از AGI تا RSI؛ گام بعدی در تکامل هوش مصنوعی چیست؟

مفهوم RSI یا خودبهبوددهی بازگشتی به هدف جدید صنعت هوش مصنوعی تبدیل شده، اما کارشناسان معتقد هستند که این فناوری هنوز به تحقق کامل نرسیده است.

به گزارش سرویس هوش مصنوعی تک‌ناک‌، در شرایطی که طی چند سال گذشته اصطلاح AGI یا هوش مصنوعی عمومی، محور اصلی رقابت میان شرکت‌های فناوری بود، اکنون بسیاری از پژوهشگران و مدیران شرکت‌های فعال در این حوزه از RSI به‌ عنوان مرحله بعدی تکامل هوش مصنوعی یاد می‌کنند. با وجود این، همانند AGI، هنوز تعریف واحد و مورد توافقی از RSI وجود ندارد و کارشناسان درباره زمان دستیابی به آن دیدگاه‌های متفاوتی دارند.

در ساده‌ترین تعریف، RSI به سامانه‌ای از هوش مصنوعی گفته می‌شود که بتواند خود را به‌ صورت مداوم ارتقا دهد. چنین سیستمی نه‌تنها قادر است وظایف مشخصی را انجام دهد، بلکه می‌تواند روش‌های جدیدی برای افزایش توانایی‌های خود پیدا کند، آنها را آزمایش نماید و در نهایت نسخه‌های پیشرفته‌تری از خود بسازد. اگر این چرخه بدون نیاز به دخالت مستقیم انسان ادامه پیدا کند، فرایند توسعه هوش مصنوعی وارد مرحله‌ کاملاً متفاوتی خواهد شد.

بسیاری از کارشناسان معتقد هستند که اگر RSI به معنای واقعی کلمه محقق شود، سرعت پیشرفت هوش مصنوعی می‌تواند به شکل چشمگیری افزایش یابد. در چنین سناریویی، محدودیت اصلی دیگر توانایی پژوهشگران انسانی نخواهد بود و ماشین‌ها خود مسئول توسعه نسل‌های بعدی سامانه‌های هوشمند خواهند شد. به همین دلیل، برخی تحلیلگران از RSI به‌ عنوان نقطه آغاز «شتاب انفجاری» در توسعه هوش مصنوعی یاد می‌کنند.

طی ماه‌های اخیر، نشانه‌های متعددی از افزایش توجه صنعت به این مفهوم دیده شده است. حتی واژه «بازگشت» یا Recursion به یکی از پرکاربردترین اصطلاحات در میان فعالان حوزه هوش مصنوعی تبدیل شده است و چندین شرکت نوپا نام خود را بر پایه همین مفهوم انتخاب کرده‌اند.

یکی از مهم‌ترین چهره‌هایی که آشکارا روی این ایده سرمایه‌گذاری کرده است، ریچارد سوچر، پژوهشگر شناخته‌شده هوش مصنوعی و مدیر سابق بخش هوش مصنوعی Salesforce است. او به تازگی استارت‌آپی با نام Recursive Superintelligence راه‌اندازی کرده که هدف اصلی آن توسعه سامانه‌های واقعاً خودبهبوددهنده عنوان شده است.

سوچر در زمان معرفی این شرکت اعلام کرد که تمرکز تیم او ساخت ابرهوشی است که بتواند کل چرخه پژوهش را به‌ صورت مستقل مدیریت کند. این چرخه شامل تولید ایده‌های جدید، پیاده‌سازی آنها، اجرای آزمایش‌ها و ارزیابی نتایج خواهد بود. به بیان دیگر، هدف نهایی این پروژه آن است که بخش عمده فرایند تحقیق و توسعه هوش مصنوعی بدون نیاز به حضور مستقیم پژوهشگران انسانی انجام شود.

در کنار او، تعداد دیگری از پژوهشگران برجسته نیز مسیر مشابهی را دنبال می‌کنند. یکی از شناخته‌شده‌ترین افراد، آندری کارپاتی است؛ پژوهشگری که سابقه فعالیت در تسلا و OpenAI را در کارنامه خود دارد و از تأثیرگذارترین چهره‌های حوزه یادگیری ماشین محسوب می‌شود.

کارپاتی در پروژه‌ای با نام Auto-Research تلاش می‌کند از مجموعه‌ عامل‌های هوش مصنوعی برای انجام خودکار بخشی از فرایند پژوهش استفاده کند. این عامل‌ها می‌توانند وظایف مختلفی مانند طراحی آزمایش، اجرای ارزیابی‌ها، تحلیل داده‌ها و پیشنهاد بهبودهای جدید را انجام دهند.

نکته قابل توجه این است که کارپاتی برخلاف بسیاری از پروژه‌های مشابه، اطلاعات زیادی درباره روند توسعه این سامانه منتشر کرده و بخش مهمی از ابزارهای مورد استفاده را نیز به‌ صورت متن‌باز در اختیار جامعه پژوهشی قرار داده است.

با وجود این، او بارها تأکید کرده است که پروژه فعلی هنوز فاصله زیادی با تحقق RSI دارد. دستاوردهای کنونی عمدتاً به بهبودهایی روی مدل‌هایی در مقیاس GPT-2 محدود شده‌اند و هنوز نمی‌توان آنها را پژوهش‌های تحول‌آفرین دانست. با وجود این، بسیاری از پژوهشگران همین دستاوردها را نشانه‌ای از امکان‌پذیر بودن مسیر RSI در آینده می‌دانند.

استارت‌آپ Adaption نیز از دیگر شرکت‌هایی است که به‌ طور جدی روی این حوزه سرمایه‌گذاری کرده است. این شرکت که توسط سارا هوکر، پژوهشگر سابق گوگل و Cohere تأسیس شده، به تازگی سامانه‌ای با نام AutoScientist معرفی کرده است.

هدف این سامانه خودکارسازی بخشی از فرایند آموزش مدل‌های پیشرفته هوش مصنوعی است. AutoScientist با استفاده از عامل‌های متعدد تلاش می‌کند بهبودهای تدریجی در مدل‌ها ایجاد کند و روند توسعه سامانه‌های مرزی را تسریع بخشد. اگر چنین ابزارهایی در آینده بتوانند به‌ طور مستقل قابلیت‌های مدل‌ها را افزایش دهند، ممکن است نخستین گام‌های عملی به سمت RSI محسوب شوند.

در همین حال، برخی موفقیت‌های عملی نیز باعث شده‌اند توجه جامعه فناوری بیش از پیش به این حوزه جلب شود. دوریس شین، بنیان‌گذار استارت‌آپ Disarray به تازگی اعلام کرده است که عامل یادگیری ماشین توسعه‌یافته توسط تیم او توانسته است در یکی از رقابت‌های Kaggle، عملکرد چشمگیری داشته باشد و ۲۸ مدال کسب کند.

این عامل هوشمند موفق شده است در بسیاری از موارد از سامانه‌هایی که مستقیماً توسط انسان‌ها آموزش داده شده‌اند عملکرد بهتری ارائه دهد. شین معتقد است که چالش اصلی فعلی خلاقیت نیست، بلکه قابلیت اطمینان و پایداری چنین سامانه‌هایی است. او حتی استدلال می‌کند که اگر زمان و توان پردازشی نامحدود در اختیار باشد، بسیاری از اجزای لازم برای دستیابی به RSI همین حالا نیز وجود دارند. با وجود این، بیشتر پژوهشگران دیدگاه محتاطانه‌تری دارند.

در سوی دیگر این بحث، مدیران و پژوهشگران متعددی معتقد هستند که صنعت هوش مصنوعی هنوز فاصله زیادی با تحقق واقعی RSI دارد. سوندار پیچای، مدیرعامل گوگل به تازگی در یک گفت‌وگوی رسانه‌ای تأکید کرد که پیشرفت‌ها در این حوزه ادامه دارند، اما هنوز نمی‌توان از ظهور سامانه‌های واقعاً خودبهبوددهنده سخن گفت. او توضیح داد که توسعه هوش مصنوعی یک روند پیوسته است و هر نسل از مدل‌ها نسبت به نسل قبلی پیشرفته‌تر می‌شود، اما RSI به مفهومی که بسیاری از افراد تصور می‌کنند هنوز محقق نشده است.

این دیدگاه در میان بسیاری از متخصصان دیگر نیز دیده می‌شود. آنها معتقد هستند که اگرچه ابزارهای فعلی در حال کمک به توسعه نسل‌های جدید هوش مصنوعی هستند، اما هنوز نمی‌توانند به‌ طور کامل جایگزین پژوهشگران انسانی شوند.

نمونه‌ای از این وضعیت را می‌توان در شرکت آنتروپیک مشاهده کرد. یکی از برنامه‌نویسان ارشد پروژه Claude Code چندی پیش اعلام کرد که تقریباً تمام کدهای مورد استفاده تیم او توسط همین ابزار نوشته می‌شود. این موضوع نشان می‌دهد که مدل‌های زبانی پیشرفته اکنون نقش بسیار پررنگی در فرایند توسعه نرم‌افزار پیدا کرده‌اند.

با وجود این، ارزیابی‌های داخلی آنتروپیک نشان می‌دهد مدل‌های فعلی همچنان در حوزه‌هایی مانند مدیریت پروژه‌های طولانی‌مدت، تصمیم‌گیری مستقل، درک اولویت‌های سازمانی، قضاوت حرفه‌ای، اعتبارسنجی نتایج و برنامه‌ریزی راهبردی ضعف دارند.

دقیقاً همین توانایی‌ها هستند که برای تحقق RSI ضروری محسوب می‌شوند. یک سامانه واقعاً خودبهبوددهنده باید بتواند بدون راهنمایی انسان اهداف خود را تعیین کند، مسیر رسیدن به آنها را طراحی نماید و سپس نتایج را ارزیابی و اصلاح کند.

هلن تونر، مدیر مرکز امنیت و فناوری‌های نوظهور دانشگاه جورج‌تاون و عضو پیشین هیئت‌مدیره OpenAI نیز معتقد است بسیاری از افراد تعریف RSI را با استفاده گسترده از هوش مصنوعی در پژوهش اشتباه می‌گیرند.

به گفته او، زمانی می‌توان از RSI سخن گفت که عملاً هیچ انسانی در چرخه توسعه حضور نداشته باشد. در شرایط فعلی، پژوهشگران همچنان نقش اصلی را در تعیین اهداف، طراحی فرایندها و ارزیابی خروجی‌ها ایفا می‌کنند.

در همین راستا، برخی پژوهشگران سه مرحله برای مسیر دستیابی به RSI تعریف کرده‌اند. مرحله نخست «کفایت» نام دارد؛ یعنی زمانی که سامانه بتواند حتی بدون حضور انسان مقداری پژوهش مفید انجام دهد. مرحله دوم «برابری» است؛ زمانی که عملکرد سامانه با پژوهشگران انسانی برابر شود. مرحله سوم نیز «برتری» محسوب می‌شود؛ مرحله‌ای که در آن سامانه‌های مستقل از ترکیب انسان و هوش مصنوعی نیز عملکرد بهتری ارائه دهند.

اگرچه برخی کارشناسان معتقد هستند که مرحله نخست ممکن است طی چند سال آینده محقق شود، اما زمان رسیدن به مراحل بعدی همچنان نامشخص است.

با وجود سرمایه‌گذاری‌های میلیارد دلاری، پیشرفت سریع مدل‌های زبانی و ظهور ابزارهای پژوهشی خودکار، اجماع کلی در میان متخصصان این است که RSI هنوز به واقعیت تبدیل نشده است. همان‌طور که AGI سال‌ها است به‌ عنوان هدفی بلندمدت مطرح می‌شود، RSI نیز فعلاً بیشتر یک چشم‌انداز آینده‌نگرانه به حساب می‌آید. با وجود این، سرعت تحولات فعلی باعث شده است بسیاری از پژوهشگران باور داشته باشند که نخستین نشانه‌های واقعی این فناوری ممکن است بسیار زودتر از آنچه تصور می‌شد ظاهر شوند و مسیر توسعه هوش مصنوعی را برای همیشه تغییر دهند.