كشف استطلاع حديث شمل 475 باحثاً وخبيراً في مجال الذكاء الاصطناعي عن شكوك كبيرة حول قدرة النماذج اللغوية الكبيرة (LLMs) على تحقيق الذكاء الاصطناعي العام (AGI)، حيث رأى 76% من المشاركين أن مجرد التوسع في هذه النماذج "غير مرجح" أو "غير مرجح جداً" أن يؤدي إلى هذه النقلة النوعية.  

ما هو الذكاء الاصطناعي العام (AGI)؟

الذكاء الاصطناعي العام يمثل مرحلة متقدمة تمكن الأنظمة من التعلم والفهم والتكيف بمستوى يماثل الذكاء البشري أو يتجاوزه، إلا أن تحقيق هذا الهدف يواجه عقبات جوهرية، أبرزها:  

1. اعتماد النماذج الحالية على التوسع المكلف:  

   - رغم الاستثمارات الضخمة في البنية التحتية والبيانات، فإن التقدم نحو AGI لا يزال بطيئاً.  

   - يقول ستيوارت راسل عالم الحاسوب بجامعة كاليفورنيا: "بعد إصدار GPT-4، أصبح واضحاً أن التوسع في النماذج لم يعد كافياً".  

2. نضوب البيانات البشرية القابلة للاستخدام:  

   - بحلول نهاية هذا العقد، قد تضطر الشركات إلى الاعتماد على بيانات مولَّدة بواسطة الذكاء الاصطناعي نفسه، مما يزيد من احتمالية الأخطاء.  

3. القيود الهيكلية في التدريب:  

   - تعتمد النماذج الحالية على شبكات عصبية ضخمة تحتاج إلى كميات هائلة من البيانات دون فهم حقيقي للمفاهيم.

4. التكاليف البيئية والمالية الباهظة:  

   - تستهلك مراكز بيانات الذكاء الاصطناعي طاقة هائلة، حيث زادت انبعاثات الكربون ثلاث مرات منذ 2018.  

   - جذب القطاع 56 مليار دولار استثمارات في 2024، لكن العوائد لم تكن متناسبة مع التوقعات.  

5. الحاجة إلى نماذج استدلالية أكثر كفاءة:  

   - بدأ الباحثون في استكشاف تقنيات تعلم آلي متخصصة قد تكون أكثر فعالية من النماذج اللغوية الحالية.  

   - نجحت شركات مثل DeepSeek الصينية في تحقيق نتائج متميزة بتكاليف أقل مقارنة بشركات وادي السيليكون.  

هل هناك أمل في تحقيق تقدم مستقبلي؟ 

رغم هذه التحديات، يرى بعض الخبراء أن الذكاء الاصطناعي قد يحتاج إلى 10-20 عاماً لتحقيق قفزات كبيرة، كما حدث في ثورات تكنولوجية سابقة.  

يقول توماس ديتريش، الأستاذ الفخري لعلوم الحاسوب: "التطورات الكبرى تحتاج وقتاً طويلاً، ورغم أن بعض الشركات قد تفشل، فإن الابتكار سيستمر".