آیا دانه‌های قهوه از استارباکس و بنیادهای مدل‌های هوش مصنوعی مهم‌اند؟

چقدر مدل‌های بنیادین مهم هستند؟

شاید این سوال احمقانه به نظر برسد، اما اکنون در گفتگوهای من با استارتاپ‌های هوش مصنوعی، که به تدریج کسب‌وکارهایی را که پیش‌تر به عنوان 'روکش‌های GPT' رد می‌کردند تبدیل کرده‌اند، بیشتر شنیده می‌شود. تیم‌های استارتاپی این روزها بر سفارشی‌سازی مدل‌های هوش مصنوعی برای وظایف خاص و طراحی رابط‌ها متمرکز شده‌اند و مدل بنیادین به عنوان یک کالای تعویض‌پذیر دیده می‌شود. این رویکرد ارائه شده در کنفرانس Boxworks گذشته قابل مشاهده بود، که ظاهراً به طور کامل به نرم‌افزارهای کاربرمحور ساخته شده بر اساس مدل‌های هوش مصنوعی اختصاص داشت.

بخشی از این روند این است که مزایای مقیاس‌پذیری حاصل از پیش‌آموزش کاهش یافته است. این به معنای اینکه هوش مصنوعی پیشرفتی نکرده، نیست. اما مزایای اولیه مدل‌های بنیادین فراگیر به حد سوددهی نزولی رسیده‌اند و توجه به یادگیری پساآموزش و تقویت به عنوان منابع پیشرفت آینده جلب شده است.

در اصل، چشم‌انداز رقابتی هوش مصنوعی تغییر کرده است. به جای اینکه همه به دنبال AGI باشند، آینده در وهله اول به کسب‌وکارهای جزئی مختلفی مانند توسعه نرم‌افزار و مدیریت داده سازمانی می‌پردازد. حتی اگر برتری اولیه‌ای داشته باشید، مشخص نیست که ساختن یک مدل بنیادین به شما در این کسب‌وکارها چه مزایایی می‌دهد.

فهم این تغییر برای کسب‌وکار هوش مصنوعی بسیار مهم است. طی دوران معاصر، موفقیت‌های هوش مصنوعی همواره به موفقیت شرکت‌هایی مانند OpenAI و Anthropic گره خورده است. اما با ورود موفق استارتاپ‌های دیگر که از مدل‌های بنیادین به طور قابل تعویضی استفاده می‌کنند، ممکن است باعث شود که هیچ شرکتی نتواند برتری بزرگی در صنعت داشته باشد.

با وجود این، بنیادهای مدل‌هایی مانند OpenAI هنوز از مزایای پایدار بسیاری بهره‌مند هستند. با پیشرفت سریع هوش مصنوعی، علاقه به یادگیری پساآموزش به راحتی ممکن است در ماه‌های آینده بازنگری شود و مسیر به سمت هوش عمومی ممکن است با پیشرفت‌های جدید در علوم دارویی یا علم مواد متناسب با تعریف ارزش برای مدل‌های هوش مصنوعی به‌روزرسانی گردد.