درهٔ سیلیکون این روزها به میدان جدال دو نگاه متفاوت نسبت به آیندهٔ هوش مصنوعی تبدیل شده است. در یک سوی این نبرد، گوگل و «دمیس هاسابیس» قرار دارند؛ کسانی که باور دارند مسیر دستیابی به هوش فراانسانی از دل افزایش بیوقفهٔ داده و توان پردازشی عبور میکند. در سوی دیگر، چهرههایی مانند «یان لکان» از متا حضور دارند که چنین رویکردی را بیثمر و در نهایت ناکارا میدانند. هاسابیس، مدیرعامل دیپمایند، در سخنرانی اخیر خود صراحتاً اعلام کرد که قانون مقیاسدهی باید تا آخرین مرزهای ممکن گسترش یابد.
بر اساس گزارش بیزینس اینسایدر، هاسابیس قانون مقیاسدهی را «هستهٔ اصلی» پیشرفتهای کنونی هوش مصنوعی میداند. مطابق این قانون، افزایش دادهها و قدرت محاسباتی، مدل را هوشمندتر، دقیقتر و کارآمدتر میکند. او پس از موفقیت مدل Gemini 3 تاکید کرد:
«باید سیستمهای فعلی را تا حد ممکن مقیاسدهی کنیم؛ چراکه این مسیر دستکم یکی از اجزای حیاتی – و شاید تمام چیزی باشد که برای رسیدن به AGI نیاز داریم.»
به باور او حتی اگر بزرگ کردن مدلها بهتنهایی نتواند قفل AGI را باز کند، چارهای نیست جز اینکه این مسیر را تا انتها پیمود تا محدودیتهای واقعی مدلهای زبانی آشکار شود.
هدف نهایی این رقابت جهانی، رسیدن به AGI است؛ نسخهای از هوش مصنوعی که میتواند مانند انسان – یا حتی فراتر از او – استدلال کند و هر فعالیت ذهنی را انجام دهد. هاسابیس تاکید دارد که افزایش مقیاس احتمالاً ما را به این هدف نزدیک میکند، هرچند ممکن است در کنار آن به «یکی دو نوآوری اساسی دیگر» نیز نیاز داشته باشیم. همین رقابت فشرده میان شرکتهای بزرگ باعث شده است میلیاردها دلار سرمایهگذاری روی مراکز داده، زیرساختهای پردازشی و سختافزارهای قدرتمند انجام شود.
دیدگاه هاسابیس نشان میدهد که گوگل همچنان به استراتژی «قدرت بیشتر = هوش بیشتر» وفادار است؛ رویکردی که تاکنون نیز نتایج خیرهکنندهای به بار آورده است. اما مسئله اینجاست که بازی مقیاسدهی، هزینهای سرسامآور و محدودیتی ذاتی در منابع دارد. اگرچه افزایش داده و محاسبات بخشی از مسیر رسیدن به AGI است، اما بعید است تنها راه باشد. آینده احتمالاً ترکیبی از مقیاسدهی هوشمند، معماریهای نوآورانه و روشهای استدلالی تازه خواهد بود. در هر صورت، رقابت گوگل و دیگر غولهای فناوری نشان میدهد که مبارزه برای فتح قلهٔ AGI تازه آغاز شده است.
یان لکان: آیندهٔ هوش مصنوعی در مدلهای جهانی است، نه در بزرگکردن بیپایان LLMها
در سوی دیگر این مناقشه، پژوهشگرانی مانند یان لکان، دانشمند ارشد متا، قرار دارند که باور دارند مسیر «بزرگسازی بیپایان مدلهای زبانی» به بنبست میرسد. مخالفان استدلال میکنند که این رویکرد بر دو ضعف بنیادین تکیه دارد:
نخست اینکه حجم دادههای عمومی موجود در اینترنت محدود است و نمیتوان انتظار داشت که مدلها را برای همیشه با دادههای بیشتر تغذیه کرد. دوم اینکه براساس گزارشهای اخیر، تزریق سرمایههای عظیم و افزایش توان پردازشی، دیگر مانند گذشته جهش هوشی قابلتوجهی ایجاد نمیکند و بازدهی مقیاسدهی رو به کاهش است.
لکان در سخنان خود میگوید:
«نمیتوان تصور کرد که صرفاً با افزودن داده و محاسبه بیشتر، مدلها هوشمندتر شوند.»
او باور دارد که آیندهٔ واقعی هوش مصنوعی در «مدلهای جهانی» (World Models) نهفته است؛ سیستمهایی که میتوانند قوانین فیزیکی جهان، روابط علت و معلولی، و ساختار واقعیت را درک کنند—نه سامانههایی که فقط بر اساس احتمالات، «کلمهٔ بعدی» را حدس میزنند.
دیدگاه لکان یک هشدار جدی درباره محدودیت مسیر فعلی است. اگرچه مقیاسدهی مدلها تا امروز موفق بوده، اما نشانهها حاکی از آن است که این روند به نقطه اشباع نزدیک میشود. حقیقت این است که انسانها جهان را با درک ساختار و علت و معلول میشناسند، نه از طریق پیشبینی صرف. اگر مدلهای آینده بتوانند چنین فهمی داشته باشند، شاید جهشی واقعی در هوش مصنوعی رخ دهد—نه صرفاً نسخهای بزرگتر، سریعتر یا پرهزینهتر از مدلهای امروزی.