أظهر استطلاع حديث لعدد من خبراء الذكاء الاصطناعي أن توسيع نماذج اللغات الكبيرة (LLMs) لن يؤدي إلى الوصول إلى الذكاء الاصطناعي العام (AGI)، الذي يمثل تقدمًا نوعيًا يمكن الأنظمة من التعلم بشكل مماثل أو أفضل من البشر.
أفاد 76% من أصل 475 باحثًا في هذا المجال أنهم يعتبرون أن هذا التوسع “غير مرجح” أو “غير مرجح جدًا” أن يحقق الذكاء الاصطناعي العام. وهذه النتيجة تمثل انتكاسة كبيرة للصناعات التكنولوجية التي كانت تأمل في أن مجرد تحسين النماذج الحالية من خلال زيادة البيانات والطاقة سيؤدي إلى تحقيق AGI.
منذ طفرة الذكاء الاصطناعي التوليدي في 2022، كانت التوقعات تشير إلى أن توسيع الموارد سيكون كافياً لتجاوز الذكاء البشري. لكن مع مرور الوقت، على الرغم من زيادة الإنفاق بشكل كبير، تباطأ التقدم بشكل ملحوظ. وقال ستيوارت راسل، عالم الحاسوب في جامعة كاليفورنيا، بيركلي، الذي شارك في إعداد التقرير: “منذ إطلاق GPT-4، أصبح واضحًا أن توسيع النماذج كان تدريجيًا ومكلفًا. الشركات قد استثمرت أموالًا ضخمة بالفعل، ولا يمكنها التراجع بسبب الضغوط المالية”.
في السنوات الأخيرة، كانت البنية الأساسية للمحولات (Transformers) التي تم ابتكارها في غوغل عام 2017 قد ساعدت في تحسن قدرات نماذج الذكاء الاصطناعي. هذه النماذج تستفيد من زيادة البيانات لتوليد استجابات أدق، لكن التوسع المستمر يتطلب موارد هائلة من الطاقة والمال.
وقد جذب قطاع الذكاء الاصطناعي المولّد نحو 56 مليار دولار في رأس المال المغامر في 2024، تم تخصيص جزء كبير منها لبناء مراكز بيانات ضخمة ساهمت في زيادة انبعاثات الكربون ثلاث مرات منذ 2018.
وبحلول نهاية هذا العقد، مع استنفاد البيانات البشرية القابلة للاستخدام، ستكون الشركات أمام خيارين: إما استخدام البيانات التي أنشأها الذكاء الاصطناعي نفسه أو جمع بيانات خاصة من المستخدمين، مما قد يعرض النماذج لأخطاء إضافية. ولكن، كما أشار راسل، لا تقتصر التحديات على الموارد فقط، بل تتعلق أيضًا بالقيود الهيكلية في طريقة تدريب هذه النماذج.
وأوضح راسل قائلاً: “المشكلة تكمن في أن هذه النماذج تعتمد على شبكات ضخمة تمثل مفاهيم مجزأة، مما يجعلها بحاجة إلى كميات ضخمة من البيانات”.
نتيجة لهذه التحديات، بدأ الباحثون في استكشاف نماذج استدلالية متخصصة التي قد تتيح استجابات أكثر دقة. كما يعتقد البعض أن دمج تقنيات الذكاء الاصطناعي مع أنظمة تعلم آلي أخرى قد يفتح آفاقًا جديدة في هذا المجال.
وفي هذا السياق، أثبتت شركة DeepSeek الصينية أنها قادرة على تحقيق نتائج متميزة بتكاليف أقل، متفوقة بذلك على العديد من نماذج الذكاء الاصطناعي التي تعتمد عليها شركات التكنولوجيا الكبرى في وادي السيليكون.
رغم هذه التحديات، لا يزال هناك أمل في التقدم، حيث يعتقد توماس ديتريش، الأستاذ الفخري لعلوم الحاسوب في جامعة ولاية أوريغون، أنه: “في الماضي، كانت التطورات التكنولوجية تحتاج من 10 إلى 20 عامًا لتحقيق العوائد الكبيرة، مما يعني أن هناك فرصة كبيرة للابتكار في مجال الذكاء الاصطناعي، على الرغم من أن العديد من الشركات قد تفشل في البداية”.