
طی چهار سال گذشته، سمتوسوی پژوهشهای هوش مصنوعی بهطور چشمگیری به سمت مدلهای بزرگ زبانی (LLM) تغییر یافته و مرزهای توسعه این فناوری از موسسات دانشگاهی به شرکتهای خصوصی منتقل شده است. دانشگاهها توان مالی لازم برای تامین تراشههای گرافیکی (GPU) مورد نیاز جهت آموزش و اجرای مدلهای پیشرو را ندارند و از سوی دیگر، شرکتهایی مانند اوپنایآی (OpenAI) و انتروپیک (Anthropic) نیز جزئیات داخلی مدلهای خود مانند ChatGPT و Claude را فاش نمیکنند.
محدودیتهای زیرساختی و مالی، استادان و پژوهشگران دانشگاهی هوش مصنوعی را در موقعیت پیچیدهای قرار داده است. نیکا حقطلب، استاد علوم کامپیوتر دانشگاه کالیفرنیا، برکلی، وضعیت کنونی پژوهشگران دانشگاهی را به زیستشناسانی تشبیه میکند که در دنیایی فعالیت میکنند که ابزار ویرایش ژن قیچی کریسپر (CRISPR) در انحصار کامل شرکتهای خصوصی قرار دارد. دانشمندان خارج از آزمایشگاههای پیشرو میتوانند رفتار مدلهایی مانند ChatGPT را بررسی کنند، اما امکان مطالعه دقیق روی طراحی، دادههای آموزش و هدایت این ابزارها را ندارند.
اگرچه برنامههای حمایتی نظیر طرح AI2050 بودجههایی را برای خرید پردازندههای گرافیکی در اختیار برخی محققان قرار میدهند، اما مسائل مالی همچنان یک چالش اساسی است. کاهش بودجههای پژوهشی دولتی در ایالات متحده نیز این بحران را تشدید کرده است؛ بهطوری که حتی ارزیابی و ارسال فراخوانهای متعدد به APIهای مدلهای تجاری برای مطالعه رفتار آنها، هزینههای بسیار سنگینی به دانشگاهها تحمیل میکند.
بسیاری از پژوهشگران دانشگاهی به جای رقابت در توسعه ابزارهای عمومی، توجه خود را معطوف به پرسشهایی کردهاند که شرکتهای بزرگ فناوری تمایلی به بررسی آنها ندارند. آنجالی فیلد، استاد علوم کامپیوتر دانشگاه جانز هاپکینز، اشاره میکند که شرکتهای تجاری بر سودآوری تمرکز دارند و پژوهشهایی که بازده مالی نداشته یا ممکن است چهره آنها را مخدوش کند، در اولویتشان قرار نمیگیرد.
به عنوان نمونه، فیلد در مطالعهای نشان داد که مدلهای زبانی به پرسشهایی که با الگوهای زبانی رایج میان زنان مطرح میشوند، پاسخهای کمدقتتری نسبت به الگوهای مردانه میدهند. انجام چنین پژوهشهای انتقادی و آسیبشناسانهای از دل آزمایشگاههای تجاری بعید به نظر میرسد.
بخش بزرگی از جامعه اکادمیک هوش مصنوعی بر روی مدلهای تخصصی غیر زبانی کار میکنند؛ ابزارهایی که برای تحلیل دادهها، پیشبینیهای علمی یا شبیهسازی سیستمهای پیچیده فیزیکی طراحی شدهاند. با این حال، غلبه رسانهای و عمومی مدلهای زبانی بزرگ، چالشهای جدیدی برای این دسته از دانشمندان ایجاد کرده است.
بسیاری از محققانی که ابزارهای هوش مصنوعی را برای مقابله با تغییرات اقلیمی یا تحلیلهای زیستی توسعه میدهند، با این تصور اشتباه افکار عمومی مواجهند که «هوش مصنوعی» صرفاً به معنای مدلهای زبانی پرمصرف و انرژیبر است. این ناآگاهی عمومی، تامین مالی و تبیین اهمیت پروژههای تخصصی غیر زبانی را دشوارتر کرده است.
این چالشها چشمانداز دانشگاهی را دستخوش تغییر کرده است. برخی از برجستهترین استادان دانشگاه برای پیوستن به آزمایشگاههای پیشرو تجاری، مرخصیهای طولانیمدت گرفتهاند یا همزمان در بخش صنعت و دانشگاه فعالیت میکنند. از سوی دیگر، توانایی مدلهای جدید در حل مسائل پیچیده ریاضی، نگرانیهایی را درباره آینده نقش انسان در علوم پایه ایجاد کرده است.
با این حال، گروهی از دانشمندان نظیر تیم دتمِرز، استاد علوم کامپیوتر دانشگاه کارنگی ملون، هوش مصنوعی را نه یک تهدید، بلکه فرصتی برای افزایش کارایی میدانند. به باور او، ابزارهای هوش مصنوعی جایگزین دانشمندان نخواهند شد، بلکه سرعت و بهرهوری آنها را برای دنبال کردن ایدههای خلاقانه و نیازمند محاسبات سنگین به شدت افزایش میدهند.
محدودیت شدید منابع مالی و محاسباتی، پژوهشگران دانشگاهی را به سمت راهحلهای خلاقانه سوق داده است. این شرایط آنها را ترغیب میکند تا روشهای جدیدی برای کوچکسازی مدلها، افزایش کارایی انرژی و ابداع معماریهای کاملاً نوظهور کشف کنند. تاریخ فناوری نشان داده است که تحولات بنیادین بعدی ممکن است نه از دل آزمایشگاههای چند میلیارد دلاری، بلکه از یک آزمایشگاه دانشگاهی منعطف و خلاق سربرآورد.
این مطلب بر اساس خبر MIT Technology Review بازنویسی و ترجمه شده است.
دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.