قانون مور استاندارد طلا برای پیش بینی پیشرفت فناوری برای سالها بود. معرفی شده توسط گوردون مور ، بنیانگذار اینتل ، در سال 1965 ، اظهار داشت که تعداد ترانزیستورها روی یک تراشه هر دو سال دو برابر می شوند و با گذشت زمان رایانه ها را سریعتر ، کوچکتر و ارزان تر می کنند. این پیشرفت مداوم همه چیز را از رایانه های شخصی و تلفن های هوشمند گرفته تا ظهور اینترنت دامن زده است.
اما آن دوران به پایان می رسد. ترانزیستورها اکنون در مقیاس اتمی به محدوده اتمی رسیده اند و کوچک کردن آنها بیشتر بسیار گران و پیچیده شده است. در همین حال ، قدرت محاسبات هوش مصنوعی به سرعت افزایش می یابد ، و از قانون مور بسیار فراتر می رود. بر خلاف محاسبات سنتی ، هوش مصنوعی به سخت افزار قوی ، تخصصی و پردازش موازی متکی است تا داده های عظیم را کنترل کند. آنچه هوش مصنوعی را از هم جدا می کند ، توانایی آن در یادگیری مداوم و پالایش الگوریتم های آن است و منجر به پیشرفت سریع در کارآیی و عملکرد می شود.
این شتاب سریع ما را به یک لحظه مهم که به عنوان تکینگی هوش مصنوعی شناخته می شود ، نزدیک می کند-نکته ای که در آن هوش مصنوعی از هوش انسانی پیشی می گیرد و یک چرخه غیرقابل توقف از بهبود خود را آغاز می کند. شرکت هایی مانند تسلابا نویدیابا Google DeepMindوت Openai این تحول را با GPU های قدرتمند ، تراشه های AI سفارشی و در مقیاس بزرگ هدایت کنید شبکه های عصبیبشر با توجه به اینکه سیستم های هوش مصنوعی به طور فزاینده ای قادر به پیشرفت هستند ، برخی از کارشناسان معتقدند که ما می توانیم از اوایل سال 2027 به سرپرست مصنوعی (ASI) برسیم – نقطه عطفی که می تواند جهان را برای همیشه تغییر دهد.
از آنجا که سیستم های هوش مصنوعی به طور فزاینده ای مستقل و قادر به بهینه سازی خود هستند ، کارشناسان پیش بینی می کنند که ما می توانیم به آن برسیم سرپرست مصنوعی (ASI) در اوایل سال 2027. اگر این اتفاق بیفتد ، بشریت وارد دوره جدیدی خواهد شد که AI نوآوری را هدایت می کند ، صنایع را تغییر شکل می دهد و احتمالاً از کنترل انسان فراتر می رود. سؤال این است که آیا هوش مصنوعی به این مرحله ، چه موقع و آیا ما آماده هستیم.
چگونه سیستم های مقیاس گذاری و خودآموزی در حال تغییر شکل محاسبات هستند
هرچه قانون مور حرکت خود را از دست می دهد ، چالش های کوچکتر شدن ترانزیستورها آشکارتر می شود. ایجاد گرما ، محدودیت های برق و افزایش هزینه های تولید تراشه باعث پیشرفت بیشتر در محاسبات سنتی به طور فزاینده ای مشکل شده است. با این حال ، هوش مصنوعی نه با ساختن ترانزیستورهای کوچکتر بلکه با تغییر نحوه عملکرد محاسبه ، بر این محدودیت ها غلبه می کند.
AI به جای تکیه بر کوچک شدن ترانزیستورها ، از پردازش موازی استفاده می کند ، یادگیری ماشین، و سخت افزار تخصصی برای افزایش عملکرد. یادگیری عمیق و شبکه های عصبی بر خلاف رایانه های سنتی که به طور متوالی وظایف را پردازش می کنند ، می توانند مقادیر زیادی از داده ها را به طور همزمان پردازش کنند. این تحول منجر به استفاده گسترده از GPU ها ، TPU ها و شتاب دهنده های هوش مصنوعی صریحاً برای بارهای کار هوش مصنوعی شده است و بهره وری قابل توجهی بیشتر دارد.
با پیشرفت تر شدن سیستم های هوش مصنوعی ، تقاضا برای قدرت محاسباتی بیشتر در حال افزایش است. این رشد سریع قدرت محاسبات هوش مصنوعی را 5 برابر سالانه افزایش داده است ، و از رشد سنتی 2 برابر قانون مور هر دو سال یک بار پیشی می گیرد. تأثیر این گسترش بیشتر در مدل های بزرگ زبان (LLMS) مانند GPT-4 ، Gemini و Deepseek ، که برای تجزیه و تحلیل و تفسیر مجموعه داده های عظیم به قابلیت های پردازش گسترده نیاز دارند و موج بعدی محاسبات AI را هدایت می کنند. شرکت هایی مانند NVIDIA در حال توسعه پردازنده های بسیار تخصصی هوش مصنوعی هستند که سرعت و کارآیی باورنکردنی را برای پاسخگویی به این خواسته ها ارائه می دهند.
مقیاس پذیری هوش مصنوعی توسط سخت افزار برش و الگوریتم های خود بهبودی هدایت می شود و دستگاه ها را قادر می سازد تا مقادیر زیادی از داده ها را با کارآمدتر از همیشه پردازش کنند. از مهمترین پیشرفت ها این است ابر رایانه Tesla’s Dojo، دستیابی به موفقیت در محاسبات بهینه سازی شده AI به صراحت برای آموزش مدلهای یادگیری عمیق طراحی شده است.
بر خلاف مراکز داده معمولی که برای کارهای عمومی ساخته شده است ، Dojo برای رسیدگی به بارهای عظیم هوش مصنوعی ، به ویژه برای فناوری خودران رانندگی تسلا ، مهندسی شده است. آنچه Dojo را متمایز می کند معماری سفارشی هوش مصنوعی آن است که به جای محاسبات سنتی برای یادگیری عمیق بهینه می شود. این امر منجر به سرعت آموزش بی سابقه ای شده و به تسلا این امکان را داده است تا در حالی که مصرف انرژی را از طریق مدیریت انرژی کارآمد کاهش می دهد ، زمان تمرین AI را از ماهها به هفته کاهش دهد. Dojo با فعال کردن تسلا برای آموزش مدل های بزرگتر و پیشرفته تر با انرژی کمتری ، نقش مهمی در تسریع در اتوماسیون AI محور دارد.
با این حال ، تسلا در این مسابقه تنها نیست. در سراسر صنعت ، مدل های هوش مصنوعی به طور فزاینده ای قادر به تقویت فرایندهای یادگیری خود هستند. به عنوان مثال ، Alphacode DeepMind با بهینه سازی کارایی نوشتن کد و بهبود منطق الگوریتمی در طول زمان ، توسعه نرم افزار تولید شده توسط AI را پیش می برد. در همین حال ، مدل های یادگیری پیشرفته Google DeepMind بر روی داده های دنیای واقعی آموزش دیده اند و به آنها امکان می دهد تا به صورت پویا سازگار شوند و فرآیندهای تصمیم گیری را با حداقل مداخله انسان اصلاح کنند.
به طور قابل توجهی ، هوش مصنوعی اکنون می تواند خود را از طریق بهبودی بازگشتی، فرآیندی که در آن سیستم های AI الگوریتم های یادگیری خود را اصلاح می کنند و با حداقل مداخله انسان ، کارآیی را افزایش می دهند. این توانایی خودآموزی در حال تسریع در توسعه هوش مصنوعی با سرعت بی سابقه ای است و صنعت را به ASI نزدیک می کند. با توجه به اینکه سیستم های هوش مصنوعی به طور مداوم پالایش ، بهینه سازی و بهبود خود را دارند ، جهان در حال ورود به دوره جدیدی از محاسبات هوشمند است که به طور مداوم به طور مستقل تکامل می یابد.
مسیر Superintelligence: آیا ما به تکینگی نزدیک می شویم؟
تکینگی هوش مصنوعی به جایی اشاره دارد که در آن هوش مصنوعی از هوش انسانی پیشی می گیرد و بدون ورود انسان خود را بهبود می بخشد. در این مرحله ، هوش مصنوعی می تواند نسخه های پیشرفته تری از خود را در یک چرخه مداوم از بهبود خود ایجاد کند و منجر به پیشرفت های سریع فراتر از درک انسان شود. این ایده به توسعه بستگی دارد هوش عمومی مصنوعی (AGI) ، که می تواند هر کار فکری را یک قوطی انسان انجام دهد و در نهایت به ASI پیشرفت کند.
کارشناسان نظرات مختلفی در مورد زمان این اتفاق دارند. ری کورزویل، یک محقق آینده نگر و هوش مصنوعی در Google ، پیش بینی می کند که AGI تا سال 2029 وارد خواهد شد ، و از نزدیک توسط ASI دنبال می شود. از طرف دیگر ، الون مسک معتقد است که ASI می تواند از اوایل سال 2027 ظهور کند و به افزایش سریع قدرت محاسبات هوش مصنوعی و توانایی آن در مقیاس سریعتر از حد انتظار اشاره می کند.
قدرت محاسبات هوش مصنوعی اکنون هر شش ماه دو برابر می شود ، و از قانون مور فراتر می رود ، که پیش بینی دو برابر چگالی ترانزیستور هر دو سال است. این شتاب به دلیل پیشرفت در پردازش موازی ، سخت افزار تخصصی مانند GPU و TPU و تکنیک های بهینه سازی مانند کمیت مدل و کمبود امکان پذیر است.
سیستم های هوش مصنوعی نیز مستقل تر می شوند. برخی اکنون می توانند معماری خود را بهینه کرده و الگوریتم های یادگیری را بدون درگیری انسان بهبود بخشند. یک مثال است جستجوی معماری عصبی (NAS)، جایی که هوش مصنوعی شبکه های عصبی را برای بهبود کارآیی و عملکرد طراحی می کند. این پیشرفت ها منجر به توسعه مدل های هوش مصنوعی به طور مداوم خود می شود ، که یک گام اساسی در جهت سرپرستی است.
محققان Openai ، DeepMind و سایر سازمان ها با پتانسیل پیشرفت AI به سرعت در حال پیشرفت هستند تا اطمینان حاصل کنند که سیستم های AI با ارزش های انسانی مطابقت دارند. روش هایی مانند یادگیری تقویت از بازخورد انسانی (RLHF) و مکانیسم های نظارت برای کاهش خطرات مرتبط با تصمیم گیری هوش مصنوعی ایجاد می شوند. این تلاش ها در هدایت توسعه AI با مسئولیت پذیری بسیار مهم است. اگر هوش مصنوعی با این سرعت پیشرفت کند ، تکینگی می تواند زودتر از حد انتظار برسد.
وعده و خطرات هوش مصنوعی سرپرست
پتانسیل ASI برای تبدیل صنایع مختلف ، به ویژه در پزشکی ، اقتصاد و پایداری محیط زیست بسیار زیاد است.
- در مراقبت های بهداشتی ، ASI می تواند کشف مواد مخدر ، بهبود تشخیص بیماری را بهبود بخشد و درمان های جدیدی را برای پیری و سایر شرایط پیچیده کشف کند.
- در اقتصاد می تواند مشاغل تکراری را به صورت خودکار انجام دهد و به افراد اجازه می دهد تا بر خلاقیت ، نوآوری و حل مسئله تمرکز کنند.
- در مقیاس بزرگتر ، هوش مصنوعی همچنین می تواند با بهینه سازی استفاده از انرژی ، بهبود مدیریت منابع و یافتن راه حل هایی برای کاهش آلودگی ، نقش مهمی در پرداختن به چالش های آب و هوایی داشته باشد.
با این حال ، این پیشرفت ها با خطرات قابل توجهی همراه است. اگر ASI به درستی با ارزش ها و اهداف انسانی مطابقت نداشته باشد ، می تواند تصمیماتی را اتخاذ کند که با منافع انسانی مغایرت داشته باشد و منجر به نتایج غیرقابل پیش بینی یا خطرناک شود. توانایی ASI در بهبود سریع خود نگرانی های خود را در مورد کنترل ایجاد می کند زیرا سیستم های هوش مصنوعی پیشرفت می کنند و پیشرفته تر می شوند ، و اطمینان می دهند که آنها تحت نظارت انسان باقی می مانند ، به طور فزاینده ای دشوار می شود.
از مهمترین خطرات عبارتند از:
از دست دادن کنترل انسان: از آنجا که هوش مصنوعی از هوش انسانی پیشی می گیرد ، ممکن است فراتر از توانایی ما در تنظیم آن فعالیت کند. اگر استراتژی های تراز وجود نداشته باشد ، هوش مصنوعی می تواند اقداماتی را انجام دهد که انسان دیگر نمی تواند تأثیر بگذارد.
تهدیدهای وجودی: اگر ASI بهینه سازی خود را بدون در نظر گرفتن ارزش های انسانی در اولویت قرار دهد ، می تواند تصمیماتی را اتخاذ کند که بقای بشریت را تهدید می کند.
چالش های نظارتی: دولت ها و سازمان ها تلاش می کنند تا با پیشرفت سریع هوش مصنوعی همگام شوند و ایجاد حفاظت و سیاست های کافی را به موقع دشوار می کند.
سازمان هایی مانند Openai و DeepMind به طور جدی روی اقدامات ایمنی هوش مصنوعی ، از جمله روش هایی مانند RLHF ، کار می کنند تا هوش مصنوعی را با دستورالعمل های اخلاقی حفظ کنند. با این حال ، پیشرفت در ایمنی هوش مصنوعی با پیشرفت های سریع هوش مصنوعی همراه نیست و نگرانی هایی را در مورد اینکه آیا اقدامات احتیاطی لازم قبل از رسیدن AI به سطح فراتر از کنترل انسان وجود خواهد داشت ، ایجاد می کند.
در حالی که هوش مصنوعی Superintelligent وعده بزرگی دارد ، خطرات آن را نمی توان نادیده گرفت. تصمیمات گرفته شده امروز آینده توسعه هوش مصنوعی را تعریف می کند. برای اطمینان از اینکه هوش مصنوعی به جای تهدید به بشریت سود می برد ، محققان ، سیاستگذاران و جامعه به طور جمعی باید برای اولویت بندی اخلاق ، ایمنی و نوآوری مسئول همکاری کنند.
خط پایین
شتاب سریع مقیاس AI ما را به آینده ای نزدیک می کند که هوش مصنوعی از هوش انسانی فراتر می رود. در حالی که هوش مصنوعی در حال حاضر صنایع را دگرگون کرده است ، ظهور ASI می تواند نحوه کار ، نوآوری و حل چالش های پیچیده را دوباره تعریف کند. با این حال ، این جهش تکنولوژیکی با خطرات قابل توجهی همراه است ، از جمله از دست دادن احتمالی نظارت انسان و پیامدهای غیرقابل پیش بینی.
اطمینان از اینکه هوش مصنوعی با ارزش های انسانی مطابقت دارد ، یکی از مهمترین چالش های زمان ما است. محققان ، سیاستگذاران و رهبران صنعت باید برای توسعه حفاظت های اخلاقی و چارچوب های نظارتی که هوش مصنوعی را به سمت آینده ای که به نفع بشریت باشد ، همکاری کنند. همانطور که در نزدیکی تکینگی هستیم ، تصمیمات ما امروز چگونگی همزیستی هوش مصنوعی با ما در سالهای آینده را شکل می دهد.
