آخرین بروزرسانی در ۵ اسفند ۱۴۰۴ توسط Dr.Arman
تصور کنید که در حال تماشای یک ویدیو از آینده هستید؛ جایی که «عاملهای هوش مصنوعی» تمام کارهای اداری شما را انجام میدهند، سفرتان را رزرو میکنند و حتی کدنویسیهای پیچیده را به پایان میرسانند. اما چرا این آینده هنوز به تقویم امروز ما نرسیده است؟ مایکل گرستنهابر، یکی از مدیران ارشد گوگل کلود، معتقد است که ما در حال مبارزه در سه جبهه متفاوت هستیم و هوش تنها یکی از آنهاست.
چرا امروز، لحظه سرنوشتسازی برای هوش مصنوعی است؟
اگر شما هم مثل من اخبار تکنولوژی را دنبال میکنید، احتمالاً احساس کردهاید که هر روز یک مدل جدید معرفی میشود که ادعا میکند باهوشتر از بقیه است. اما حقیقت این است که باهوش بودن به تنهایی کافی نیست. ما در دورانی هستیم که از «دموهای جذاب» عبور کردهایم و وارد مرحله سختِ «عملیاتی کردن» شدهایم.
شرکتهای بزرگ دیگر فقط به دنبال مدلی نیستند که شعر بگوید؛ آنها به دنبال سیستمی میگردند که بتواند در مقیاس میلیاردها کاربر کار کند، اشتباه نکند و هزینهاش آنها را ورشکست نکند. به همین دلیل است که صحبتهای مدیران پلتفرم Vertex AI گوگل اهمیت دوچندانی پیدا کرده است. آنها از نزدیک میبینند که غولهای تکنولوژی در پشت صحنه با چه چالشهایی دست و پنجه نرم میکنند.
سه مرز جدیدی که گوگل در حال جابهجا کردن آنهاست
مایکل گرستنهابر که تجربه کار در Anthropic (سازنده مدل کلود) را هم دارد، حالا در گوگل روی مرزهایی تمرکز کرده که شاید کمتر به آنها فکر کرده باشیم. او میگوید مدلهای هوش مصنوعی بر خلاف تصور عمومی، فقط برای «باهوشتر شدن» مسابقه نمیدهند. آنها در حال فشار آوردن به سه دیوار بلند هستند: هوش خام، زمان پاسخدهی و هزینه مقیاسپذیری.
این یک دیدگاه کاملاً جدید است. شاید یک مدل بتواند سختترین مسائل ریاضی را حل کند، اما اگر ۴۵ دقیقه طول بکشد تا جواب بدهد، آیا باز هم کاربردی است؟ یا اگر برای هر پاسخ ۱۰ دلار هزینه داشته باشد، آیا شرکتی مثل متا میتواند آن را برای بررسی پستهای فیسبوک به کار بگیرد؟ پاسخ قطعاً منفی است.
هوش خام؛ وقتی کیفیت بر سرعت پیروز میشود
اولین مرز، همان چیزی است که همه ما میشناسیم: هوش. در برخی موارد، ما واقعاً فقط به بهترین خروجی نیاز داریم و زمان برایمان اولویت دوم است. تصور کنید در حال توسعه یک نرمافزار حیاتی برای یک بانک هستید. در اینجا، شما میخواهید مدل هوش مصنوعی دقیقترین و امنترین کد ممکن را بنویسد.
در این سناریو، حتی اگر مدل نیم ساعت هم فکر کند تا یک معماری بینقص ارائه دهد، شما راضی خواهید بود. چون هزینه اشتباه در تولید بسیار بیشتر از زمان انتظار شماست. مدلهایی مثل Gemini Pro در این دسته قرار میگیرند؛ آنها برای کارهای سنگین، تحلیلهای عمیق و تفکر استراتژیک بهینه شدهاند.
زمان پاسخدهی؛ چرا هوش مصنوعی تنبل به درد کسی نمیخورد؟
اما مرز دوم کاملاً متفاوت است: تأخیر یا Latency. بیایید به یک مرکز تماس خطوط هوایی فکر کنیم. شما میخواهید پروازتان را تغییر دهید و یک هوش مصنوعی قرار است به شما کمک کند. در اینجا، هوش مصنوعی باید قوانین پیچیده بلیطها را بداند (هوش)، اما اگر پاسخ دادن به هر سوال شما ۲ دقیقه طول بکشد، شما قبل از رسیدن به نتیجه، تلفن را قطع میکنید.
در دنیای واقعی، ما به هوشی نیاز داریم که «به اندازه کافی» خوب باشد اما در کسری از ثانیه پاسخ دهد. گوگل معتقد است که در بسیاری از تعاملات انسانی، سرعت بالاتر از هوش فوقالعاده قرار میگیرد. هوشمندترین سیستم جهان اگر کند باشد، در دنیای واقعی شکست خواهد خورد.
هزینه و مقیاس؛ چالش بزرگ ردیت و متا
مرز سوم که شاید برای ما کاربران عادی کمتر ملموس باشد، اما برای کسبوکارها حیاتی است، هزینه است. پلتفرمهایی مثل Reddit یا Meta روزانه با میلیونها پست روبرو هستند که نیاز به نظارت (Moderation) دارند. آنها نمیتوانند از گرانترین مدل هوش مصنوعی برای تکتک پستها استفاده کنند، چون بودجهشان به سرعت تمام میشود.
اینجاست که مرز سوم معنا پیدا میکند: چقدر هوش را میتوانیم با کمترین هزینه بخریم؟ برای این شرکتها، مدل ایدهآل مدلی است که بتواند با هزینه بسیار ناچیز، محتوای نامناسب را تشخیص دهد، حتی اگر در سطح یک نابغه عمل نکند. اینجاست که بهینهسازی زیرساختها و چیپهای اختصاصی گوگل به کمک میآیند.
چرا عاملهای هوش مصنوعی هنوز جهان را فتح نکردهاند؟
شاید بپرسید: «اگر مدلها آماده هستند، پس چرا هنوز همهچیز توسط رباتها اداره نمیشود؟» پاسخ در یک کلمه نهفته است: زیرساخت. ما هنوز الگوهای استانداردی برای نظارت بر کارهای «عاملهای هوش مصنوعی» نداریم. وقتی به یک عامل اجازه میدهید به دادههای مالی شما دسترسی داشته باشد یا به جای شما خرید کند، چگونه باید او را کنترل کرد؟
گرستنهابر به نکته جالبی اشاره میکند؛ مهندسی نرمافزار تنها حوزهای است که هوش مصنوعی در آن به سرعت رشد کرده، چون ما از قبل فرآیندهایی مثل «محیط تست» و «بازبینی کد» داشتیم. در دنیای واقعی و برای مشاغل دیگر، ما هنوز این محیطهای امن را نساختهایم. ما نیاز داریم سیستمهایی بسازیم که اجازه دهند هوش مصنوعی در محیطی کنترلشده اشتباه کند و یاد بگیرد.
چگونه از این بینش در مسیر خود استفاده کنید؟
اگر شما به عنوان یک توسعهدهنده یا علاقهمند به هوش مصنوعی میخواهید در این فضا پیشرفت کنید، باید یاد بگیرید که ابزارهای درست را برای کارهای درست انتخاب کنید. قرار نیست همیشه از قدرتمندترین مدل استفاده کنید.
اول از همه، هدف خود را مشخص کنید: آیا اولویت شما دقت است یا سرعت؟ اگر در حال ساخت یک چتبات برای مشتریان هستید، روی مدلهایی با تاخیر کم تمرکز کنید. دوم اینکه، امنیت را جدی بگیرید. همانطور که گوگل در فرآیندهای خود از بازبینی انسانی استفاده میکند، شما هم باید سیستمی طراحی کنید که خروجی هوش مصنوعی را قبل از نهایی شدن، ارزیابی کند.
آینده در دستان کیست؟
گوگل با داشتن زنجیره کامل، از چیپهای اختصاصی و دیتاسنترها گرفته تا مدلهای Gemini و رابط کاربری، تلاش میکند تا بر هر سه مرز غلبه کند. اما در نهایت، این ما هستیم که باید یاد بگیریم چگونه از این قدرت استفاده کنیم.
ما هنوز در ابتدای راه هستیم. تکنولوژیای که امروز میبینیم تنها دو سال قدمت دارد. به یاد داشته باشید که تولید محصول واقعی همیشه کمی عقبتر از تواناییهای تکنولوژی حرکت میکند. پس اگر هنوز «عاملهای هوش مصنوعی» را در زندگی روزمره نمیبینید، نگران نباشید؛ آنها در حال یادگیری در محیطهای تست هستند تا وقتی وارد دنیای ما شدند، دیگر باری از دوش ما بردارند، نه اینکه مشکلی جدید اضافه کنند. آیا شما آمادهاید تا بخشی از این تغییر بزرگ باشید؟
منبع:
Google’s Cloud AI leads on the three frontiers of model capability
مطالب مرتبط