بزرگترین شرکت‌های هوش مصنوعی (A.I.) در رقابت هستند تا اولین شرکتی باشند که به «هوش مصنوعی عمومی» (Artificial General Intelligence - AGI) دست می‌یابند؛ سیستم‌های هوش مصنوعی که انعطاف‌پذیری و خلاقیت متخصصان انسانی را با سرعت و کارایی رایانه‌های دیجیتال به نمایش می‌گذارند – و قادرند تقریباً به هر سوالی پاسخ دهند یا هر مشکلی را که پیش روی‌شان قرار می‌گیرد حل کنند. (چیزی شبیه به کامپیوتر سفینه فضایی در «پیشتازان فضا».)
در سال‌های اخیر، بسیاری بر این باور بودند که کلید رسیدن به این هدف، بهبود سیستم‌های هوش مصنوعی مولد (generative A.I) مانند ChatGPT است. این سیستم‌ها با آموزش بر روی مجموعه‌داده‌های عظیم از محتوای تولید شده توسط انسان، متن، تصویر، کد و حتی ویدئو ایجاد می‌کنند. آنها در کاربرد گسترده و حتی برای مبتدی‌ترین کاربران ابزارهای دیجیتال نیز قابل دسترسی هستند. با تشویق پیشرفت‌های اولیه چت‌بات‌ها، بسیاری تصور می‌کردند که AGI قریب‌الوقوع است.
اما این سیستم‌ها همیشه مستعد خطا و توهم‌زایی (hallucinations) بوده‌اند. این موانع ممکن است یکی از دلایلی باشد که هوش مصنوعی مولد به افزایش سود و بهره‌وری که بسیاری در صنعت فناوری پیش‌بینی می‌کردند، منجر نشده است. یک مطالعه اخیر که توسط ابتکار NANDA مؤسسه فناوری ماساچوست (M.I.T.) انجام شد، نشان داد که ۹۵ درصد از شرکت‌هایی که مطالعات آزمایشی هوش مصنوعی را انجام دادند، بازدهی کمی یا هیچ بازدهی از سرمایه‌گذاری خود کسب نکردند. یک تحلیل مالی اخیر کسری ۸۰۰ میلیارد دلاری در درآمد شرکت‌های هوش مصنوعی را تا پایان سال ۲۰۳۰ پیش‌بینی می‌کند.
اگر قرار است قدرت‌های هوش مصنوعی واقعاً مهار شوند، صنعت فناوری باید از تمرکز بیش از حد بر این ابزارهای همه‌کاره دست بردارد و در عوض بر روی ابزارهای هوش مصنوعی محدود و تخصصی که برای مشکلات خاص مهندسی شده‌اند، متمرکز شود. زیرا، صراحتاً، آنها اغلب مؤثرتر هستند.
تا پیش از ظهور چت‌بات‌ها، اکثر توسعه‌دهندگان هوش مصنوعی بر ساخت سیستم‌های هدف‌خاص، برای کارهایی مانند شطرنج بازی کردن یا توصیه کتاب و فیلم به مصرف‌کنندگان، تمرکز داشتند. این سیستم‌ها به اندازه صحبت با یک چت‌بات جذاب نبودند و هر پروژه اغلب سال‌ها طول می‌کشید تا به درستی کار کند. اما آنها اغلب قابل اعتمادتر از ابزارهای هوش مصنوعی مولد امروزی بودند، زیرا تلاش نمی‌کردند همه چیز را از صفر یاد بگیرند و اغلب بر اساس دانش تخصصی مهندسی می‌شدند.
شطرنج را در نظر بگیرید. اگر از یک مدل زبان بزرگ (Large Language Model - LLM) (همان نوع هوش مصنوعی که به چت‌باتی مانند ChatGPT قدرت می‌دهد) بخواهید شطرنج بازی کند، در بازی خوب مشکل دارد و اغلب حرکات غیرقانونی انجام می‌دهد، و هرگز قوانین بازی را به طور کامل درک نمی‌کند، حتی پس از قرار گرفتن در معرض حجم عظیمی از داده‌های آموزشی مرتبط.
در مقابل، برنامه‌های هدف‌خاص برای شطرنج، از همان ابتدا برای پیروی از مجموعه‌ای از قوانین داخلی برنامه‌ریزی شده‌اند و حول مفاهیم اصلی مانند ساختار صفحه و درخت حرکات ممکن ساختار یافته‌اند. چنین سیستم‌هایی هرگز حرکات غیرقانونی انجام نمی‌دهند، و بهترین سیستم‌های شطرنج هدف‌خاص به راحتی می‌توانند حتی ماهرترین انسان‌ها را نیز شکست دهند. جالب توجه است که اخیراً گزارش شد یک آتاری 2600، با استفاده از نرم‌افزار هوش مصنوعی سفارشی ساخته شده در دهه ۱۹۷۰، یک مدل زبان بزرگ را شکست داده است.
اما هوش مصنوعی تخصصی تنها در حوزه‌های ساده‌ای مانند شطرنج نمی‌درخشد. یکی از بزرگترین دستاوردهای هوش مصنوعی تا به امروز AlphaFold است، یک برنامه هوش مصنوعی که توسط Google DeepMind توسعه یافته و ساختار سه‌بعدی پروتئین‌ها را پیش‌بینی می‌کند. AlphaFold با این دانش ساخته شده است که پروتئین‌ها از رشته‌های بلندی از اسیدهای آمینه (amino acids) تشکیل شده‌اند، و اطلاعاتی در مورد نحوه تا شدن این رشته‌ها در تشکیل پروتئین‌ها. این سیستم همچنین یادگیری ماشین مدرن را با تکنیک‌های کلاسیک هوش مصنوعی به روش‌های نوینی ترکیب می‌کند که برای مشکل خاص پیش‌بینی نحوه تا شدن پروتئین‌ها تنظیم شده‌اند. تنها پس از ساختاردهی کامل این معماری هوش مصنوعی است که یادگیری AlphaFold آغاز می‌شود.
میلیون‌ها دانشمند به طور روتین از AlphaFold برای توسعه داروهای جدید و بررسی مسیرهای مولکولی در مغز استفاده می‌کنند. بیش از ۲۰۰ میلیون پروتئین تجزیه و تحلیل شده‌اند که امیدواریم منجر به داروهای جدید و پیشرفت در کشاورزی شود. سال گذشته، سازندگان آن جایزه نوبل را دریافت کردند. نکته مهم این است که این سیستم تنها برای یک مشکل خاص ساخته شده است و آن مشکل را به شدت خوب حل می‌کند.
شرکت‌هایی مانند Waymo متعلق به Alphabet نیز به همین ترتیب از سیستم‌های هوش مصنوعی با دقت آماده‌شده با اجزای اختصاصی برای اهداف خاص استفاده می‌کنند، مانند تشخیص اشیاء، ادغام داده‌های بصری از چندین حسگر، درک محیط و تصمیم‌گیری. با وجود معماری اصلی رانندگی خودکار که در آن ساخته شده است، هوش مصنوعی Waymo می‌تواند رانندگی خود را بسیار مؤثرتر از حالتی که از یک صفحه خالی شروع می‌کرد، یاد بگیرد و بهبود بخشد.
از سوی دیگر، شرکت Ghost Autonomy، که در سال ۲۰۱۷ تأسیس شد و بخشی از آن توسط OpenAI حمایت می‌شد، قصد داشت نرم‌افزاری برای خودروهای بدون راننده با استفاده از هوش مصنوعی مولد بسازد. این شرکت با وجود جمع‌آوری بیش از ۲۰۰ میلیون دلار، نتوانست آن را به کار گیرد و سال گذشته از کار افتاد.
اطمینان از ایمنی هوش مصنوعی دلیل دیگری است که توسعه‌دهندگان باید از استقرار مدل‌های عمومی برای همه چیز دست بردارند. تا به امروز، صنعت نتوانسته تضمین کند که سیستم‌های هوش مصنوعی مولد به دستورالعمل‌های ایمنی خود پایبند خواهند بود. مطالعات مواردی را مستند کرده‌اند که سیستم‌های هوش مصنوعی مولد اپراتورهای انسانی خود را فریب داده‌اند، تلاش کرده‌اند در صورت تهدید حفظ خود از باج‌گیری استفاده کنند و به گونه‌ای پاسخ دهند که می‌تواند منجر به قتل شود. سیستم‌های تخصصی‌تر مانند AlphaFold و سیستم‌های رانندگی Waymo به این شکل بدرفتاری نخواهند کرد زیرا پارامترهای عملیاتی آنها بسیار محدودتر است.
انتقال تمرکز از چت‌بات‌ها به معنای آن نیست که محققان باید از پیگیری AGI دست بردارند، که می‌تواند در نهایت با اختراع رویکردهای جدید مؤثرتر باشد. و به معنای کنار گذاشتن کامل هوش مصنوعی مولد نیز نیست؛ قطعاً این نوع هوش مصنوعی همچنان می‌تواند نقش مفیدی در برخی وظایف خاص، مانند کدنویسی، ایده‌پردازی و ترجمه ایفا کند.
در حال حاضر، به نظر می‌رسد که شرکت‌های بزرگ فناوری هوش مصنوعی عمومی را به دیوار پرتاب می‌کنند و امیدوارند که هیچ چیز واقعاً وحشتناکی به آن نچسبد. همانطور که یوشوا بنجیو (Yoshua Bengio)، پیشگام هوش مصنوعی، اخیراً تأکید کرده است، پیشرفت سیستم‌های هوش مصنوعی تعمیم‌یافته که می‌توانند استقلال بیشتری از خود نشان دهند، لزوماً با منافع انسانی همسو نیست. آزمایشگاه‌ها با تخصیص منابع بیشتر به ساخت ابزارهای تخصصی برای علم، پزشکی، فناوری و آموزش، خدمات بهتری به بشریت ارائه خواهند داد.