‏«نیمه‌عمر مدل» واقعی است یا یک باز‌واژه؟

این روزها خیلی‌ها از «نیمه‌عمر مدل» (model half-life) حرف می‌زنن و منظورشون اینه که فاصله بین انتشار مدل‌های هوش مصنوعی داره از چند سال به چند ماه می‌رسه و حتی کمتر هم خواهد شد. پال کینلن، مهندس گوگل، این ادعا رو جدی گرفت و تصمیم گرفت مستقیم سراغ داده‌ها بره.

کینلن یه فایل TSV از تمام انتشارهای مهم مدل‌ها از اواخر ۲۰۲۲ تا امروز ساخته. منابعش لب‌های مرزی آمریکا (OpenAI، Anthropic، Google، xAI، Meta، Mistral) و لب‌های بزرگ چینی (DeepSeek، Qwen، Zhipu، MiniMax، Moonshot، ByteDance) هستن. نکته مهم اینه که هر لب رو به زیرسری‌های مجزا تقسیم کرده؛ مثلاً Claude Opus یه خط جداست از Claude Sonnet، و سری o از OpenAI با GPT فرق داره.

برای پیش‌بینی زمان انتشار بعدی هر سری، از یه휴ریستیک ساده استفاده شده: فاصله‌های زمانی بین انتشارهای پشت‌سرهم محاسبه می‌شه، سه فاصله آخر برداشته می‌شه (یا کمتر اگه داده کافی نباشه) و میانه (median) اون‌ها به آخرین تاریخ انتشار اضافه می‌شه. دلیل استفاده از میانه به‌جای میانگین اینه که یه انتشار ناگهانی یا یه وقفه طولانی کل پیش‌بینی رو خراب نکنه.

نتیجه جالبه: بله، تعداد انتشارها بیشتر شده و سرعت کلی بالاتر رفته، اما هیچ روند نصف‌شدن منظم و هر‌شش‌ماهه‌ای در داده‌ها دیده نمی‌شه. کینلن می‌گه «نیمه‌عمر مدل» در واقع فقط یه راه جذاب برای گفتن «مدل‌ها سریع‌تر منتشر می‌شن» است، نه یه قانون ریاضی واقعی.

پیش‌بینی‌های ضعیف هم بخشی از صداقت این تحلیل‌اند؛ وقتی داده‌ها کم باشن، اعداد بی‌معنی از آب در میان. نویسنده خودش اشاره می‌کنه که پیش‌بینی «GPT OSS در اواخر ۲۰۲۷» رو نباید خیلی جدی گرفت.

داده‌ها به‌صورت عمومی در دسترس‌ان و کینلن قصه داره هر چند ماه یه‌بار اون‌ها رو به‌روز کنه. اگه تاریخ یا سری اشتباهی دیدی، می‌تونی بهش بگی تا اصلاح بشه.

نکات کلیدی:

• «نیمه‌عمر مدل» یه اصطلاح رایج ولی بدون پشتوانه آماری محکم
• داده‌ها ۱۲ لب آمریکایی و چینی رو از اواخر ۲۰۲۲ پوشش می‌ده
• هر لب به زیرسری‌های مستقل تقسیم شده تا مقایسه دقیق‌تر باشه
• پیش‌بینی با میانه سه فاصله آخر انجام می‌شه تا اثر داده‌های پرت کم بشه
• سرعت انتشار افزایش داشته، اما نصف‌شدن منظم مشاهده نشده