناسان برابری کند. پیش‌بینان برتر سال ۲۰۳۴ را حدس زدند، اما طبق گزارش FRI، این اتفاق احتمالاً در آوریل ۲۰۲۵ رخ داده است.
- امنیت سایبری: تخمین‌های مشابهی رخ داد و هوش مصنوعی سال‌ها زودتر از بازه ۲۰۳۰-۲۰۳۴ با تیم‌های انسانی برابری کرد.
- ریاضیات پیشرفته: احتمال دارد هوش مصنوعی یکی از مسائل جایزه هزاره را حل کرده باشد. در نظرسنجی اوت و سپتامبر ۲۰۲۵، متخصصان احتمال این اتفاق تا پایان ۲۰۲۷ را تنها ۱۰٪ و پیش‌بینان برتر ۵.۴٪ دانستند.
محاسبات اشتباه اقتصادی
پیش‌بینی‌های مالی نیز به‌طور مشابه محافظه‌کارانه بودند. متخصصان پیش‌بینی کردند که بالاترین درآمد سالانه تکرارشونده (ARR) برای هر شرکت هوش مصنوعی تا پایان ۲۰۲۶ حدود ۲۰ میلیارد دلار باشد. اقتصاددانان ۱۶ میلیارد و پیش‌بینان برتر ۲۵ میلیارد دلار را تخمین زدند.
در واقعیت، FRI اشاره می‌کند که شرکت Anthropic احتمالاً تا سپتامبر ۲۰۲۶ به درآمد ۱۰۰ میلیارد دلاری رسیده است. حتی خوش‌بینانه‌ترین تخمین (۲۵ میلیارد دلار) در برابر رقم ۶۵ میلیارد دلاری که در ژوئیه ۲۰۲۶ برای آزمایشگاه‌های پیشرو گزارش شد، ناچیز است. درآمد سالانه در Anthropic و OpenAI بسیار فراتر از میانگین پیش‌بینی‌های تمام گروه‌ها بود.
جایی که متخصصان درست دیدند
البته همه پیش‌بینی‌ها پایین نبودند. در یک آزمایش کنترل‌شده، تنها ۵.۲٪ از شرکت‌کنندگان توانستند با استفاده از یک مدل زبانی بزرگ (LLM) و دسترسی به اینترنت، وظایف آزمایشگاه بیولوژیکی را انجام دهند، در حالی که این رقم برای کسانی که فقط از اینترنت استفاده کردند ۶.۶٪ بود. این عدد بسیار کمتر از پیش‌بینی ۲۲.۵٪ تا ۴۰٪ متخصصان بود.
به همین ترتیب، سفرهای تاکسیرانی خودمختار در آمریکا احتمالاً بیش از حد تخمین زده شده‌اند. پیش‌بینی میانگین متخصصان برای سهم این سفرها در سال ۲۰۲۷ حدود ۷.۳٪ بود، در حالی که پیش‌بینی یک مدل زبانی آن را ۲.۵٪ برآورد می‌کند.
این نتایج نشان‌دهنده شکافی بین هوش «دیجیتال» (ریاضی، کد، درآمد) و تعامل با دنیای «فیزیکی» است. توانایی حل یک مسئله ریاضی پیچیده سریع‌تر از توانایی حرکت در یک آزمایشگاه یا خیابان شهر پیش می‌رود.
تغییر انتظارات
اکنون پاسخ‌دهندگان در حال بازنگری پیش‌بینی‌های خود به سمت بالا هستند. طی ۹ ماه، احتمال اینکه هوش مصنوعی به یک «تکنولوژی قرن» (در سطح الکتریسیته) تبدیل شود، برای متخصصان از ۳۱٪ به ۳۶٪ و برای پیش‌بینان برتر از ۲۸٪ به ۳۵٪ افزایش یافت.
برای رهبران کسب‌وکار، این یعنی پنجره زمانی برای سازگاری با تحولات هوش مصنوعی بسیار کوتاه‌تر از آن چیزی است که دیدگاه «اجماعی» می‌گوید. اگر روند ۲۰۲۵-۲۰۲۶ ادامه یابد، فاصله بین برنامه‌های استراتژیک و واقعیت بیشتر خواهد شد.
گام بعدی شما
- بازنگری در نقشه‌های راه (Roadmap) تکنولوژیک خود؛ فرض کنید قابلیت‌های دیجیتال مدل‌ها سریع‌تر از پیش‌بینی‌های رسمی رشد می‌کنند.
- تمرکز بر ابزارهای استدلالی برای حوزه‌های ریاضی و کدنویسی، چرا که این بخش‌ها بیشترین شتاب را دارند.
- تفکیک استراتژی‌های «اتوماسیون دیجیتال» از «اتوماسیون فیزیکی»، زیرا دومی با سرعت بسیار کمتری پیش می‌رود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو