از تلویزیون تا چت جی‌پی‌تی

نمی‌شه منکر جذابیت ترندها شد. به‌خصوص وقتی دسترس‌پذیری‌شون می‌ره بالا و بحثی مثل پردازش زبان‌های طبیعی و LLMها اون‌قدر ساده که آدم‌های بدون سواد دانشگاهی یا با کم‌ترین سواد و کسانی که تا دیروز با تکنولوژی کم‌ترین برخورد رو داشتن هم به سادگی می‌تونن ازش استفاده کنن.


اما آیا باید صنعت و جامعه دانشگاهی هم مقهور ترند بشه؟

بیاین برگردیم به دهه ۸۰ و ۹۰ میلادی و نگاهی بندازیم به صحبت ریموند اسمیت:

"you’re not going to watch television on a little monitor. You’re going to watch it on a big set. That’s what you’ll use when you want entertainment, and you’ll use the PC and keyboard when text is more important."¹


دهه ۸۰ و ۹۰ میلادی داستان‌های زیادی داره برامون از تلویزیون‌هایی که قرار بود تکنولوژی آینده باشن و شرکت‌هایی که روی این موضوع سرمایه‌گذاری کردن و شکست خوردن. شرکت‌هایی مثل RCA و Zenith که حتی اسم‌شون رو هم نشنیدیم.

درواقع باید حواس‌مون باشه که کارکرد امروزی یک تکنولوژی، لزوما به معنای کفایتش برای فردا نیست. توی مدل معروف Hype Cycle گارتنر هم می‌بینیم که خیلی از تکنولوژی‌ها بعد از اوج انتظارات، وارد درۀ ناامیدی می‌شن، چون بیش از توان واقعی‌شون ازشون انتظار می‌ره. به نظر می‌رسه LLMها هم کم‌کم دارن به اون نقطه نزدیک می‌شن.

این روزها وقتی وارد سایتی مثل پروداکت هانت می‌شیم، با انبوهی از ابزارهای هوش مصنوعی مواجه می‌شیم و سوالی که باید از خودمون بپرسیم اینه که؛ این محصول‌ها واقعا چه مسئله و نیازی رو حل می‌کنن؟ آیا اصلا برای حل نیازی توسعه داده می‌شن یا فقط دارن روی ترند موج‌سواری می‌کنن؟


یک جامعه علمی و صنعتی بالغ باید بدونه هنوز مسائلی هست که این مدل‌ها واردش نمی‌شن؛ یا دست‌کم درحال حاضر نمی‌تونن.

یکی از مسائلی که به طور واضح می‌دونیم هم‌چنان مدل‌های زبانی باهاش درگیر هستن و به خوبی نمی‌تونن استنتاج کنن، مدل‌سازی دقیق علّیه(Causal Modeling). این‌که یک دارو «چرا؟» اثر می‌کنه و نه فقط این‌که «چه تأثیری داره؟».

همه این‌ها نیاز به مدلی از عقلانیت، حافظه ساختاریافته و ریاضیاتی داره که LLMها هنوز فاصله زیادی باهاش دارن.

مشکلات بشری درحال حاضر گسترده‌تر از اینه که به تنهایی و با LLMها بخواد حل بشه؛ مسائل حل نشده بسیاری هست که برای حل‌شون باید رفت سراغ قسمت‌های عمیق‌تری از اقیانوس هوش مصنوعی و یادگیری ماشین؛ مسئله‌هایی که توسعه ریاضی و علوم کامپیوتر شاید بتونه حل‌شون کنه.

۱. How the Internet Happened: From Netscape to the IPhone
Book by Brian McCullough

پس از نگارش: این پست رو در لینکدین بخونید.