گزارش گوگل دیپ‌مایند: هوش مصنوعی هنوز سرعت پژوهش‌های علمی را زیاد نکرده است

تصور کنید در شرکتی کار می‌کنید که بیشتر کدهایش را ماشین‌ها می‌نویسند، اما برای هر تصمیم حیاتی، هنوز باید یک انسان تایید نهایی را بدهد. این وضعیت فعلی گوگل است؛ جایی که رویای «انفجار هوش» و بهبود خودکار مدل‌ها، هنوز با واقعیت فاصله دارد.

به نقل از هیدن بل‌فیلد (Haydn Belfield)، مهندس گوگل، در گزارشی که در ۱۴ اکتبر ۲۰۲۶ منتشر شد، گوگل دیپ‌مایند (Google DeepMind) هیچ شتاب ملموسی در پژوهش‌های هوش مصنوعی ندیده است که توسط خودِ این فناوری ایجاد شده باشد. این یافته در حالی منتشر می‌شود که صنعت در حال بحث بر سر این است که آیا عامل‌های (Agents) — شبیه دستیارهای هوشمندی که می‌توانند به‌طور مستقل هدف را دنبال کنند و ابزارها را اجرا کنند — به‌زودی جایگزین پژوهشگران انسانی می‌شوند یا خیر. این شکاف میان پتانسیل‌های تئوریک و واقعیت‌های عملی، یادآور نگرانی‌های عمیق‌تری است که منجر به استعفای برخی پژوهشگران ارشد دیپ‌مایند به دلیل مخاطرات هوش مصنوعی فوق‌بشر (ASI) شده بود.

همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت مدل‌های پرچم‌دار گوگل و متا اشاره کردیم، تمرکز اکنون از قدرت خام مدل‌ها به توانایی آن‌ها در بازنگری خودکار طراحی‌شان تغییر کرده است. اما داده‌های داخلی گوگل شکاف عمیقی را بین اتوماسیون روتین و پژوهش خلاق نشان می‌دهد.

بر اساس مستندات داخلی، سهم تغییرات کد که کاملاً به هوش مصنوعی سپرده شده از ۷.۵ به ۱۱.۹ درصد رسیده است، اما ۸۸ درصد از تمام تغییرات هنوز به بررسی انسانی نیاز دارند. در محک RE-Bench که ۷۴ وظیفه واقعی مهندسی یادگیری ماشین را می‌سنجد، عامل Gemini 4 Argon حدود نیمی از وظایف را حل می‌کند. این عدد نسبت به ۲۷ درصدِ Gemini 3.7 Flash جهشی بزرگ است، اما هنوز با عملکرد بی‌نقصی که برای استقلال کامل لازم است، فاصله دارد. این تغییر در نحوه تعامل انسان و ماشین، بخشی از چرخش‌های مهندسی سال ۲۰۲۶ است که در حال بازتعریف توسعه نرم‌افزار در سطح جهانی است.

تیم پژوهشی برای رصد سیستماتیک این روند، شاخص قابلیت عمومی (GCI) را طراحی کرد که ۱۲۳ مدل و ۹۲ محک را پوشش می‌دهد. این شاخص نشان می‌دهد قابلیت‌های Gemini با سرعت ثابت ۰.۱ امتیاز در ماه رشد می‌کنند. به باور این تیم، برتری نسبی مدل Argon نتیجه‌ی افزایش محاسبات (Compute) — یعنی همان اجاره‌ی آشپزخانه‌های صنعتی و سخت‌افزاری گران‌قیمت — و سرمایه‌گذاری سازمانی است، نه یک شتاب بازگشتی ناشی از خودِ هوش مصنوعی.

این وضعیت نشان می‌دهد که «مهارت کمیاب» در عصر فعلی، تولید محتوا نیست، بلکه تایید مستقل است. هرچه ماشین‌ها کدهای بیشتری می‌نویسند، نیاز به متخصصان انسانی برای تشخیص ناپایداری‌های ظریف در آموزش و طراحی آزمایش‌های نوآورانه بیشتر می‌شود.

در حالی که بل‌فیلد ریسک اتوماسیون پژوهش‌ها را پایین می‌بیند، چهره‌های برجسته‌ای چون جفری هینتون و یوشوا بنجیو هشدار داده‌اند که هوش مصنوعی می‌تواند تمام تحقیق و توسعه (R&D) را در چند سال آینده خودکار کند و پیشرفت‌های چندین دهه را به چند ماه کاهش دهد. در مقابل، برخی تحلیل‌گران اقتصادی نگاهی واقع‌بینانه‌تر دارند؛ چنان‌که دارون عجم‌اوغلو پیش‌بینی کرده است که رشد تولید ناخالص داخلی جهانی بر اثر AI بسیار محدودتر از تصورات خوش‌بینانه خواهد بود.

گام بعدی شما

• اگر مدیر فنی هستید، روی مهارت‌های «بازبینی و تایید» (Verification) تیم خود سرمایه‌گذاری کنید، نه فقط تولید کد.
• روند تغییرات شاخص GCI را دنبال کنید تا ببینید آیا منحنی رشد مدل‌ها بالا می‌رود یا خیر.
• ابزارهای عامل‌محور را برای کارهای روتین به کار بگیرید، اما برای معماری‌های پیچیده، نظارت انسانی را حذف نکنید.

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