هوش عمومی مصنوعی (AGI) و سه معمای حلنشده از نگاه مدیرعامل دیپمایند
🔹 تعریف AGI و جایگاه امروز آن
هوش عمومی مصنوعی (AGI) به سیستمی گفته میشود که بتواند هر کار فکری را مانند انسان انجام دهد. دنیس حسابیس، مدیرعامل گوگل دیپمایند و برنده نوبل شیمی ۲۰۲۴، در آخرین اظهارات خود در اجلاس دهلی نو صراحتاً اعلام کرد: «ما هنوز به AGI واقعی نرسیدهایم.» او سه نقص اساسی در سیستمهای فعلی شناسایی کرده است: عدم یادگیری مداوم، ضعف در برنامهریزی بلندمدت و عملکرد ناهموار. این در حالی است که برخی مدیران سیلیکونولی مدعی رسیدن به AGI شدهاند.
⚡ سه محدودیت بنیادین از نگاه حسابیس
یادگیری منجمد
مدلها پس از آموزش، دیگر از تجربیات جدید یاد نمیگیرند. برای بهروزرسانی باید از اول آموزش ببینند.
برنامهریزی بلندمدت
هوش مصنوعی حداکثر برای چند ساعت جلوتر برنامه دارد، اما انسان برای سالها.
ناهمواری عملکرد
یک سیستم میتواند پیچیدهترین مسائل را حل کند اما در یک مسئله ساده ابتدایی عجیب خطا کند.
📋 جدول تطبیقی: هوش انسان در برابر AGI کنونی
| قابلیت | AGI امروز | انسان |
|---|---|---|
| یادگیری مادامالعمر | ❌ پس از آموزش متوقف میشود | ✅ یادگیری روزانه و تطبیق |
| برنامهریزی راهبردی | ⚠️ کوتاهمدت (چند ساعت تا چند روز) | ✅ بلندمدت (چندین سال) |
| ثبات در عملکرد | ❌ ناپایدار (شکست در مسائل پایه) | ✅ منسجم و قابل اعتماد |
| شخصیسازی | 🧊 نیاز به بازآموزی | ✅ تطبیق آنی با مخاطب |
| درک علّی | 📊 همبستگی آماری | 🌐 مدل علی از جهان |
* این شکافها نشان میدهد AGI هنوز در مراحل ابتدایی است.
📊 نمودار مقایسه توانمندیها (AGI vs انسان)
🔄 کاربردهایی که AGI از پس آنها برنمیآید (اسکرول کنید)
🩺 پزشک شخصی
تشخیص بیماری نادر را بلد است اما از پرونده جدید شما یاد نمیگیرد.🔬 دانشمند پژوهشی
طراحی آزمایش اولیه خوب، اما مدیریت پروژه ۵ ساله غیرممکن.📈 تحلیلگر کسبوکار
برنامه بازاریابی میدهد اما ممکن است اصول حسابداری را نقض کند.🤖 ربات خانگی
در محیط ثابت عالی، اما با تغییر چیدمان خانه گم میشود.🧑🏫 معلم خصوصی
دروس را میداند اما نمیتواند روش تدریس را به سبک دانشآموز تطبیق دهد.⏳ گامهای بعدی تا AGI واقعی (چشمانداز ۱۰ ساله)
🔮 دمیس حسابیس: "پنج تا ده سال تا AGI واقعی فاصله داریم، به شرط آنکه بر این سه محدودیت غلبه کنیم."
🔎 جمعبندی: فاصله عمیق با هوش انسانی
پیشرفتهای هوش مصنوعی در دهه اخیر حیرتانگیز بوده است: از مدلهای زبانی غولپیکر تا حل مسئله تاخوردگی پروتئین. اما به گفته بنیانگذار دیپمایند، ما هنوز "ذهن" نساختهایم. سه محدودیت اساسی – یادگیری منجمد، افق کوتاه برنامهریزی و عملکرد ناهموار – نشان میدهد که ماشینها هنوز فاقد انعطاف، ثبات و درک عمیق جهان هستند. علیرغم ادعای برخی مبنی بر رسیدن به AGI، به نظر میرسد مسیر طولانیتری در پیش است؛ مسیری که نیازمند نوآوریهای مفهومی است، نه صرفاً بزرگتر کردن مدلها. سخنان حسابیس در اجلاس دهلی نو نقشه راه شفافی را پیش روی محققان قرار میدهد: تا زمانی که ماشین نتواند مانند یک کودک یاد بگیرد، مانند یک استراتژیست برنامهریزی کند و مانند یک متخصص منسجم عمل کند، هوش عمومی مصنوعی یک رؤیای دور باقی خواهد ماند.
در پایان، این بحث در بالاترین سطوح با حضور سم آلتمن (OpenAI)، داریو آمودی (Anthropic) و سوندار پیچای (Google) ادامه دارد. باید دید نسل بعدی سیستمها کدام یک از این موانع را برخواهند داشت.