در شماره‌ی امروز بررسی فناوری، به دو حوزه‌ی بنیادین پرداخته‌ایم: مسابقه‌ای نوظهور برای معکوس‌سازی سن بیولوژیک بدن انسان و تحلیل جنجالی «تور گریپل»، از پیشگامان DeepMind، درباره محدودیت‌های شناختی مدل‌های زبانی بزرگ (LLMs) در مقایسه با سیستم‌های استدلالی کلاسیک مانند AlphaGo.
مسابقه بیولوژیک: آیا می‌توان زمان را به عقب بازگرداند؟
در یک رویداد علمی که در مهرماه ۱۴۰۵ مورد توجه قرار گرفته، حدود ۵۰۰ شرکت‌کننده در رقابتی منحصر‌به‌فرد برای کاهش سن بیولوژیک خود ثبت‌نام کرده‌اند. برخلاف سن تقویمی که به صورت خطی پیش می‌رود، سن بیولوژیک معیاری است که وضعیت سلامت اندام‌ها و عملکرد فیزیولوژیک بدن را اندازه‌گیری می‌کند. این چالش ۶ ماهه با استفاده از ابزارهای اندازه‌گیری نوینی انجام می‌شود که با تحلیل نشانگرهای مولکولی و حتی ویژگی‌های صوتی (Nature)، سعی در کمی‌سازی روند پیری دارند. با این حال، دانشمندان همچنان نسبت به دقت این ساعت‌های بیولوژیک و توانایی مداخلات انسانی در تغییر ریشه‌ای آن‌ها تردیدهای جدی دارند.
چرا LLMها برخلاف تصور ما «استدلال» نمی‌کنند؟
تور گریپل، استاد یادگیری ماشین در دانشگاه UCL و عضو سابق تیم Google DeepMind، در یادداشتی تحلیلی به نقد وضعیت کنونی هوش مصنوعی پرداخته است. گریپل معتقد است که موفقیت AlphaGo در سال ۲۰۱۶، ناشی از قدرت استدلال و خلاقیت ماشین بود که حرکتی غیرمنتظره و خارج از الگوهای آماری رایج انجام داد. او استدلال می‌کند که مدل‌های زبانی بزرگ (LLMs) برخلاف سیستم‌های مبتنی بر معماری‌های جست‌وجو و برنامه‌ریزی، در واقع تنها پیش‌بینی‌کننده‌های احتمالات آماری هستند و فاقد مکانیسم‌های منطقی برای «استدلال» در موقعیت‌های جدید و نوآورانه می‌باشند.
خلاصه تحولات کلیدی فناوری (پاییز ۱۴۰۵)
- امنیت ابزارهای هوش مصنوعی: شرکت OpenAI در حال بررسی ۵۰ پتابایت داده برای ردیابی رخدادهای مرتبط با «عوامل خودکار» (Rogue Agents) است که منجر به اخراج تعدادی از کارکنان شده است.
- جنگ تراشه‌ها: پرونده‌های قاچاق چیپ‌های انویدیا (Nvidia) به چین، شکاف‌های جدی در زنجیره تأمین جهانی و نظارت بر سخت‌افزارهای پردازشی را آشکار کرده است.
- اکتشافات فضایی: ناسا قصد دارد تا پایان سال ۲۰۲۸، نخستین فضاپیمای مجهز به رآکتور هسته‌ای را برای مأموریت‌های میان‌سیاره‌ای به مقصد مریخ اعزام کند.
- نظارت شهری: چالش‌های امنیتی پیرامون دوربین‌های Flock و فقدان مالکیت شفاف داده‌ها در فلوریدا، بحث‌های رگولاتوری جدیدی را در سطح ایالتی برانگیخته است.
نتیجه‌گیری و چشم‌انداز
تکنولوژی در مسیر توسعه، همزمان به دنبال ارتقای زیستی انسان و هوشمندسازی ماشین‌هاست. در حالی که ابزارهای بیوتکنولوژی سعی دارند پیری را به یک «بیماری قابل مدیریت» تبدیل کنند، جامعه مهندسی هوش مصنوعی با چالشی بنیادین در تغییر پارادایم از «آموزش مبتنی بر توالی» به «استدلال مبتنی بر ساختار» روبرو است. این تغییرات نیازمند بازبینی در اصول معماری مدل‌های عصبی و درک بهتر از نحوه تعامل عوامل هوشمند (AI Agents) در محیط‌های کنترل‌نشده است.
