تحديات عدة تواجه تطور الذكاء الاصطناعي

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.

وأفاد 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.

ومنذ طفرة الذكاء الاصطناعي التوليدي في 2022، كانت التوقعات تشير إلى أن توسيع الموارد سيكون كافياً لتجاوز الذكاء البشري. ولكن مع مرور الوقت، على الرغم من زيادة الإنفاق بشكل كبير، تباطأ التقدم بشكل ملحوظ. 

وأشار ستيوارت راسل، عالم الحاسوب في جامعة كاليفورنيا، بيركلي، الذي شارك في إعداد التقرير إلى أنه: “منذ إطلاق GPT-4، أصبح واضحًا أن توسيع النماذج كان تدريجيًا ومكلفًا. الشركات قد استثمرت أموالًا ضخمة بالفعل، ولا يمكنها التراجع بسبب الضغوط المالية”.

وفي السنوات الأخيرة، ساهمت بنية المحولات (Transformers) التي ابتكرتها غوغل في عام 2017 في تحسين قدرات نماذج الذكاء الاصطناعي. 

وهذه النماذج تستفيد من زيادة البيانات لإنتاج استجابات أكثر دقة، إلا أن التوسع المستمر يتطلب موارد ضخمة من الطاقة والمال.

وأضاف راسل: “المشكلة تكمن في أن هذه النماذج تعتمد على شبكات ضخمة تمثل مفاهيم مجزأة، مما يجعلها بحاجة إلى كميات ضخمة من البيانات”.

ونتيجة 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.