تصور کنید سیستمی داشته باشید که هر شب روی نقاط ضعف خود فکر کند و صبح روز بعد، نسخه‌ای 똑-بهتر و هوشمندتر از خودش باشد. این دیگر یک رویای علمی نیست، بلکه مأموریت جدید لیلیان ونگ در OpenAI است.
OpenAI طبق اعلام رسمی شرکت، لیلیان ونگ را برای رهبری تیمی ویژه به خدمت گرفته است تا سرعت پیشرفت‌های داخلی را افزایش دهد. این بازگشت درست پس از آن رخ داد که ونگ در ۲۷ ژوئیه ۲۰۲۶ از نقش خود به عنوان هم‌بنیان‌گذار Thinking Machines کناره‌گیری کرد. او دلیل این تصمیم را فشارهای شدید مدیریت استارتاپی و آسیب‌های جسمی ناشی از آن عنوان کرد.
این جابجایی در حالی رخ می‌دهد که صنعت درگیر جنگ استعدادهاست. این تغییرات در ساختار انسانی OpenAI در حالی اتفاق می‌افتد که شرکت با موج خروج برخی از چهره‌های کلیدی مواجه است، همان‌طور که گزارش‌های اخیر درباره دلایل خروج جاشوا آکیام از این سازمان نشان می‌دهد. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی رفتارهای پیش‌بینی‌نشده‌ی عامل‌ها (Agents) — سیستم‌هایی که مثل کارمندانی دیجیتال، وظایف پیچیده را به‌طور مستقل پیش می‌برند — اشاره کردیم، OpenAI حالا به دنبال چارچوب‌های رسمی‌تری برای تکامل مدل‌هاست.
به نقل از سخنگوی شرکت، مأموریت ونگ بر روی خودبهسازی بازگشتی (Recursive Self-Improvement) متمرکز است. این فرآیند فنی شامل موارد زیر است:
- طراحی سیستم‌هایی که بتوانند روی معماری خود تغییرات مثبت ایجاد کنند.
- ایجاد یک حلقه بازخورد که در آن هوش مصنوعی از طریق اصلاح خود، قدرتمندتر شود.
- حمایت از ابتکارات پژوهشی متقاطع برای تسریع پیشرفت‌های داخلی.
ونگ پیش از این به‌عنوان نایب‌رئیس تحقیقات ایمنی در این آزمایشگاه فعالیت می‌کرد و بنابراین چهره‌ای شناخته‌شده در سازمان بود. این تصمیم توسط میرا موراتی (Mira Murati)، مدیر فنی سابق OpenAI، نیز حمایت شد و او بر اولویت سلامت در برابر فشارهای کاری تأکید کرد.
از دیدگاه تجاری، این حرکت نشان می‌دهد OpenAI روی فرضیه «انفجار هوش» شرط‌بندی کرده است. آن‌ها باور دارند سریع‌ترین مسیر رسیدن به هوش مصنوعی عمومی (AGI)، نه فقط تزریق داده‌های بیشتر، بلکه ساخت مدل‌هایی است که بتوانند خودشان را مهندسی کنند. این رویکرد وابستگی به چرخه‌های پژوهشی انسانی را کاهش می‌دهد و می‌تواند مشابه مدل‌های اتوماسیون پیشرفته در حوزه‌های تخصصی باشد؛ مانند رویکرد مایل وانگ در اتوماسیون کشف دارو که هدف آن حذف مداخلات دستی در فرآیندهای پیچیده است.
گام بعدی شما
- مقالات فنی جدید OpenAI را با تمرکز بر واژه‌ی «Recursive loops» دنبال کنید.
- بررسی کنید که آیا این خودبهسازی باعث افزایش نرخ توهم در مدل‌ها می‌شود یا کاهش آن.
- اثر این تغییر رویکرد بر استراتژی‌های جذب استعداد در استارتاپ‌های کوچک را رصد کنید.
اما تأثیر این رویکرد بر هزینه‌های سخت‌افزاری حتی پیچیده‌تر است؛ برای درک این موضوع به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو