سم آلتمن: تردید دربارهٔ قوانین مقیاس‌پذیری مانع پیشرفت هوش مصنوعی شد

تصور کنید سال‌ها روی یک مسیر حرکت کنید و ناگهان بفهمید تمام موانع شما، ساختهٔ ذهن خودتان بوده است. سم آلتمن، مدیرعامل OpenAI، دقیقاً همین ادعا را در ۲۱ ژوئن ۲۰۲۶ در دانشگاه استنفورد مطرح کرد: نسلی از پژوهشگران به‌دلیل اعتماد بیش از حد به «آنچه مقیاس‌دهی نمی‌تواند انجام دهد»، مانع پیشرفت این حوزه شدند.

این نگاه به مقیاس خام در حالی می‌آید که صنعت درگیر جنگ استعدادها برای مدیریت سامانه‌های عظیم است. همان‌طور که در تحلیل قبلی ما درباره‌ی تصویر عمومی و جنجالی آلتمن اشاره کردیم، او اکنون روی فلسفه فنی‌ای شرط‌بندی کرده که OpenAI را از منتقدانش جدا می‌کند. او معتقد است مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — هنوز به سقف توانایی‌هایش نرسیده است.

به نقل از وب‌سایت the-decoder.com، آلتمن به‌طور مشخص با دیدگاه‌هایی مثل نظر یان لکون (Yann LeCun) که مدل‌های زبانی را بن‌بست می‌داند، مخالفت کرد. او دو دلیل اصلی برای تداوم سلطه قوانین مقیاس‌پذیری (Scaling Laws) — یعنی قاعده‌ای که می‌گوید با افزایش داده و توان پردازشی، هوش مدل به‌طور پیش‌بینی‌پذیری بالا می‌رود — ارائه داد:

• کشف دانش جدید: طبق اعلام OpenAI، یکی از مدل‌های این شرکت اخیراً یک حدس ریاضی را رد کرد که سال‌ها متخصصان انسانی را به چالش کشیده بود. این تمرکز بر ارتقای توانمندی‌های مدل در کنار نظارت انسانی، در راستای تغییر استراتژی OpenAI برای جایگزینی خودکارسازی کامل با همکاری انسان و هوش مصنوعی است که پیش‌تر بررسی کردیم.
• جذب استعدادهای استراتژیک: در ۲۰ ژوئن ۲۰۲۶، نوآم شازیر (Noam Shazeer)، یکی از رهبران Gemini و نایب‌رئیس سابق مهندسی در گوگل دیپ‌مایند (Google DeepMind)، به OpenAI پیوست تا تجربه مدیریت تیم‌های ۱۰۰۰ نفری برای عرضه سامانه‌های منسجم را به این شرکت منتقل کند.

آلتمن می‌پذیرد که مدل‌ها هنوز در تکالیفی با افق زمانی بلند که نیاز به قضاوت بالا دارند، مشکل دارند. اما بر اساس بررسی منابع متعدد، داده‌ها همچنان از رشد مداوم پشتیبانی می‌کنند. او معتقد است برخی پژوهشگران هویت خود را با یک موضع خاص گره زده‌اند و داده‌هایی که خلاف ادعایشان است را نادیده می‌گیرند.

برای مدیران کسب‌وکار، این به معنای آن است که شکاف رقابتی به‌جای بسته شدن، عمیق‌تر خواهد شد. کسانی که مقیاس را می‌پذیرند، سریع‌تر از کسانی که به‌دنبال معماری‌های جایگزین هستند، پیش می‌روند. حالا تمرکز از «آیا مدل‌ها کار می‌کنند» به «چقدر سریع می‌توان محاسبات و استعدادها را مقیاس کرد» تغییر یافته است.

برای مدیران کسب‌وکار، این به معنای آن است که شکاف رقابتی به‌جای بسته شدن، عمیق‌تر خواهد شد. کسانی که مقیاس را می‌پذیرند، سریع‌تر از کسانی که به‌دنبال معماری‌های جایگزین هستند، پیش می‌روند. حالا تمرکز از «آیا مدل‌ها کار می‌کنند» به «چقدر سریع می‌توان محاسبات و استعدادها را مقیاس کرد» تغییر یافته است.

گام بعدی شما

• مدل‌های استدلالی جدید OpenAI را از نظر توانایی در تکالیف بلندمدت (Long-horizon) بسنجید.
• استراتژی جذب استعدادهای سطح بالا در شرکت‌های AI را به‌عنوان سیگنالی از جهت حرکت مدل‌ها دنبال کنید.
• بررسی کنید آیا مدل‌های کوچک‌تر در سازمان شما می‌توانند جایگزین مقیاس بزرگ شوند یا خیر.

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