لحظه سرخوردگی هوش مصنوعی

وقتی از ناامیدی که هوش مصنوعی نمی‌تواند همه چیز را حل کند عبور کرد، می‌توانیم از آن برای چیزهایی استفاده کنیم که واقعاً در آنها خوب است.

خب، این خیلی طول نکشید. پس از تمام نظرات “این بار فرق می کند” در مورد هوش مصنوعی (ما شما را می بینیم، جان چمبرز!)، شرکت ها کنار آمدن با واقعیت هوش مصنوعی کار شما را نمی گیرد. قرار نیست کد شما را بنویسد. قرار نیست تمام نسخه بازاریابی شما را بنویسد (مگر اینکه آماده باشید انسانها را دوباره استخدام کنید برای رفع آن). و، نه، هوش عمومی مصنوعی (AGI) نزدیک نیست و به این زودی نخواهد بود. احتمالاً هرگز.

درست است: هوش مصنوعی سرخوردگی را فرا می گیرد، زمانی که ما به طور جمعی دیگر باور نمی کنیم که تکینگی نزدیک است و شروع به یافتن راه هایی می کنیم که هوش مصنوعی را تقویت می کند، نه جایگزین انسان ها. برای کسانی که تازه وارد این صنعت شده‌اند، و از این رو با تمایل جمعی ما مبنی بر افزایش بیش از حد همه چیز – بلاک چین، وب ۳ (به یاد داشته باشید؟)، بدون سرور – این دلیلی برای هشدار نیست. هوش مصنوعی جای خود را خواهد داشت. این به سادگی همه مکان نخواهد بود.

امیدهای احمقانه زیادی

هوش مصنوعی، چه هوش مصنوعی مولد، یادگیری ماشینی، یادگیری عمیق، یا شما نام ببرید، هرگز قادر به حفظ توقعات بسیار زیادی که ما از آن داشته ایم. من گمان می‌کنم که بخشی از دلیلی که اجازه داده‌ایم این مدت طولانی ادامه داشته باشد این است که احساس می‌کنیم فراتر از توانایی ما برای درک است. این چیز جادویی بود، الگوریتم‌های جعبه سیاه که اعلان‌ها را دریافت می‌کردند و تصاویر یا متن‌هایی دیوانه‌وار واقع گرایانه ایجاد می‌کردند که متفکرانه و هوشمندانه به نظر می‌رسید. چرا که نه؟ مدل های زبان بزرگ (LLM) همگی بر روی هزاران نمونه از افراد متفکر و باهوش آموزش دیده اند و ابزارهایی مانند ChatGPT آنچه را که آنها “یاد گرفته اند” تقلید می کنند. “

اما مشکل این است که LLM ها در واقع چیزی یاد نمی گیرند. آنها نمی توانند استدلال کنند. آنها در تطبیق الگو عالی هستند اما در برون یابی داده های آموزشی گذشته به مشکلات آینده، به عنوان مطالعه اخیر IEEE< /a> پیدا شد. توسعه نرم‌افزار یکی از درخشان‌ترین نقاط برای ابزارهای genAI بوده است، اما شاید نه به اندازه‌ای که ما امیدواریم. به عنوان مثال، GPT-3.5 پس از سال ۲۰۲۱ فاقد داده های آموزشی بود. به این ترتیب، با مشکلات کدگذاری آسان در LeetCode دست و پنجه نرم کرد که به اطلاعاتی نیاز داشت که پس از سال ۲۰۲۱ منتشر شد. این مطالعه نشان داد که میزان موفقیت آن برای مشکلات آسان از ۸۹٪ به ۵۲٪ کاهش یافته است. توانایی آن برای ایجاد کد برای مشکلات کدنویسی سخت از ۴۰٪ تا ۰.۶۶٪ است.

طبق گفته میشل همپسون، یافته‌ها نشان می‌دهد که ChatGPT فاقد مهارت‌های تفکر انتقادی است. یک انسان است و فقط می تواند مشکلاتی را که قبلاً با آن مواجه شده است برطرف کند.» تیم کلاپدور با کمال میل بیان می کند، “ChatGPT موضوع را یاد نگرفت، هیچ تحقیقی انجام نداد، هیچ اعتبارسنجی انجام نداد، و هیچ فکر، ایده یا مفهوم جدیدی ارائه نکرد. ChatGPT به‌تازگی تمام آن داده‌ها را مستعمره کرده است… و اکنون می‌تواند آن اطلاعات را به موقع برای شما کپی/پیست کند، زیرا روزانه ۷۰۰ هزار دلار برای محاسبه هزینه می‌کند. اوه.

این بدان معنا نیست که genAI برای توسعه نرم‌افزار یا سایر زمینه‌ها بی‌فایده است، اما به این معنی است که باید انتظارات و رویکرد خود را بازنشانی کنیم.

ما هنوز یاد نگرفتیم

این ناامیدی فقط یک چیز هوش مصنوعی نیست. ما تقریباً با هر فناوری جدید درخشان، این روند انتظارات متورم و سرخوردگی را طی می کنیم. حتی چیزی به عنوان یک ابر مستقر در اطراف، مدام به اطراف لگد می زند. همکار من در InfoWorld، دیوید لینتیکوم، اخیراً به محاسبات ابری وارد شده است و استدلال می‌کند که «افزایش بهره‌وری پیش‌بینی‌شده و صرفه‌جویی در هزینه در بیشتر موارد محقق نشده است». من فکر می‌کنم که او در موردش اغراق می‌کند، اما با توجه به اینکه چقدر ما (از جمله خودم) ابر را به عنوان راه‌حل تقریباً هر مشکل فناوری اطلاعات فروختیم، سخت است که او را سرزنش کنیم.

Linthicum همچنین بدون سرور را به کار گرفته است. او می‌گوید: «تکنولوژی بدون سرور به دلیل ظهور سایر پارادایم‌های رایانش ابری، مانند محاسبات لبه و میکروابرها، همچنان در پس‌زمینه محو خواهد شد. چرا؟ زیرا اینها «راه‌حل‌های ظریف‌تری را با رویکردهای متناسب با نیازهای خاص کسب‌وکار به‌جای محاسبات بدون سرور یک‌اندازه‌تر به بازار معرفی کردند». یک بار پیشنهاد دادم که بدون سرور ممکن است جای Kubernetes و کانتینرها را بگیرد. من اشتباه میکردم. رویکرد سنجیده‌تر Linthicum درست به نظر می‌رسد، زیرا از چیزی پیروی می‌کند که همیشه به نظر می‌رسد با روندهای جدید بزرگ اتفاق می‌افتد: آنها به طور کامل فرو نمی‌آیند، آنها فقط از تظاهر به حل همه مشکلات ما دست می‌کشند و در عوض برای اما مهمی ساده پذیرفته می‌شوند. em> برنامه های کاربردی.

این جایی است که ما با هوش مصنوعی پیش می رویم. من در حال حاضر می بینم که شرکت ها وقتی با genAI به عنوان پاسخی برای همه چیز رفتار می کنند شکست می خورند، اما با استفاده از genAI به عنوان یک راه حل مکمل برای برخی چیزها موفق می شوند. وقت آن نیست که هوش مصنوعی را کنار بگذاریم. دور از آن. در عوض، زمان آن رسیده است که در مورد نحوه و مکان استفاده از آن فکر کنید. سپس، مانند بسیاری از روندهای قبلی (متن باز، ابر، تلفن همراه، و غیره، و غیره)، به جای تنها روشی که ما کار می کنیم، به مکملی حیاتی برای نحوه کار ما تبدیل خواهد شد.