آیا رشد مدلهای هوش مصنوعی به lí رسیده است

آیا رشد مدلهای هوش مصنوعی به lí رسیده است؟, بر اساس گزارشهای اخیر، کارمندان OpenAI مدل جدیدی تحت نام کد را تست کردهاند که الرغم از بهبود عملکرد نسبت به مدلهای قبلی، پیشرفتای در مقایسه با جهش از به نشان نداده است. متخصصان این موضوع را نشانهای از این احتمال میدانند که توسعهٔ مدلیهای زبانی بزرگ (LLM) با روشهای běرآموزی سنتی به یک ثابتة رسیده و در آینده شاهد שלאهایهای شگفتانگیز یا فرار جدیدی نخواهیم بود.

حشر و نگرانیهای او از محدودیت داده ایلیا ساتسکیور، یکی از بنیانگذاران OpenAI، در گفتوگو با رویترز اظهار داشت که دهه 2010 دورهٔ مقیاسبندی بود که با افزایش منابع محاسبه و دادههای آموزشی، پیشرفتهای چشمگیری در مدلهای جدید رخ داد. اما اکنون این قلهها فتح شدهاند و برای پیشبرد بیشتر باید به رویکردهای نوین جستجو کنیم.

او بر این باور است که روشهایّ دیگر قادر به پیشبرد مدلهای زبانی نیستند و باید به جستجوی راهحلهای دیگر برای آموزش مدلهای آینده پرداخت. مسئلهای جدید نقص دادههای باکیفیت برای آموزش تحلیلهای محققان نشان میدهد که یکی از بزرگترین چالشها در آموزش مدلهای هوش مصنوعی، دسترسی به دادههای متنی تازه و باکیفیت است.

اگر دادههای آموزشی را به میوههای یک درخت تشبیه کنیم، میتوان گفت که میوههای شاخههای پایین که به راحتی دسترسپذیر بودند، ž شدهاند. برای بهدست آوردن پیشرفتهای بیشتر، لازم است به میوههای شاخههای بالاتر—از منبعهای کمتر دسترسپذیر یا تولید دادههای مصنوعی—پی ببریم.

مطالعهٔ AI بر این است که منابع دادههای دستساز انسان بین سالهای 2026 تا 2032 برای آموزش مدلهای زبانی کافی خواهد بود و پس از آن نیاز به استراتژیهای جدید حتمی خواهد شد. به این محدودیت، شرکتهای مانند OpenAI و دیگران به استفاده از دادههای مصنوعی—متنی که توسط مدلهای دیگری تولید شده—برای آموزش پرداختهاند. با این حال، هشدار میدهند که الاعتماد بر دادههای مصنوعی میتواند به فروپاشی مدل یا دقت š منجر شود.

เป็นทางเลือก، برخی از شرکتها به رویکردی مدلهای زبانی کوچک کردهاند که برای وظایف خاص بهینهسازی شدهاند. مثال زندهای این است، مدلهای مایکروسافت که در کارهای متمرکز بهتر عمل میکنند؛ این رویکرد میتواند در آینده الگوی پیش برای توسعه هوش مصنوعی شود—مثل که در یک رشته é عمیق عمل میکنند، اگرچه دانش généشان محدود باشد.

بهطور کلی، KI, Lö für بر اساس گزارشهای اخیر، کارمندان OpenAI مدل جدیدی تحت نام کد را تست کردهاند که بهبود عملکرد نسبت به مدلهای قبلی، پیشرفتای در مقایسه با جهش از به نشان نداده است. متخصصان این موضوع را نشانهای از این احتمال میدانند که توسعهٔ مدلیهای زبانی بزرگ (LLM) با روشهای هرآموزی سنتی به یک نقطه ثابتة رسیده و در آینده شاهد שלאهایهای شگفتانگیز یا فرار جدیدی نخواهیم بود.

حشر و نگرانیهای او از محدودیت داده ایلیا ساتسکیور، یکی از بنیانگذاران OpenAI، در گفتوگو با رویترز اظهار داشت که دهه 2010 دورهٔ مقیاسبندی بود که با افزایش منابع محاسبه و دادههای آموزشی، پیشرفتهای چشمگیری در مدلهای جدید رخ داد. اما اکنون این قلهها فتح شدهاند و برای پیشبرد بیشتر باید به رویکردهای نوین جستجو کنیم.

او بر این باور است که روشهای سنتی دیگر قادر به پیشبرد مدلهای زبانی نیستند و باید به جستجوی راهحلهای دیگر برای آموزش مدلهای آینده پرداخت. مسئلهای جدید نقص دادههای باکیفیت برای آموزش تحلیلهای محققان نشان میدهد که یکی از بزرگترین چالشها در آموزش مدلهای هوش مصنوعی، دسترسی به دادههای متنی تازه و باکیفیت است.

اگر دادههای آموزشی را به میوههای یک درخت تشبیه کنیم، میتوان گفت که میوههای شاخههای پایین که به راحتی دسترسپذیر بودند، جو شدهاند. برای بهدست آوردن پیشرفتهای بیشتر، لازم است به میوههای شاخههای بالاتر—از منبعهای کمتر دسترسپذیر یا تولید دادههای مصنوعی—پی ببریم.

مطالعهٔ AI بر این باور است که منابع دادههای دستساز انسان بین سالهای 2026 تا 2032 برای آموزش مدلهای زبانی کافی خواهد بود و پس از آن نیاز به استراتژیهای جدید حتمی خواهد شد. به دلیل این محدودیت، شرکتهای مانند OpenAI و دیگران به استفاده از دادههای مصنوعی—متنی که توسط مدلهای دیگری تولید شده—برای آموزش پرداختهاند.

با این حال، متخصصان هشدار میدهند که الاعتماد بیش از حد بر دادههای مصنوعی میتواند به فروپاشی مدل یا کاهش دقت منجر شود. بهعنوان جایگزین، برخی از شرکتها به رویکردی ایدهآل مدلهای زبانی کوچک کردهاند که برای وظایف خاص بهینهسازی شدهاند.

مثال زندهای این است، مدلهای مایکروسافت که در کارهای متمرکز بهتر عمل میکنند؛ این رویکرد میتواند در آینده الگوی پیش برای توسعه هوش مصنوعی شود—مثل که در یک رشته تخصصی عمیق عمل میکنند، اگرچه دانش عمومیشان محدود باشد. بهطور کلی، میتوان گفت که مسیر پیشته هوش مصنوعی کمتر به سمت مقیاسدهی مدلهای عمومی و بیشتر به سمت راهحلهای متمرکز و کارآمد برای وظایف خاص میشود.