یَن لوکان متا را ترک می کند؛ تاسیس شرکت هوش پیشرفتهٔ ماشینی

پس از ۱۲ سال فعالیت در مجموعهٔ متا، یَن لوکان رسماً اعلام کرده که این شرکت را ترک می‌کند تا یک استارتاپ مستقل متمرکز بر «هوش پیشرفتهٔ ماشینی» (Advanced Machine Intelligence یا AMI) تأسیس کند. لوکان که به‌عنوان یکی از پویشگران و پیشگامان نسل مدرن هوش مصنوعی شناخته می‌شود، می‌گوید به دنبال محیطی آزادتر است تا روی سامانه‌هایی کار کند که واقعاً جهان فیزیکی را می‌فهمند، از آن استدلال می‌کنند و با آن تعامل می‌یابند.

چرا لوکان علیه روند مدل‌های زبان بزرگ شرط بسته است

لوکان سال‌هاست که نسبت به شور و هیجان صنعت دربارهٔ بزرگ‌تر کردن مدل‌های زبان بزرگ (Large Language Models یا LLMها) تردید دارد. او معتقد است افزایش صرفِ پارامترها و توان محاسباتی برای پیش‌بینی واژهٔ بعدی نمی‌تواند به‌تنهایی به یک هوش سطح‌انسانی منجر شود. به‌جای این رویکرد، لوکان بر مفهوم «مدل‌های جهان» تأکید می‌کند: سامانه‌هایی که رویدادهای دنیای واقعی را شبیه‌سازی و دربارهٔ آن‌ها استدلال می‌کنند، قوانین فیزیک و علیت را درک می‌کنند، حافظهٔ پایا (persistent memory) دارند و توانایی برنامه‌ریزی برای توالی‌های پیچیدهٔ عمل را دارا هستند.

محدودیت‌های ذاتی مدل‌های زبان بزرگ

مدل‌های زبان بزرگ در کاری که برای آن طراحی شده‌اند بسیار موفق‌اند: تولید و تکمیل زبان، پاسخ‌دهی بر پایهٔ داده‌های متنی و خلاصه‌سازی اطلاعات. با این حال، آن‌ها در زمینهٔ درک ساختاری و فیزیکی جهان محدودیت‌هایی دارند. این مدل‌ها معمولاً الگوهای آماری از متن را یاد می‌گیرند و فاقد درک مستقیم از حسگرها، فیزیک و تعاملات پیوستهٔ زمان-فضا هستند. از این رو، وقتی موضوع برنامه‌ریزی چندمرحله‌ای در محیط‌های فیزیکی یا تصمیم‌گیری بر پایهٔ دانش علّی پیش می‌آید، LLMها به‌تنهایی نمی‌توانند جایگزین مدل‌هایی شوند که بر شبیه‌سازی جهان و استدلال بلندمدت تمرکز دارند.

مدل‌های جهان: تعریف و مزایا

«مدل‌های جهان» (world models) نوعی معماری پیشنهادی برای هوش مصنوعی‌اند که به‌جای تمرکز صرف بر الگوهای زبانی، تلاش می‌کنند یک نمایش درونی از جهان واقعی بسازند. این نمایش شامل قوانین فیزیکی ساده یا پیچیده، روابط علی بین رویدادها، و نمایه‌هایی از اشیاء و حالت‌های محیط می‌شود. مزایای احتمالی این رویکرد عبارت‌اند از:

• توانایی پیش‌بینی نتایج اقدامات در محیط‌های فیزیکی
• پایداری دانش و حافظهٔ بلندمدت دربارهٔ وقایع و مفاهیم
• پلان‌سازی چندمرحله‌ای و اجرای وظایف پیچیده
• ادغام بهتر با حسگرها، شبیه‌سازها و رباتیک

بنابراین، از دید لوکان، صرفاً افزایش اندازهٔ مدل‌های زبانی به جایگاه «هوشِ واقعی» نخواهد رسید—بلکه تغییر معماری و هدف‌گذاری به سمت فهم ساختاری از جهان ضروری است.

از آزمایشگاه FAIR تا یک آزمایشگاه مستقل برای AMI

در طول دوران حضورش در متا و همچنین در دانشگاه نیویورک، لوکان این ایده‌ها را در قالب پژوهش در آزمایشگاه FAIR (Facebook AI Research) و محیط‌های دانشگاهی محک زده است. اکنون او قصد دارد مفاهیم AMI را در قالب یک استارتاپ مستقل بالغ کند؛ جایی که رویکردهای رادیکال‌تر بتوانند بدون محدودیت‌های ساختارهای شرکتی بزرگ فناوری توسعه یابند و مقیاس‌پذیر شوند.

FAIR، دانشگاه و ریشه‌های پژوهشی

آزمایشگاه FAIR محلی برای تولید ایده‌های بنیادی در یادگیری عمیق، بینایی ماشینی و یادگیری تقویتی بوده است؛ اما ساختار و اهداف شرکتی می‌تواند مسیر پژوهش‌های بنیادی را تحت‌الشعاع نیازهای تجاری قرار دهد. در محیط آکادمیک نیز آزادی فکری وجود دارد اما اغلب امکانات مالی و دسترسی به داده‌ها و زیرساخت‌های محاسباتی محدودتر است. لوکان با تجربهٔ هر دو فضا می‌داند که ترکیب آزادی نظری با منابع قوی می‌تواند راهگشای نوآوری باشد.

چرا یک ساختار مستقل؟

یک استارتاپ مستقل می‌تواند مزایای زیر را فراهم کند:

1. آزادی برای امتحان کردن معماری‌ها و ایده‌های بنیادی بدون فشار کوتاه‌مدت برای درآمدزایی
2. فراخوان و جذب نیروی پژوهشی نوآور که مایل به کار در تیم‌های کوچک و چابک هستند
3. انعطاف در همکاری و شراکت با شرکت‌ها، دانشگاه‌ها و مراکز تحقیقاتی مختلف

لوکان هدفش را این‌گونه توصیف می‌کند: تصور کنید عامل‌هایی که حقایق پایدار دربارهٔ جهان را می‌آموزند، می‌توانند وظایف چندمرحله‌ای را برنامه‌ریزی کنند و مستقیماً با محیط‌های فیزیکی تعامل داشته باشند؛ این چشم‌انداز همان چیزی است که او به دنبال تحقق آن در شرکت جدید می‌داند.

نه یک پایانِ کامل: نوع جدیدی از همکاری

لوکان تا پایان سال به‌عنوان نیروی شاغل در متا باقی خواهد ماند و پس از آن به نقش یک شریک خارجی منتقل می‌شود. متا نیز اعلام کرده با استارتاپ او همکاری خواهد داشت و به نوآوری‌های آن دسترسی خواهد یافت؛ رابطه‌ای که شباهت‌هایی به شراکت‌های میان مایکروسافت و اوپن‌ای‌آی یا گوگل و آنتروپیک دارد. بنابراین جدایی او بیشتر شبیه یک جداشدگی کامل نیست بلکه یک اسپین‌آف استراتژیک است که می‌تواند هر دو طرف را در دستیابی به اهدافشان سریع‌تر کند.

الگوهای همکاری صنعتی و پیامدهای حقوقی

الگوهای همکاری نوعی تعادل بین استقلال پژوهشی و حمایت منابع عظیم شرکتی ایجاد می‌کنند. از منظر مالکیت فکری، سرمایه‌گذاری و دسترسی به زیرساخت‌ها، چنین روابطی مستلزم قراردادهای روشن دربارهٔ اشتراک دانش، حق امتیازها و مدیریت ریسک است. امضای توافق‌نامه‌های مناسب می‌تواند به پژوهشگران مستقل اجازه دهد که با پشتیبانی مالی و فنی شرکت‌های بزرگ کار کنند بدون آنکه خلاقیت و جهت‌گیری تحقیقانی‌شان محدود شود.

AMI چه تغییری می‌تواند در هوش مصنوعی و اقتصاد ایجاد کند

لوکان AMI را به‌عنوان انقلاب بعدی در هوش مصنوعی قاب‌بندی می‌کند. اگر این رویکرد موفق شود، این سامانه‌ها می‌توانند چگونگی خودکارسازی وظایفی را که نیازمند استدلال فیزیکی، برنامه‌ریزی بلندمدت و حافظهٔ قدرتمند هستند تغییر دهند. هدف، نه تغییرات جزئی، بلکه انتقال به یک هدف معماری متفاوت است: ساخت مدل‌هایی که قوانین دنیای فیزیکی را بفهمند و از رویِ مدل‌سازی صرفِ الگوهای متنی فراتر روند.

تأثیر بر صنایع و اقتصاد

در صورت موفقیت AMI، صنایع متعددی تحت تأثیر قرار خواهند گرفت، از جمله رباتیک صنعتی، لجستیک و زنجیرهٔ تأمین، مراقبت‌های بهداشتی، کشاورزی خودکار، ساخت‌وساز و خدمات داده‌محور. نمونه‌هایی از کاربردها عبارت‌اند از:

• ربات‌هایی که می‌توانند تعمیرات چندمرحله‌ای را در محیط‌های صنعتی به‌صورت مستقل انجام دهند
• سیستم‌های لجستیکی که با پیش‌بینی فیزیکی و زمان‌بندی دقیق، عملکرد انبارها و زنجیره تأمین را بهینه می‌کنند
• دستیاران پزشکی پیشرفته که می‌توانند نتایج درمانی را بر پایهٔ مدل‌های فیزیکی و علت-معلولی تحلیل کنند

در سطح اقتصاد کلان، AMI ممکن است بهره‌وری را افزایش دهد، مدل‌های کسب‌وکار جدیدی ایجاد کند و نیروی کار را به سوی مهارت‌های فنی و مدیریتی بالاتر سوق دهد. البته این تغییرات با چالش‌های اجتماعی و سیاست‌گذاری همراه خواهند بود، از جمله نیاز به بازآموزی نیروی کار، مقررات مربوط به ایمنی و مسئولیت حقوقی در برخورد با تصمیمات اتوماتیک.

چالش‌های فنی اساسی

با وجود جذابیت‌های نظری AMI، موانع فنی بزرگ و متنوعی وجود دارد که باید مرتفع شوند:

1. نیاز به سیگنال‌های آموزشی غنی‌تر: داده‌های متنی به تنهایی کافی نیستند؛ لازم است داده‌های حسگری، شبیه‌سازی‌شده و تجربی ترکیب شوند تا سیگنال‌های آموزنده برای یادگیری مدل‌های جهان فراهم آید.
2. ادغام با حسگرها و شبیه‌سازها: AMI باید به‌خوبی با دوربین‌ها، لیدار، حسگرهای لمسی و شبیه‌سازهای فیزیکی کار کند تا مفاهیم فیزیکی را از مشاهده استخراج نماید.
3. معماری‌های ترکیبی برای ادراک، حافظه و برنامه‌ریزی: طراحی شبکه‌هایی که بتوانند بین نمایش‌های ادراکی، حافظهٔ پایا و ماژول‌های تصمیم‌گیری تعامل سازنده‌ای داشته باشند، یک چالش معماری است.
4. مقیاس‌پذیری و هزینهٔ محاسباتی: توسعهٔ مدل‌های جهان با اجزای شبیه‌سازی دقیق می‌تواند به منابع محاسباتی قابل‌توجهی نیاز داشته باشد؛ بنابراین به راهکارهای بهینه‌سازی و اختصاصی‌سازی سخت‌افزاری نیاز است.
5. امنیت، ایمنی و اخلاق: سامانه‌هایی که با جهان فیزیکی تعامل دارند، باید آزمون‌های ایمنی و تضمین‌های اخلاقی گسترده‌ای را پشت سر بگذارند تا از مخاطرات غیرقابل‌پیش‌بینی جلوگیری شود.

با این حال، حمایت و شراکت‌هایی مانند آنچه متا پیشنهاد داده و اعتبار علمی و اجتماعی لوکان می‌تواند جذب سرمایه و استعدادهای برتر را تسهیل کند و به حل برخی از این مشکلات سرعت بخشد.

چرا این موضوع برای منظرهٔ هوش مصنوعی اهمیت دارد

خروج لوکان از متا یک الگوی نوظهور در هوش مصنوعی را برجسته می‌کند: پژوهشگران ارشد که شرکت‌های مستقل خود را برای دنبال‌کردن رویکردهای جایگزین تأسیس می‌کنند، در حالی که همکاری با غول‌های فناوری را نیز حفظ می‌کنند. این مدل ترکیبی می‌تواند پیشرفت را با پیوند خلاقیت تیم‌های کوچک به منابع عظیم شرکت‌های بزرگ تسریع کند.

برای ناظران و علاقه‌مندان به حوزهٔ هوش مصنوعی، این یک آزمایش مهم است: آیا AMI می‌تواند از مسیر اولویت‌دهی به مدل‌های زبان بزرگ جلو بزند یا نهایتاً مکمل آن خواهد بود؟ پاسخ این سؤال می‌تواند جهت‌گیری پژوهشی، سرمایه‌گذاری و توسعهٔ محصولات در صنعت را برای سال‌های آینده تعیین کند.

صرف‌نظر از اینکه شما پیگیر آثار فنی یا پیامدهای اقتصادی این حرکت هستید، خروج یَن لوکان از متا و ایجاد استارتاپی حول AMI یک بحث بنیادی را در پژوهش هوش مصنوعی پررنگ‌تر می‌کند: آیا باید به مدل‌های متنی موجود مقیاس بدهیم یا بنیاد هوشمندی را بازاندیشی کنیم تا با درک فیزیکی و علت‌معلولی جهان همخوان شود؟

در نهایت، تحقق یا عدم تحقق چشم‌انداز AMI نه‌تنها مسألهٔ فنی بلکه یک آزمون استراتژیک برای جامعهٔ هوش مصنوعی است؛ آزمونی که شامل پژوهش، سرمایه‌گذاری، سیاست‌گذاری و در نهایت پذیرش اجتماعی خواهد بود. پیگیری این مسیر می‌تواند نمایانگر تفاوت میان هوش مصنوعیِ کاربرمحور و هوشی باشد که واقعاً با دنیای فیزیکی هم‌تراز و همتعامل است.