هشدار ریچارد ساتن به هواداران هوش مصنوعی: مقیاس‌پذیری محض برای هوش کافی نیست

ریچارد ساتن، نویسنده مقاله تأثیرگذار «درس تلخ» (The Bitter Lesson) در سال ۲۰۱۹، در جدیدترین نوشته خود بر این نکته تأکید کرده که تکیه صرف بر توان محاسباتی برای رسیدن به هوش مصنوعی کامل، مسیری اشتباه است. به گفته او، علم هوش مصنوعی هنوز تا پایان راه فاصله زیادی دارد و نیاز به روش‌های خلاقانه‌تر و علمی‌تر دارد.

ساتن پیش‌تر از رویکرد «داده‌های مصنوعی» انتقاد کرده و آن را اشتباهی بزرگ خوانده بود، چرا که دنیای واقعی پیچیدگی‌های بی‌نهایتی دارد که هیچ شبیه‌سازی نمی‌تواند آن را به طور کامل پوشش دهد. او معتقد است که تکیه بر مقیاس‌پذیری مدل‌های زبانی بزرگ، جامعه علمی را درگیر نوعی «هک پاداش» کرده و تفکر خلاقانه را محدود کرده است. ساتن خواستار ایجاد مدل‌هایی است که دارای «مدل‌های جهانی» (World Models) باشند و بتوانند به طور مداوم از تجربیات خود یاد بگیرند.

در همین حال، پژوهشگران دیگر نیز دیدگاه‌های مشابهی دارند. برخی از محققان معتقدند اگرچه مقیاس‌پذیری در مقطعی موفق بود، اما اکنون به بن‌بست رسیده است. در سوی دیگر، مدیران عامل شرکت‌هایی نظیر OpenAI و Anthropic همچنان بر این باورند که مقیاس‌پذیری مدل‌های زبانی هنوز به ظرفیت نهایی خود نرسیده است و داده‌ها همچنان از تداوم این مسیر حمایت می‌کنند.

این اختلاف نظر باعث شکل‌گیری موج جدیدی از استارتاپ‌ها در حوزه هوش مصنوعی شده که به جای بزرگ‌تر کردن مدل‌های فعلی، به دنبال الگوریتم‌های یادگیری جدید و ساختارهای کاملاً متفاوتی هستند تا شکاف‌های موجود در هوش مصنوعی مدرن را پر کنند.