قانون التوسع التالي لذكاء الإصطناعي: ليس المزيد من البيانات، ولكن نماذج العالم الأفضل

لمدة سنوات، اتبعت صناعة الذكاء الإصطناعي قاعدة بسيطة وقاسية: الأكبر هو الأفضل. لقد دربنا النماذج على مجموعات بيانات ضخمة، وزيدنا من عدد المعاملات، ورمينا قدرة حسابية هائلة في المشكلة. هذا الصيغ عملت معظم الوقت. من GPT-3 إلى GPT-4، ومن محادثات روبوتية خشنة إلى محركات التفكير، اقترح “قانون التوسع” أنه إذا استمرنا في تغذية الآلة بمزيد من النص، فسيصبح في النهاية ذكيا.

ولكننا الآن نصل إلى حائط. الإنترنت محدود. البيانات العامة عالية الجودة تصبح مستنفدة، وعودة الاستثمار على جعل النماذج أكبر تتناقص. يجادل الباحثون الرائديون في الذكاء الإصطناعي يجادلون بأن القفزة التالية الكبيرة في الذكاء الإصطناعي لن تأتي من قراءة المزيد من النص وحده. سوف تأتي من فهم الواقع وراء النص. هذا الاعتقاد يُشير إلى تغيير جوهري في تركيز الذكاء الإصطناعي، مما يُشير إلى عصر نموذج العالم.

حدود التنبؤ بالرمز التالي

للفهم لماذا نحتاج إلى نهج جديد، يجب علينا أولا النظر إلى ما تفعله الأنظمة الحالية للذكاء الإصطناعي. على الرغم من قدراتها المذهلة، النماذج مثل ChatGPT أو Claude هي في الأساس محركات إحصائية. أنها تتنبأ بالكلمة التالية في تسلسل بناءً على احتمالية ما حدث قبل ذلك. أنها لا تفهم أن كأس سقطت ستتكسّر؛ أنها تعرف فقط أن في ملايين القصص، الكلمة “تتكسّر” غالبًا ما تتبع عبارة “كأس سقطت.”

هذا النهج، المعروف باسم النمذجة التكرارية، له عيب حرج. إنه يعتمد كليًا على الارتباط، وليس على السببية. إذا دربنا نموذج LLM على ألف وصف لحادث سيارة، فإنه يتعلم لغة الحوادث. لكنه لا يتعلم أبدًا فيزياء الزخم والاحتكاك والتفكك. إنه مراقب، وليس مشاركًا.

هذا القصور يصبح “حائط البيانات.” لقد قمنا تقريبًا بscrapping الإنترنت العام بأكمله. لتوسيع نطاق استخدام الطريقة الحالية، سوف نحتاج إلى كمية بيانات أوسع بكثير مما يوجد. البيانات الاصطناعية (أي النص الذي يتم إنشاؤه بواسطة الذكاء الإصطناعي) توفر حلًا مؤقتًا، لكنها غالبًا ما تؤدي إلى “انهيار النموذج،” حيث يضخم النظام انحيازاته وأخطاءه. لا يمكننا التوسع إلى الذكاء الإصطناعي العام (AGI) باستخدام النص وحده لأن النص هو ضغط منخفض الحزمة للعالم. إنه يصف الواقع، لكنه ليس الواقع نفسه.

لماذا نموذج العالم مهم

قادة الذكاء الإصطناعي قادة مثل يان ليكون قد جادلوا منذ فترة طويلة bahwa الأنظمة الحالية للذكاء الإصطناعي تفتقر إلى جانب أساسي من الإدراك البشري الذي يمتلكه حتى الأطفال الصغار بشكل طبيعي. هذا هو قدرتهم على الحفاظ على نموذج داخلي لطريقة عمل العالم، والتي يشار إليها عادة باسم نموذج العالم. نموذج العالم لا يتنبأ فقط بالكلمة التالية؛ إنه يبني خريطة عقلية داخلية لطريقة عمل البيئة المادية. عندما نرى كرة تتدحرج خلف الأريكة، نعرف أنها لا تزال هناك. نعرف أنها ستظهر على الجانب الآخر ما لم يتم إيقافها. لا نحتاج إلى قراءة كتاب مدرسي لفهم هذا؛ نقوم بتشغيل محاكاة عقلية بناءً على نموذجنا الداخلي “لعالم” من الفيزياء والاستمرار الكائن.

من أجل تقدم الذكاء الإصطناعي، يجب أن يتحرك من التقليد الإحصائي إلى هذا النوع من المحاكاة الداخلية. إنه يحتاج إلى فهم الأسباب الكامنة وراء الأحداث، وليس فقط وصفها النصي.

هندسة التنبؤ بالتضمين المشترك (JEPA) هو مثال رئيسي على هذا التحول في النموذج. على عكس نماذج LLM، التي تحاول التنبؤ بكل بكسل أو كلمة (عملية مكلفة حسابيًا وضجيجًا)، JEPA تتنبأ بالتمثيلات المجردة. إنه ي忽ن التفاصيل غير القابلة للتنبؤ مثل حركة الأوراق الفردية على شجرة ويتركز على المفاهيم عالية المستوى مثل الشجرة والرياح والموسم. من خلال تعلم التنبؤ بكيفية تغيير هذه الحالات عالية المستوى مع مرور الوقت، يتعلم الذكاء الإصطناعي هيكل العالم بدلاً من التفاصيل السطحية.

من التنبؤ إلى المحاكاة

نحن بالفعل نشهد أول لمحات من هذا التحول في نماذج توليد الفيديو. عندما أصدرت OpenAI Sora، وصفوها ليس فقط كأداة فيديو، ولكن كـ “محاكي عالم.”

هذا التمييز حاسم. مولد فيديو قياسي قد يخلق فيديو لشخص يمشي عن طريق التنبؤ بحيث يأتي بكسل ملون بعد الآخر. ومع ذلك، محاكي العالم يحاول الحفاظ على الاتساق ثلاثي الأبعاد والإضاءة والاستمرار الكائن مع مرور الوقت. إنه “يفهم” أنه إذا كان الشخص يمشي خلف جدار، فإنه لا ينبغي أن يختفي من الوجود.

على الرغم من أن نماذج الفيديو الحالية لا تزال بعيدة عن الكمال، إلا أنها تمثل ساحة التدريب الجديدة. العالم المادي يحتوي على كمية كبيرة من المعلومات أكثر من العالم النصي. ثانية واحدة من الفيديو تحتوي على ملايين النقاط البيانية حول الفيزياء والإضاءة والتفاعل. من خلال تدريب النماذج على هذه الواقع المرئي، يمكننا تعليم الذكاء الإصطناعي “المنطق العام” الذي يفتقر إليه نماذج LLM حاليًا.

هذا يخلق قانون توسع جديد. لن يتم قياس النجاح بعد ذلك من خلال كمية التريليونات من الرموز التي قرأها النموذج. سوف يتم قياسه من خلال دقة محاكاته وقدرته على التنبؤ بحالات بيئية مستقبلية. الذكاء الإصطناعي الذي يمكنه محاكاة عواقب إجراء دون أن يضطر إلى اتخاذ ذلك الإجراء هو ذكاء إصطناعي يمكنه التخطيط والتفكير والعمل بأمان.

الكفاءة والطريق إلى الذكاء الإصطناعي العام

هذا التحول يعالج أيضًا التكاليف الطاقية غير المستدامة للذكاء الإصطناعي الحالي. نماذج LLM غير كفؤة لأنها يجب أن تتنبأ بكل تفصيل لإنشاء خرج متسق. نموذج العالم أكثر كفاءة لأنه يختار. كما يركز السائق البشري على الطريق ويهمل نمط السحب في السماء، نموذج العالم يركز على العوامل السببية ذات الصلة لمهام.

لقد جادل ليكون بأن هذا النهج يسمح للنماذج بالتعلم بشكل أسرع بكثير. نظام مثل V-JEPA (هندسة التنبؤ بالتضمين المشترك للفيديو) أظهر أنه يمكنه الوصول إلى حل مع عدد أقل بكثير من التكرارات التدريبية مقارنة بالطرق التقليدية. من خلال تعلم “شكل” البيانات بدلاً من تذكر البيانات نفسها، بنماذج العالم شكلًا أكثر متانة من الذكاء الذي يعمم بشكل أفضل إلى مواقف جديدة غير موصوفة.

هذا هو الارتباط المفقود للذكاء الإصطناعي العام. الذكاء الحقيقي يتطلب الملاحة. إنه يتطلب وكيلًا ينظر إلى هدف، ويحاكي مسارات مختلفة لتحقيق ذلك الهدف باستخدام نموذجه الداخلي للعالم، ثم يختار المسار ذا أعلى احتمالية للنجاح. مولدات النص لا يمكنها القيام بذلك؛ يمكنها فقط كتابة خطة، لا يمكنها فهم قيود تنفيذها.

النتيجة

صناعة الذكاء الإصطناعي في نقطة تحول. استراتيجية “إضافة المزيد من البيانات” تصل إلى نهايتها المنطقية. نحن نتحرك من عصر محادثات الروبوت إلى عصر المحاكي.

التوسع التالي للذكاء الإصطناعي لن يكون حول قراءة الإنترنت بأكمله. سوف يكون حول مشاهدة العالم، وفهم قواعده، وبناء هيكل داخلي ي鏡 الواقع. هذا ليس مجرد ترقية تقنية؛ إنه تغيير جوهري في ما نعتبره “التعلم”.

بالنسبة للمؤسسات والباحثين، يجب أن يتغير التركيز. يجب أن نوقف الهوس بعدد المعاملات ونتحرك نحو تقييم كيفية فهم أنظمتنا للسببية. الذكاء الإصطناعي في المستقبل لن يخبرك فقط بما حدث؛ سوف يريك ما يمكن أن يحدث، ولماذا. هذا هو وعد نماذج العالم، وهو الطريق الوحيد للمضي قدمًا.