التنبؤ بالذكاء الاصطناعي التحويلي: طريقة «الدعائم البيولوجية» بشكل موجز

هذه مقالة من ضمن أربع مقالات تلخص مئات الصفحات من التقارير التقنية التي تركز تقريبًا وبشكل كامل على توقع عدد واحد: العام الذي سيتم فيه تطوير الذكاء الاصطناعي التحويلي⁠⁠1.

بواسطة “الذكاء الاصطناعي التحويلي”، أعني “الذكاء الاصطناعي القادر على جلبنا إلى مستقبل جديد ومختلف نوعيًا”. أنا أركز على ما أسميه “باستا” (PASTA): أنظمة الذكاء الاصطناعي التي يمكنها بشكل أساسي أتمتة جميع الأنشطة البشرية اللازمة لتسريع التقدم العلمي والتكنولوجي.

كلما تطورت باستا في وقتٍ أقرب، تغير العالم بشكل جذري وعلى نحوٍ أسرع، وزادت أهمية التفكير اليوم في كيفية جعل تلك التغييرات ناجحة بدلاً من أن تفشل.

هذه المقالة هي ملخص- يمكن للشخص غير المتخصص فهمه - لتقرير «Forecasting TAI with biological anchors» الذي أعدته آجيا كوترا (والذي سأشير إليه فيما بعد باختصار “الدعائم البيولوجية”)، ومزاياه وعيوبه⁠⁠2. إنه التنبؤ الذي أجده الأفيد والأثرى حول الذكاء الاصطناعي التحويلي، مع بعض التحفظات:

• هذا النهج نسبياً معقد، ويتطلب عددًا كبيرًا من الافتراضات والتقديرات غير المؤكدة. هذه الصفات تجعل من الصعب نسبياً شرحه، وهي أيضًا علامة تُؤخذ ضد موثوقية الطريقة.
• وبالتالي، حتى اليوم، لا أعتقد أن هذه الطريقة موثوقة مثل الأمثلة التي ذكرتها سابقًا لتوقع مستقبل مختلف نوعيًا. ليست لديها بساطة ومباشرة بعض تلك الأمثلة، مثل نمذجة انتشار فيروس كوفيد-19. وعلى الرغم من أن نمذجة التغير المناخي أيضًا معقدة جدًا، إلا أن نمذجة التغير المناخي تمت دراستها من قٍبل عدد كبير من الخبراء على مدى عقود، بينما ليس لدى منهجية الدعائم البيولوجية تاريخ كبير.

ومع ذلك، أعتقد أنه أفضل منهجية متاحة حتى اليوم “لأفضل تقدير وتخمين” حاليًا للجداول الزمنية للذكاء الاصطناعي التحويلي. وكما ناقشنا في القسم الأخير، يمكن للشخص أن يتراجع عن الكثير من التفاصيل ليرى أن هذا القرن سيشهد على الأرجح تحقيق بعض المعالم «المتطرفة» في التقرير الذي يشير بقوة إلى إمكانية تحقيق الذكاء الاصطناعي التحويلي.

(ملاحظة: لقد كتبت أيضًا مقالًا للمتابعة حول هذا الإطار للقراء المتشككين. انظر إلى «“Biological anchors” is about bounding, not pinpointing, AI timelines».)

الفكرة الأساسية هي:

• يمكن لنماذج الذكاء الاصطناعي الحديثة “تعلم” أداء المهام من خلال عملية (مكلفة ماليًا) تعرف “بالتدريب”. يمكنك أن تفكر في التدريب كعملية ضخمة من المحاولة والخطأ. على سبيل المثال، يتم تزويد نماذج الذكاء الاصطناعي للتعرف على الصوت بملف صوتي لشخص يتحدث، ثم تُخمن ما يقوله الشخص، ثم تُزود بالإجابة الصحيحة. من خلال تكرار هذه العملية ملايين المرات، يتعلمون ترجمة الكلام إلى نص بشكل موثوق. المزيد: التدريب
• كلما زاد حجم نموذج الذكاء الاصطناعي وزاد تعقيد المهمة، كلما زادت تكلفة عملية التدريب. بعض نماذج الذكاء الاصطناعي أكبر من الأخرى؛ حتى الآن، لا يوجد أي منها يقترب من “حجم الدماغ البشري” (سيتم توضيح معنى ذلك لاحقًا). المزيد: حجم النموذج ونوع المهمة
• تسأل منهجية “الدعائم البيولوجية”: “بناءً على الأنماط المعتادة في تكلفة التدريب، كم ستكون تكلفة تدريب نموذج ذكاء اصطناعي بحجم الدماغ البشري لأداء المهام الأصعب التي يقوم بها البشر؟ ومتى ستكون هذه التكلفة منخفضة بما يكفي لنتوقع أن يفعلها شخص ما؟” المزيد: تقدير التكلفة

تقدم “الدعائم البيولوجية” نماذج واسعة ومتنوعة من الطرق المختلفة للتعامل مع هذا السؤال ، وتنتج تقديرات على نطاق واسع تتراوح بين “الرؤية الجريئة” (توقع الذكاء الاصطناعي التحويلي في القريب العاجل) والرؤية “المحافظة” (لاحقًا). ولكن من بين كل هذه الزوايا بشكل أساسي، فهي ترجح بدرجة كبيرة تحقق الذكاء الاصطناعي التحويلي هذا القرن.

سأوضح الآن كل نقطة من هذه النقاط بشكل أكثر تفصيلاً. هذا هو أكثر جزء كثافة في هذه السلسلة، وقد يفضل بعض الأشخاص الاقتصار على الملخص أعلاه والانتقال إلى المقالة التالية.

يرجى ملاحظة أن الدعائم البيولوجية تستخدم عددًا من المنهجيات المختلفة (التي تسميها “الدعائم”) لتقدير جداول زمنية للذكاء الاصطناعي التحويلي، وتجمعها في رؤية واحدة مجتمعة. في هذا الملخص، أنا أركز بشكل أكبر على مجموعة معينة من هذه الدعائم - تُسمى “دعائم الشبكة العصبية” - والتي تدفع معظم الجداول الزمنية الكلية للتقرير. بعض ما سأقوله ينطبق على جميع الدعائم، ولكن البعض الآخر ينطبق فقط على “دعائم الشبكة العصبية”.

التدريب

وفقًا لما ناقشته سابقًا، هناك أساسًا طريقتان “لتعليم” الكمبيوتر أداء مهمة ما:

1. “برمجة” تعليمات محددة للغاية وخطوة بخطوة لإكمال المهمة. عندما يمكن القيام بذلك، يمكن للكمبيوتر بشكل عام تنفيذ التعليمات بسرعة وموثوقية وبتكلفة منخفضة. على سبيل المثال، يمكنك برمجة الكمبيوتر لفحص كل سجل في قاعدة البيانات وطباعة تلك التي تطابق مصطلحات البحث التي يدخلها المستخدم - ستعلمه كيفية القيام بذلك بالضبط وسيكون قادرًا على أداء المهمة بشكل جيد جدًا.
2. “تدريب” الذكاء الاصطناعي لأداء المهمة بالكامل عن طريق المحاولة والخطأ. في الوقت الحالي، أكثر الطرق شيوعًا للقيام بذلك هي باستخدام “شبكة عصبية”، التي يمكن أن تُعتبر نوعًا من “الدماغ الرقمي” الذي يبدأ في حالة عشوائية: لم يتم ربطه بعمليات محددة بعد. على سبيل المثال، فلنقل أننا نريد أن يكون للذكاء الاصطناعي القدرة على معرفة ما إذا كانت الصورة تصور كلبًا أم قطة. من الصعب تقديم تعليمات محددة خطوة بخطوة للقيام بذلك؛ بدلاً من ذلك، يمكننا أخذ شبكة عصبية وإرسال مليون صورة مثالية (كل واحدة توصف بأنها «كلب» أو «قطة»). في كل مرة ترى فيها مثالًا، ستقوم بتعديل أسلاكها الداخلية لجعلها أكثر عرضة للحصول على الإجابة الصحيحة تجاه حالات مماثلة في المستقبل. بعد أمثلة كافية، سيتم توصيله للتعرف بشكل صحيح على الكلاب مقابل القطط.

(ربما يمكن أيضًا أن نتحرك لمستوى آخر ونحاول “تدريب” النماذج لتكون قادرة على أن تتعلم من “التدريب” نفسه بأكفأ طريقة ممكنة. يُطلق على هذه التقنية “تعلم عملية التعلم”، ولكن فهمي هو أنها لم تحقق نجاحًا كبيرًا حتى الآن).

يعد “التدريب” بديلًا قويًا ومكلفًا “للبرمجة”. الميزة هي أننا لا نحتاج إلى توفير تعليمات محددة - يمكننا فقط إعطاء الذكاء الاصطناعي العديد من الأمثلة على أداء المهمة بشكل صحيح، وسوف يتعلم القيام بالمهمة. لكن العيب هو أننا بحاجة إلى الكثير من الأمثلة، وهذا يتطلب الكثير من قوة المعالجة، وهو يكلف الكثير من المال.

فكم سيكلف هذا؟ هذا يعتمد على حجم النموذج (الشبكة العصبية) وطبيعة المهمة نفسها. بالنسبة لبعض المهام التي تعلمتها الذكاءات الاصطناعية حتى عام 2021، يمكن أن يكلف تدريب نموذج واحد ملايين الدولارات. بالنسبة للمهام المعقدة أكثر (مثل “إجراء بحوث علمية مبتكرة”) والنماذج الأكبر (تصل إلى حجم الدماغ البشري)، يمكن أن يكلف تدريب النموذج أكثر من ذلك بكثير.

تهتم الدعائم البيولوجية بهذا السؤال: “متى ستكون تكلفة تدريب نموذج، باستخدام نهج قائم على المحاولة والخطأ البدائية نسبيًا، معقولة لأداء أصعب المهام التي يمكن أن يقوم بها البشر؟”

هذه المهام يمكن أن تشمل المهام الضرورية لباستا، مثل:

• التعلم عن العلوم من المعلمين والكتب المدرسية والواجبات المنزلية بفعالية تفوق قدرة الإنسان.
• دفع حدود العلم من خلال طرح الأسئلة وإجراء التحليلات وكتابة الأبحاث بفعالية تفوق قدرة الإنسان.

سيناقش القسم التالي كيف أن الدعائم البيولوجية تجسد فكرة “أصعب المهام التي يمكن أن يقوم بها البشر” (والتي يفترض أنها ستتطلب نموذجًا “بحجم الدماغ البشري”).

حجم النموذج ونوع المهمة

تفترض الدعائم البيولوجية أنه يمكننا تقدير “كم هو مكلف تدريب نموذج ما” استنادًا إلى معيارين أساسيين: حجم النموذج ونوع المهمة.

حجم النموذج. كما ذُكر أعلاه، قد تفكر في شبكة عصبية على أنها “دماغًا رقميًا” يبدأ في حالة عشوائية. بشكل عام، يمكن “لدماغ رقمي” أكبر - مع المزيد من النسخ الرقمية للخلايا العصبية والروابط العصبية الرقمية⁠⁠3 - أن يتعلم مهامًا أعقد. يتطلب “دماغ رقمي” أكبر أيضًا حسابات أكثر - وبالتالي يكون أكثر تكلفة - في كل مرة يتم فيها استخدامه (على سبيل المثال، لكل مثال يتعلم منه).

استنادًا إلى التحليل في تقرير «How much computational power does it take to match the human brain?» الذي أعده جو كارلسميث (المُختصر في هذا المقال باسم “حوسبة الدماغ”)، تقوم الدعائم البيولوجية بتقدير المقارنات بين حجم “الأدمغة الرقمية” (نماذج الذكاء الاصطناعي) “والأدمغة الحيوانية” (أدمغة النحل، أدمغة الفئران، أدمغة البشر). توحي هذه التقديرات بأن نظم الذكاء الاصطناعي في الوقت الحالي تكون أحيانًا بحجم أدمغة الحشرات، ولكنها ليست بحجم أدمغة الفئران - حتى لحظة كتابة هذا النص، كان أكبر نموذج لغوي معروف يقترب إلى حد معقول من ذلك⁠⁠4، وليست بنسبة 1 % من حجم أدمغة البشر⁠⁠5.

كلما كان النموذج أكبر، كلما زادت القوة المعالجة المطلوبة لتدريبه. تفترض الدعائم البيولوجية أن نموذج الذكاء الاصطناعي التحويلي يحتاج إلى أن يكون حجمه حوالي 10 أضعاف حجم الدماغ البشري، وبالتالي أكبر بكثير من أي نموذج ذكاء اصطناعي حالي. (العامل المضاعف بواقع 10 هو لترك بعض المساحة لفكرة أن “الأدمغة الرقمية” قد تكون أقل كفاءة من الأدمغة البشرية؛ راجع هذا الجزء من التقرير). وهذا هو أحد الأسباب التي تجعل عملية التدريب مكلفة جدًا.

قد يتبين أن نموذج الذكاء الاصطناعي الأصغر لا يزال كافيًا لتعلم مثل هذا النوع من المهام. أو قد يتبين أن حجم النموذج اللازم أكبر من تقديرات الدعائم البيولوجية ، ربما لأن الدعائم البيولوجية قد قدرت “حجم” الدماغ البشري الفعال بشكل أقل مما هو عليه فعليًا، أو لأن الدماغ البشري مصمم بشكل أفضل من “الأدمغة الرقمية” بدرجة تفوق تخمينات الدعائم البيولوجية.

نوع المهمة. لكي يتمكن نموذج الذكاء الاصطناعي من تعلم مهمة ما، يحتاج إلى “محاولة” (أو “مشاهدة”) المهمة بشكل فعال بعدد كبير من المرات، والتعلم من خلال المحاولة والخطأ. كلما زادت التكلفة (من ناحية القوة المعالجة وبالتالي المال) لمحاولة/مشاهدة المهمة، كلما زادت تكلفة نموذج الذكاء الاصطناعي لتعلمها.

من الصعب تحديد تكلفة مهمة ما في المحاولة/ المشاهدة. وفقًا للمراجعين التقنيين الذين قاموا بمراجعة تحليل الدعائم البيولوجية حتى الآن، فإن محاولة الدعائم البيولوجية للقيام بذلك هي الجزء الأكثر جدلًا في التحليل.

يمكنك التفكير بشكل تقريبي في إطار عمل الدعائم البيولوجية على النحو التالي:

• هناك بعض المهام التي يمكن للإنسان القيام بها في ثانية واحدة من التفكير، مثل تصنيف صورة قطًا أو كلبًا.
• هناك مهام أخرى قد تستغرق عدة دقائق من التفكير لدى الإنسان، مثل حل لغز منطقي.
• قد تستغرق مهام أخرى ساعاتٍ أو أيامًا أو شهورًا أو حتى سنوات، وتتطلب ليس فقط التفكير، ولكن التفاعل مع البيئة. على سبيل المثال، كتابة ورقة علمية.
• المهام التي تستغرق وقتًا أطول في هذا النطاق ستكون أكثر تكلفة في المحاولة أو المشاهدة، لذلك ستكون تكلفة تدريب نموذج الذكاء الاصطناعي على تنفيذها أكبر. على سبيل المثال، فإنه أكثر تكلفة (يستغرق وقتًا أكثر ومالًا أكثر) أن يكون لديك مليون “محاولة” لمهمة تستغرق ساعة مقارنة بمليون “محاولة” لمهمة تستغرق ثانية.
• ومع ذلك، فإن الإطار ليس بهذه البساطة. العديد من المهام التي تبدو مهامًا “طويلة” (مثل كتابة مقالة) يمكن في الواقع تقسيمها إلى سلسلة من مهام “أقصر” (مثل كتابة جمل فردية).
  • إذا كان بإمكان نموذج الذكاء الاصطناعي أن يتعلم القيام بمهمة “فرعية” أقصر، فقد يكون قادرًا على القيام بالمهمة الأطول عن طريق تكرار المهمة الفرعية الأقصر مرارًا وتكرارًا، دون الحاجة إلى التدريب بشكل صريح على القيام بالمهمة الأطول.
  • على سبيل المثال، قد يحصل نموذج الذكاء الاصطناعي على مليون “محاولة” في المهمة: “قراءة مقالة غير مكتملة وكتابة جملة تالية جيدة”. إذا تعلم أن يقوم بهذه المهمة بشكل جيد، فقد يكون من الممكن أن يكتب مقالة طويلة عن طريق تكرار هذه المهمة مرارًا وتكرارًا. ولن يحتاج إلى عملية تدريب منفصلة حيث يحصل على مليون “محاولة” في المهمة الأكثر استهلاكًا للوقت وهي كتابة المقالة بأكملها.
  • لذلك يصبح من المهم معرفة ما إذا كانت المهام الأصعب والأكثر أهمية (مثل تلك المذكورة أعلاه) هي نوع المهام التي يمكن “تحليلها” إلى مهام قصيرة/سهلة.

تقدير التكلفة

تنظر الدعائم البيولوجية إلى مدى تكلفة نماذج الذكاء الاصطناعي الحالية للتدريب، اعتمادًا على حجم النموذج ونوع المهمة (كما عُرفّت أعلاه). ثم يستقرئ هذا ليرى كم سيكون تكلفة تدريب نموذج الذكاء الاصطناعي إذا كان:

• حجمه 10 أضعاف حجم الدماغ البشري⁠⁠6.
• يتم تدريبه على مهمة تستغرق في كل “محاولة” أيامًا أو أسابيعًا أو شهورًا من “التفكير” المكثف.

حتى يومنا هذا، كان من المتوقع أن يكلف هذا النوع من التدريب ما يقرب من مليون تريليون دولار، وهو أكثر بكثير من إجمالي ثروة العالم. لذلك ليس من المستغرب أنه لم يحاول أحد تدريب نموذج من هذا النوع.

ومع ذلك، تتوقع أيضًا الدعائم البيولوجية حدوث الاتجاهات التالية في المستقبل:

• تقدم في كل من الأجهزة والبرامج التي يمكنها أن تجعل قوة الحوسبة أرخص.
• اقتصاد متنامي ودور متزايد للذكاء الاصطناعي في الاقتصاد، والذي يمكن أن يزيد من مقدار مختبرات الذكاء الاصطناعي القادرة على إنفاق نماذج تدريبية كبيرة إلى تريليون دولار وما بعدها.

ووفقًا لهذه التوقعات، في وقت ما يصبح “المبلغ الذي يمكن لمختبرات الذكاء الاصطناعي أن تنفقه” مساويًا “لتكلفة تدريب نموذج بحجم دماغ بشري على المهام الأصعب”. تستند الدعام البيولوجية في توقعاتها إلى “متى سيتم تطوير الذكاء الاصطناعي التحويلي” على وقت حدوث هذا الأمر.

كما تقوم الدعائم البيولوجية أيضًا بنمذجة عدم اليقين في جميع المعايير أعلاه، وتنظر في المنهجيات البديلة لمؤشرات “حجم النموذج ونوع المهمة”⁠⁠7. من خلال القيام بذلك، تقوم بتقدير احتمالية تطوير الذكاء الاصطناعي التحويلي بحلول عام 2030، 2035، وما إلى ذلك.

رؤية جريئة أم محافظة؟

تتضمن الدعائم البيولوجية عددًا من التبسيطات التي قد تجعلها جريئة للغاية (بتوقع وصول الذكاء الاصطناعي التحويلي في وقت أقرب مما هو واقعي) أو متحفظة للغاية (بتوقع وصوله في وقت لاحق مما هو واقعي).

الجدل الذي أسمعه بشكل شائع ويعتبر “مبالغة للغاية” يتمثل في القول: “لا يوجد سبب للاعتقاد بأن الذكاء الاصطناعي القائم على الأساليب الحديثة يمكنه أن يتعلم كل ما يتعلمه الإنسان باستخدام التدريب بالمحاولة والخطأ - بغض النظر عن حجم النموذج وكمية التدريب التي يحصل عليها. يمكن للدماغ البشري أن يستدل بطرق فريدة، لا يمكن لأي نظام ذكاء اصطناعي أن يتفوق عليها أو يضاهيها ما لم نأت بنهج جديد جوهري للذكاء الاصطناعي.” غالبًا ما يرافق هذا النوع من الجدل القول بأن أنظمة الذكاء الاصطناعي لا تفهم حقًا ما يتعاملون معه، و/أو أنها تقلد مجرد استدلال الإنسان من خلال التعرف على النمط.

أعتقد أن هذا قد يتبين أنه صحيح، ولكنني لا أراهن على ذلك. مناقشة كاملة للسبب خارج نطاق هذا المقال، ولكن بإيجاز:

• أنا غير مقتنع بوجود تمييز عميق أو ثابت بين “التعرف على الأنماط” و “الفهم الحقيقي” (يشير هذا المقال على موقع سليت ستار كودكس إلى هذه النقطة). قد يكون “الفهم الحقيقي” هو مظهر للتعرف الجيد جدًا على الأنماط. جزء من تفكيري هنا هو الحدس الذي يقول إنه حتى عندما يبدو الناس (بما في ذلك نفسي) يفهمون سطحيًا شيئًا ما، فإن استدلالهم غالبًا (أود أن أقول حتى دائمًا) ينهار عند النظر في سياق غير مألوف. بعبارة أخرى، أعتقد أن ما نعتبره “فهمًا حقيقيًا” هو أكثر مثالية من أنها واقعية.
• أشعر بالإحباط من السجل الحافل لأولئك الذين قدموا هذا النوع من الجدل- لا أشعر أنهم تمكنوا من تحديد شكل «المنطق الحقيقي»، بحيث يمكنهم إجراء تنبؤات قوية حول ما قد يكون صعبًا على أنظمة الذكاء الاصطناعي. (على سبيل المثال، انظر إلى هذا النقاش حول الانتقاد الأخير لجاري ماركوس لـ GPT3، ونقاش مماثل على موقع Astral Codex Ten).
• «هناك حاجة إلى بعض الاختراقات/التقدم الأساسي» قد تكون هذه المقولة صحيحة. ولكن بالنسبة للدعائم البيولوجية أن تكون مبالغًا فيها، ليس كافياً أن يكون هناك حاجة لبعض الاختراقات؛ بل يجب أن تكون الاختراقات المطلوبة أكثر مما يستطيع علماء الذكاء الاصطناعي تحقيقه في العقود القادمة، وهو الإطار الزمني الذي تتوقع فيه الدعائم البيولوجية وصول الذكاء الاصطناعي التحويلي. يبدو من الصعب أن نكون واثقين من أن الأمور ستسير بهذه الطريقة - خاصة لأن:
  • حتى التقدم المعتدل في أنظمة الذكاء الاصطناعي يمكن أن يجلب المزيد من المواهب والتمويل إلى هذا المجال (كما يحدث بالفعل⁠أ).
  • إذا كان المال والمواهب وقدرة المعالجة موجودين بوفرة، ويتعذر تقدم باستا في المقام الأول بسبب ضعف معين في كيفية تصميم وتدريب أنظمة الذكاء الاصطناعي، فقد يكون بإمكان الباحثين القيام بمحاولة مستدامة لإصلاح هذا الضعف. عندما نتحدث عن الجداول الزمنية لعقود متعددة، قد يكون هذا وقتًا كافيًا ليجد الباحثون ما يفتقرون إليه في تقنيات اليوم.

بشكل أوسع، قد تكون الدعائم البيولوجية مبالغًا فيها بسبب افتراضها أن “قدرة الحوسبة هي العائق”:

• يفترض أنه إذا كان بإمكان المرء دفع ثمن كل قدرة الحوسبة لإجراء عملية “التدريب” القوية المذكورة أعلاه للمهام الرئيسية (على سبيل المثال، أتمتة العمل العلمي)، فإن الذكاء الاصطناعي التحويلي سيتبع (على الأرجح).
• لا يتطلب تدريب نموذج الذكاء الاصطناعي فقط قوة حوسبة شرائية. يتطلب الأمر تعيين باحثين، وإجراء تجارب، وربما الأهم من ذلك، إيجاد طريقة لإعداد عملية «التجربة والخطأ» حتى يتمكن الذكاء الاصطناعي من الحصول على عدد كبير من «المحاولات» في المهمة الرئيسية. قد يتضح أن القيام بذلك صعب للغاية.

من ناحية أخرى، هناك العديد من الطرق التي يمكن أن تكون الدعائم البيولوجية فيها متحفظة جدًا (تقليل احتمالية تطوير الذكاء الاصطناعي التحويلي قريبًا).

• ربما ببراعة كافية، يمكن للمرء أن يخلق ذكاء اصطناعي تحويلي من خلال «البرمجة» للقيام بالمهام الرئيسية، بدلاً من الاضطرار إلى «تدريبه» (انظر أعلاه للاطلاع على التمييز). قد يتطلب ذلك حوسبة أقل بكثير، وبالتالي تكون أقل تكلفة. أو يمكن استخدام مزيج من “البرمجة” و “التدريب” لتحقيق كفاءة أفضل مما تشير إليه الدعائم البيولوجية، دون الحاجة إلى تغطية كل شيء عبر “البرمجة”.
• أو يمكن للمرء أن يجد مناهج أفضل بكثير للذكاء الاصطناعي يمكن “تدريبها” بكفاءة أكبر. إحدى الاحتمالات هنا هي “تعلم عملية التعلم”: التدريب الفعال لنظام الذكاء الاصطناعي على «مهمة» التدريب نفسها.
• أو ربما على الأرجح، قد يصبح الذكاء الاصطناعي مع مرور الوقت جزءًا أكبر وأكبر من الاقتصاد، وقد يحدث انتشار لأنظمة الذكاء الاصطناعي المختلفة التي تم تخصيصها واستثمارها للقيام بمهام واقعية مختلفة. كلما حدث ذلك، كلما زادت الفرصة للابتكار الفردي والحظ لتحقيق المزيد من الابتكارات وأنظمة الذكاء الاصطناعي الأكثر قدرة في سياقات اقتصادية معينة.
  • ربما في وقت ما، سيكون من الممكن دمج العديد من الأنظمة ذات القدرات المختلفة من أجل معالجة بعض المهام الصعبة بشكل خاص مثل “أتمتة العلم”، دون الحاجة إلى “تشغيل تدريب” مخصص لذلك وباهظ للغاية.
  • أو ربما يظل الذكاء الاصطناعي الذي لا يرقى إلى مستوى باستا مفيدًا بما يكفي لتوليد الكثير من المال، و/أو مساعدة الباحثين على تخفيض تكلفة الحوسبة وزيادة كفاءتها. وهذا بدوره يمكن أن يؤدي إلى نماذج أكثر من الذكاء الاصطناعي التي تزيد من توافر المال وكفاءة الحوسبة. وهذا، بدوره، يمكن أن يجعل إجراء تدريب على مستوى باستا في متناول الجميع في وقت أبكر من مشاريع الدعائم البيولوجية.
• بالإضافة إلى ذلك، يشعر بعض المراجعين التقنيين للدعائم البيولوجية أن علاجها لنوع المهمة متحفظ جدًا. إنهم يعتقدون أن المهام الأكثر أهمية (وربما جميع المهام) التي يحتاج الذكاء الاصطناعي إلى التدريب عليها ستكون في نهاية الطيف “الأسهل / الأرخص” مقارنة بما تفترضه الدعائم البيولوجية. (انظر القسم أعلاه لمعرفة ماذا يعني أن تكون المهمة “أسهل / أرخص” أو “أصعب / أكثر تكلفة”). بالنسبة للجدل ذو الصلة، انظر «Fun with +12 OOMs of compute»، الذي يشير بشكل مفهومي إلى أن الدعائم البيولوجية تتخيل كمية ضخمة حقًا من الحوسبة اللازمة لإنشاء باستا، وأن القليل قد يكون كافيًا.

لا أعتقد أنه من الواضح ما إذا كانت الدعائم البيولوجية في المجمل مبالغة جدًا (تتوقع أن يأتي الذكاء الاصطناعي التحويلي في وقت أقرب مما هو واقعي) أو متحفظة جدًا (تتوقع أن يأتي في وقت لاحق). يذكر التقرير نفسه أنه من المرجح أن تكون مبالغة جدًا خلال السنوات القليلة القادمة ومتحفظة جدًا بعد أكثر من 50 عامًا، ومن المرجح أن تكون الأكثر فائدة في الفترة المتوسطة⁠ب.

من الناحية الفكرية، يبدو لي أن التقرير أكثر احتمالًا أن يكون متحفظًا جدًا. أجد استجاباته لنقاط “مبالغة جدًا” أعلاه مقنعة إلى حد ما، وأعتقد أن النقاط ” المتحفظة جدًا” من المرجح أن تكون صحيحة. وعلى وجه الخصوص، أعتقد أنه من الصعب استبعاد إمكانية أن يؤدي الابتكار إلى تحقيق الذكاء الاصطناعي التحويلي بطريقة أكثر كفاءة بكثير مما يتصور هنا بطريقة “القوة الجبرية”. وأعتقد أن معاملة “نوع المهمة” بالتأكيد تميل في اتجاه متحفظ.

ومع ذلك، لدي أيضًا تفضيل حدسي (يتعلق بتحليلات «عبء الإثبات» المقدمة سابقًا) للخطأ في الجانب المتحفظ عند وضع تقديرات مثل هذه. بشكل عام، أفضل تخميناتي حول الجداول الزمنية التحويلية للذكاء الاصطناعي مماثلة لتلك الموجودة في الدعائم البيولوجية.

استنتاجات الدعائم البيولوجية

تقدر الدعائم البيولوجية فرصة تحقيق تحول في مجال الذكاء الاصطناعي بنسبة تزيد عن 10 % بحلول عام 2036، وبنسبة تقدر بحوالي 50 % بحلول عام 2055، وبنسبة تقدر بحوالي 80 % بحلول عام 2100.

من الجدير بالذكر أيضًا ما يقوله التقرير عن أنظمة الذكاء الاصطناعي في الوقت الحالي. يقدر التقرير أن:

• أكبر نماذج الذكاء الاصطناعي في الوقت الحاضر، مثل GPT-3، أصغر قليلاً من أدمغة الفئران، وبدأت تقترب (إذا كبرت بنسبة 100-1000 مرة أخرى) من أدمغة البشر. لذلك قد نقترب قريبًا من أنظمة الذكاء الاصطناعي التي يمكن تدريبها على فعل أي شيء يمكن للبشر فعله بتفكير لا يتجاوز ثانية واحدة تقريبًا. اتساقًا مع هذا، يبدو لي أننا بدأنا للتو في الوصول إلى النقطة التي تبدو فيها نماذج اللغة مثل البشر الذين يتحدثون دون تفكير صعب للغاية⁠ج. إذا كان هناك أي شيء، يبدو أن “الإنسان الذي لا يفكر لأكثر من ثانية واحدة في كل كلمة” يبدو قريبًا نسبيًا مما يفعله GPT-3، على الرغم من أنه أصغر بكثير من دماغ الإنسان.
• في الآونة الأخيرة فقط أصبحت نماذج الذكاء الاصطناعي بهذا الحجم. “النموذج الكبير” للذكاء الاصطناعي قبل عام 2020 كان في نطاق دماغ النحلة. لذا، بالنسبة للنماذج حتى في الماضي القريب جدًا، يجب أن نسأل أنفسنا ما إذا كانت أنظمة الذكاء الاصطناعي تبدو “ذكية مثل الحشرات”. هنا محاولة واحدة لمقارنة قدرات الذكاء الاصطناعي والنحلة (قام بها المتدرب غيل كوستا على موقع Open Philanthropy)، واختتمت بأن أكثر قدرات النحلة المثيرة للإعجاب التي تمكن الكاتب من تحديدها تبدو قابلة للتنفيذ في أنظمة الذكاء الاصطناعي⁠⁠8.

أذكر هذه الملاحظات لأنه:

• تبدو تحليلات الدعائم البيولوجية متوافقة تمامًا مع ما نراقبه من أنظمة الذكاء الاصطناعي اليوم (على مدار العقد أو العقدين الماضيين)، مع تلميحات بأننا من المرجح أن نرى قدرات تحويلية أكثر في العقود القادمة.
• أعتقد أنه من الملفت للانتباه بشكل خاص أننا نقترب من الوقت الذي يصبح فيه نموذج الذكاء الاصطناعي “بحجم دماغ الإنسان” (وفقًا لطريقة تقدير الدعائم البيولوجية/ حوسبة الدماغ). قد يتبين أن مثل هذا النموذج من الذكاء الاصطناعي قادر على “تعلم” الكثير عن العالم وإنتاج الكثير من القيمة الاقتصادية، حتى لو لم يكن قادرًا حتى الآن على القيام بأصعب الأشياء التي يقوم بها البشر. وهذا، بدوره، يمكن أن يؤدي إلى زيادة استثمارات متسارعة في مجال الذكاء الاصطناعي (سواء من ناحية المال أو المواهب)، مما يؤدي إلى مزيد من الابتكار والاختراقات الجديدة. هذا سبب بسيط للاعتقاد بأن الذكاء الاصطناعي التحويلي بحلول عام 2036 ممكن.

أخيرًا، ألاحظ أن الدعائم البيولوجية تشمل تحليلًا “تطوريًا” بين النهج المختلفة التي تنظر إليها. يفترض هذا التحليل أنه من أجل إنتاج ذكاء اصطناعي تحويلي، يجب أن يتم إجراء عدد من العمليات الحسابية يعادل عدد العمليات الحسابية التي قامت بها جميع الحيوانات على مر التاريخ، من أجل إعادة إنتاج التقدم الذي أحرزه الانتقاء الطبيعي.

أعتبر التحليل “التطوري” متحفظًا للغاية، حيث يمكن لتعلم الآلة أن يحقق تقدمًا أسرع بكثير من الابتلاع والخطأ المرتبط بالانتقاء الطبيعي. حتى إذا كان الشخص يؤمن بأن “العقول البشرية تعقل بطرق فريدة غير قابلة للمقارنة مع الذكاء الاصطناعي في العصر الحديث”، يبدو أن أي خاصية فريدة في العقل البشري يمكن اكتشافها مرة أخرى إذا كان الشخص قادرًا تقريبًا على إعادة تشغيل تاريخ الانتقاء الطبيعي. حتى هذا التحليل المحافظ يقدر فرصة وجود الذكاء الاصطناعي التحويلي بحوالي 50 % بحلول عام 2100.

إيجابيات وسلبيات طريقة الدعائم البيولوجية للتنبؤ بالجداول الزمنية للذكاء الاصطناعي التحويلي

السلبيات. سأبدأ بأكبر سلبية أراها: إن هذا الإطار التنبؤي معقد للغاية، ويعتمد بشكل حاسم على تقديرات وافتراضات غير مؤكدة للغاية، وعلى وجه الخصوص:

• ما إذا كان من المعقول أن نعتقد أن نظام الذكاء الاصطناعي يمكنه تعلم المهام الرئيسية المذكورة أعلاه (المهام المطلوبة لباستا) بما فيه الكفاية من التدريب بالمحاولة والخطأ.
• كيفية مقارنة حجم نماذج الذكاء الاصطناعي مع حجم أدمغة الحيوانات/ الإنسان.
• كيفية توصيف “نوع المهمة”، وتقدير مدى “صعوبة” وتكلفة المهمة “لتجربتها” أو “مشاهدتها” مرة واحدة.
• كيفية استخدام حجم النموذج ونوع المهمة لتقدير تكلفة تدريب نموذج الذكاء الاصطناعي لأداء المهام الرئيسية.
• كيفية تقدير التقدم المستقبلي في كل من الأجهزة والبرامج التي يمكن أن تجعل قوة الحوسبة أرخص.
• كيفية تقدير الزيادات المستقبلية في مقدار قدرة مختبرات الذكاء الاصطناعي على إنفاق نماذج التدريب.

هذا النوع من التعقيد والغموض يعني (في رأيي) أننا لا ينبغي أن نعتبر التوقعات موثوقة بشكل كبير، خاصة في الوقت الحالي عندما يكون الإطار بأكمله جديدًا نسبيًا. إذا وصلنا إلى مرحلة تلقى فيها التوقعات الذكاء الاصطناعي نفس مستوى التحليل والجهد الموجه نحو توقعات المناخ، قد يكون الأمر مختلفًا.

الإيجابيات. ومع ذلك، فإن طريقة “الدعائم البيولوجية” هي في الأساس الطريقة الوحيدة التي أعرفها لتقدير جداول زمنية للذكاء الاصطناعي التحويلي من حقائق موضوعية (حيثما أمكن ذلك) وافتراضات صريحة (في مكان آخر)⁠⁠9. إنها لا تعتمد على أي مفاهيم غامضة وحدسية مثل “مدى سرعة تحسن أنظمة الذكاء الاصطناعي التي أصبحت أكثر إثارة للإعجاب” (التي تمت مناقشتها سابقًا). يمكن شرح كل افتراض وتقدير في الإطار، ومناقشته، واختباره مع مرور الوقت.

حتى في مرحلتها المبكرة الحالية، أعتبر هذا خاصية قيمة لإطار الدعائم البيولوجية. يعني ذلك أن الإطار يمكنه تقدير جداول زمنية لنا ليست مجرد إعادة صياغة للحدس حول مدى اقتراب الذكاء الاصطناعي التحويلي⁠⁠10.

أعتقد أيضًا أنه من المشجع أنه حتى مع كل التخمينات، فإن “التوقعات” القابلة للفحص التي يقدمها الإطار حتى اليوم تبدو معقولة (انظر القسم السابق). يوفر الإطار وسيلة للتفكير في كيفية يمكن أن يكون صحيحًا في نفس الوقت أن (أ) أنظمة الذكاء الاصطناعي منذ عقد من الزمان لم تبدو مثيرة للإعجاب على الإطلاق؛ (ب) أنظمة الذكاء الاصطناعي في الوقت الحالي قادرة على أداء أشياء مثيرة للإعجاب ولكن لا تزال تبدو بعيدة عن قدرات البشر؛ (ج) يمكن أن تشهد العقود القادمة - أو حتى 15 عامًا قادمة - تطوير الذكاء الاصطناعي التحويلي بسهولة.

بالإضافة إلى ذلك، أعتقد أنه من المهم أن نلاحظ بعض النقاط على المستوى العالي من “الدعائم البيولوجية” التي لا تعتمد على الكثير من التقديرات والافتراضات:

• في العقد المقبل أو نحو ذلك، من المحتمل أن نرى -للمرة الأولى- نماذج ذكاء اصطناعي ذات “حجم” مماثل للدماغ البشري.
• إذا استمرت النماذج الذكية في أن تصبح أكبر وأكثر كفاءة بالمعدلات التي تقدرها “الدعائم البيولوجية”، فمن المرجح أن يصبح من الميسور تحقيق بعض الإنجازات المتطرفة جدًا في هذا القرن - في “النهاية الراقية” لما تعتقده “الدعائم البيولوجية” أنه قد يكون ضروريًا. يصعب تلخيص هذه النقاط، ولكن راجع الإطار الخاص بـ “شبكة عصبية ذات مدى زمني طويل” و “المرجع التطوري” في التقرير.
• تتمثل إحدى طرق التفكير في هذا الأمر في أن القرن المقبل سيشهد على الأرجح انتقالنا من “عدم وجود حوسبة كافية لتشغيل نموذج بحجم الإنسان على الإطلاق” إلى “حوسبة وفيرة للغاية، بقدر ما نحتاج إلى تقديرات متحفظة تمامًا لما قد نحتاجه”. الحوسبة ليست العامل الوحيد في تقدم الذكاء الاصطناعي، ولكن إلى الحد الذي أصبحت فيه العوامل الأخرى (الخوارزميات وعمليات التدريب) هي العراقيل الجديدة، فمن المحتمل أن تكون هناك حوافز قوية (وعقود متعددة) لحلها.

ميزة أخيرة “للدعائم البيولوجية” هي أننا يمكننا متابعة تقدم الذكاء الاصطناعي مع مرور الوقت ومقارنة ما نراه بإطار التقرير. على سبيل المثال، يمكننا مراقبة:

• ما إذا كانت هناك بعض المهام التي لا يمكن تعلمها، حتى مع وجود الكثير من التجربة والخطأ - أو ما إذا كانت بعض المهام تحتاج إلى كميات تدريب مختلفة جدًا عما يقدره التقرير.
• كيف تقارن قدرات نماذج الذكاء الاصطناعي بقدرات الحيوانات التي نقوم حاليًا بنمذجتها على أنها “ذات حجم مماثل”. إذا بدت نماذج الذكاء الاصطناعي أكثر قدرة من مثل هذه الحيوانات، فقد نبالغ في تقدير حجم النموذج الذي نحتاجه من أجل أتمتة العلم على سبيل المثال. إذا بدوا أقل قدرة، فقد نقلل من شأنه.
• كيف تتقدم تقنيات الأجهزة والبرمجيات، وما إذا كانت نماذج الذكاء الاصطناعي تصبح أكبر بالمعدل الذي يتوقعه التقرير حاليًا.

ستلخص المقالة التالية جميع التحليلات المختلفة حتى الآن حول الجداول الزمنية للذكاء الاصطناعي التحويلي. وستناقش بعد ذلك تحفظاً متبقياً: ألا وهو عدم وجود توافق آراء قوي بين الخبراء بشأن هذا الموضوع.

المقالة التالية في السلسلة: الجداول الزمنية للذكاء الاصطناعي: عن الحُجج ومواقف «الخبراء»

---

المنشور الأصلي: Holden Karnofsky (2021) Forecasting transformative AI: the «biological anchors» method in a nutshell, Cold Takes, 31 أغسطس.

ترجمة: أيمن الحسيني.