CodeNeuron
وقتی صحبت از فراتر رفتن از AGI و رسیدن به ابرهوش مصنوعی (ASI) میشه، خیلی‌ها یا زمان‌بندی‌های تخیلی میدن یا بر اساس حس و گمان حرف می‌زنند. اما نگاه عمیق مهندسی به این مسیر نشان میده که به جای حدس زدن زمان، باید مسیرهای ممکن، ترمزهای واقعی و چالش‌های حل‌نشده رو بررسی کرد.
واقعیت اینه که AGI مثل یک کلید صفر و یک نیست که یهو روشن بشه. حتی اگه هوشِ مدل‌های پایه توی یک نقطه‌ای متوقف بشه، باز هم میشه با اجرا کردن هزاران نسخه هم‌زمان، بالا بردن سرعتشون و دادن زمان بیشتر برای تفکر، به قابلیت‌های فوق‌العاده جدیدی رسید. قدرت محاسباتی سالانه ۱۰ برابر رشد میکنه و همین حجم سنگین محاسبات خودش رو شبیه به یک جهش هوشی جدید نشان میده.
برای رسیدن به ASI چهار مسیر موازی وجود داره که می‌تونند هم‌زمان پیش برن: ادامه دادن اسکیل مدل‌ها، کشف روش‌های الگوریتمی جدید، خودبهینه‌سازی سیستم‌ها (همون حلقه بازگشتی که هوش مصنوعی خودش، خودش رو توسعه میده) و در نهایت همکاری شبکه‌ای از ایجنت‌های هوشمند. مرز نهایی هوش رو میشه بر اساس نظریه ریاضی Universal AI بررسی کرد که نشان میده روش‌های امروزی فقط یک تقریب ساده از اون هوش مطلق هستند.
البته ابرهوش هم قرار نیست یک سیستم شکست‌ناپذیر باشه. ASI باز هم محدود به قوانین فیزیک مثل سرعت نور و مصرف انرژی محاسباتی میفته و توی دنیای واقعی نمیشه آزمایش‌های کند زیستی یا فرآیندهای زمانی رو دور زد. از طرفی ترمزهای بزرگ دیگری مثل محدودیت شدید انرژی، کمبود داده و «دیوار انتزاع» هم وجود دارند؛ یعنی این سوال که آیا ذهن‌های دیجیتالی اصلاً می‌تونند مثل انسان‌ها مفاهیم عمیق انتزاعی بسازند یا نه.
این نوع تحلیل به جای دادن زمان‌بندی‌های غیرواقعی، یک نقشه راه از مسیرها و محدودیت‌های دنیای واقعی جلو قرار میده که دید خیلی روشن‌تری از آینده هوش مصنوعی میسازه.
#هوش_مصنوعی
#AIAgents
1 · 101 ·