هوش مصنوعی کی به پای بهترین محققهای هوش مصنوعی میرسه؟
خلاصهٔ کاملتر
این مقاله از وبلاگ MindStudio میگه چند پیشبینیکننده تخمین میانهشون برای اینکه هوش مصنوعی به سطح بهترین محققهای هوش مصنوعی برسه، حدود ۲۰۲۸ هست. احتمال جدی هست که زودتر، یعنی ۲۰۲۷، اتفاق بیفته و حدود یکچهارم هم احتمال داره تا بعد از ۲۰۳۲ طول بکشه.
قویترین شاهد، استفادهٔ خود آزمایشگاهها از مدلهاشونه. سازمان ارزیابی مستقل Meter سه ماه داخل Anthropic بوده و نتیجه گرفته سرعت پیشرفت این شرکت روی کارهای مشخص و تعریفشده نسبت به یه سال قبل تقریباً دو برابر شده. بیشتر این شتاب هم به خاطر استفادهٔ خود Anthropic از هوش مصنوعیه. طبق گزارش Anthropic، سهم Claude تو کارهای R&D هوش مصنوعی شرکت از زیر ۱٪ در فوریه به حدود یکچهارم رسیده. OpenAI هم گفته سنگینترین کاربرای داخلیش هزینهٔ روزانهٔ coding agentها رو از حدود ۱۰۰۰ دلار به بیشتر از ۷۰۰۰ دلار رسوندن.
نشونهٔ دوم ریاضیه. مدلهایی که ۲۰۲۳ جمع اعداد چهاررقمی رو درست انجام نمیدادن، ۲۰۲۵ تو المپیاد جهانی ریاضی (IMO) طلا گرفتن و طبق مقاله یه آزمایشگاه یه مسئلهٔ جایزهٔ هزاره رو زیر چهار روز حل کرده. نویسنده میگه این پیشرفت بیشتر تو بخشهای «verification-heavy» بوده، یعنی جاهایی که میشه جواب رو قطعی چک کرد، نه ساختن نظریههای جدید. ولی به نظرش این دقیقاً به نفع خودکارسازی تحقیق هوش مصنوعیه، چون اونجا هم بیشتر کار آزمون و خطای تجربیه: کدوم تغییر معماری یا فیلتر داده یا روش آموزش بهتر جواب میده.
مثالی که مقاله میاره خود معماری transformer هست. قبل از مقالهٔ ۲۰۱۷، بیشتر اجزاش مثل attention و residual connection (یعنی اتصالهایی که ورودی هر لایه رو مستقیم به خروجیش اضافه میکنن) از قبل وجود داشتن. چیزی که کم بود ترکیب درست همین تیکههای شناختهشده بود. این نوع جستجوی ترکیبی همون کاریه که هوش مصنوعی تو ریاضی توش قوی نشون داده.
چرا هنوز اتفاق نیفتاده؟ چون همهٔ تحقیق قابل چک کردن نیست. مثلاً اینکه روی کدوم مسیر تحقیقاتی چند سال جلوتر شرط ببندی رو نمیشه با یه جواب درست مقایسه کرد. استدلال مقاله اینه که مدلها با تمرین روی کارهای قابل چک به مسائل بیرون از دادهٔ آموزشی هم تعمیم پیدا میکنن، پس احتمالاً این بخشها رو هم یاد میگیرن.
وقتی برسن، سه عامل با هم ضرب میشن: سرعت (حدود ده برابر آدم)، سطح مهارت یکسان در حد بهترینها، و تعداد زیاد agentهایی که موازی کار میکنن. هر کدوم بهتنهایی بازده نزولی داره و محدودیت compute هم هست، ولی ترکیبشون میتونه سرعت پیشرفت رو چند برابر کنه.
نکات کلیدی:
- تخمین میانه ۲۰۲۸ هست، با احتمال حدود ۲۵٪ برای بعد از ۲۰۳۲.
- سهم Claude تو R&D هوش مصنوعی Anthropic از زیر ۱٪ به حدود یکچهارم رسیده.
- Meter میگه سرعت پیشرفت Anthropic روی کارهای مشخص در یه سال تقریباً دو برابر شده.
- هزینهٔ روزانهٔ سنگینترین کاربرای داخلی OpenAI روی coding agentها از حدود ۱۰۰۰ به بیشتر از ۷۰۰۰ دلار رسیده.
- سه ضریب شتاب: سرعت، مهارت در حد بهترین محققها، و اجرای موازی agentها.
- بزرگترین عدم قطعیت، یاد گرفتن قضاوتهای بلندمدت و غیرقابل چک تحقیقاتیه.




