تحقیقات MIT: وابستگی پیشرفت هوش مصنوعی بیشتر به قدرت محاسباتی است تا هوشمندی

وابستگی پیشرفت هوش مصنوعی به قدرت محاسباتی

تحقیقات اخیر مؤسسه MIT، که عملکرد 809 مدل زبانی بزرگ (LLM) را مورد بررسی قرار داده است، نشان می‌دهد که پیشرفت‌های حاصل شده در حوزه هوش مصنوعی بیش از آنکه نتیجه‌ی نوآوری‌های صرفاً الگوریتمی باشد، به افزایش چشمگیر قدرت محاسباتی وابسته است. پژوهشگرانی مانند «ماتیاس مرتنز» دریافته‌اند که عوامل سه‌گانه—قدرت محاسباتی، نوآوری‌های الگوریتمی، و پیشرفت‌های عمومی صنعت—در تعیین دقت نهایی مدل‌ها نقش دارند، اما قدرت محاسباتی تأثیر غالب را از آن خود کرده است.

مدل‌های پیشتاز در صدک 95 از نظر آموزشی نیازمند 1,321 برابر توان محاسباتی بیشتر نسبت به مدل‌های ضعیف‌تر هستند. این شکاف عظیم نشان می‌دهد که دسترسی به منابع عظیم سخت‌افزاری، کلید دستیابی به عملکرد برتر در مدل‌های frontier است. این امر موجب شده است که شرکت‌های بزرگ مانند گوگل، متا و OpenAI تریلیون‌ها دلار در سال صرف سخت‌افزار و زیرساخت‌های محاسباتی کنند، که این موضوع توسط درخواست‌های سرمایه‌گذاری عظیم مدیرعامل OpenAI، «سم آلتمن»، نیز تأیید می‌شود.

چالش‌های مرتبط با هزینه سخت‌افزار

افزایش مداوم قیمت تراشه‌ها و اجزای شبکه‌ای مورد نیاز برای مقیاس‌دهی هوش مصنوعی، یکی از موانع اصلی است. حتی با وجود کارایی بالاتر تراشه‌های جدید مانند Nvidia Blackwell، نیاز به خرید تعداد بسیار زیاد آن‌ها برای تأمین توان محاسباتی مورد نیاز مدل‌های نسل بعدی، هزینه‌ها را سر به فلک می‌کشد. در سال 2025، قیمت میانگین تراشه‌ها نسبت به سال 2019 حدود 70 درصد افزایش داشته است.

• مدل‌های AI پیشرو به توان محاسباتی بسیار بیشتری برای آموزش نیاز دارند.
• قدرت محاسباتی بیشترین سهم را در افزایش دقت مدل‌ها داشته است.
• افزایش هزینه‌های سخت‌افزاری از دلایل اصلی سرمایه‌گذاری‌های کلان شرکت‌های بزرگ است.
• نوآوری‌های الگوریتمی همچنان برای مدل‌های کوچک‌تر مقرون‌به‌صرفه حیاتی هستند.
• دنیای هوش مصنوعی امروز به دو قطب شرکت‌های مجهز به منابع عظیم و توسعه‌دهندگان کم‌هزینه تقسیم شده است.

«پژوهشگران MIT دریافتند که قدرت محاسباتی بیشترین اثر را بر دقت مدل‌ها دارد و به‌طور چشمگیری از هر نوآوری الگوریتمی پیشی گرفته است.»

با این حال، تحقیقات نشان می‌دهد که پیشرفت‌های مهندسی و الگوریتمی هنوز می‌توانند نقش حمایتی مهمی ایفا کنند. توسعه‌دهندگان با بودجه محدود می‌توانند با استفاده از الگوریتم‌های هوشمند، به کارایی قابل مقایسه‌ای با مدل‌های بزرگ‌تر دست یابند، این امر به معنای مصرف انرژی و منابع کمتر برای دستیابی به عملکرد مطلوب است، که نوآوری نرم‌افزاری را به یک مزیت رقابتی برای شرکت‌های کوچک تبدیل می‌کند.

«نوآوری نرم‌افزاری به شرکت‌های کوچک اجازه می‌دهد با مصرف کمتر انرژی و منابع، کارایی مطلوب را به دست آورند.»

در نهایت، اگرچه قدرت محاسباتی موتور محرک اصلی پیشرفت‌های کنونی در هوش مصنوعی است، اما نوآوری در الگوریتم‌ها نقش مکملی حیاتی برای ایجاد مدل‌های کارآمد و قابل دسترس در مقیاس کوچک‌تر ایفا می‌کند.