شکاف در درک توانمندی‌های واقعی مدل‌های زبانی رو به افزایش است؛ تحلیل آندری کارپاتی

آندری کارپاتی (Andrej Karpathy)، پژوهشگر نام‌آشنای هوش مصنوعی، در تحلیلی تازه اشاره کرده است که شکاف درک مشترک از توانایی‌های مدل‌های زبانی بزرگ (LLM) روزبه‌روز عمیق‌تر می‌شود. به باور او، این وضعیت دیگر شبیه گفت‌وگوی دو گروه بدون اشتراک کلام نیست، بلکه به یک «قیف تند» جمعیتی تبدیل شده است که کاربران را بر اساس میزان مواجهه با هوش مصنوعی طبقه‌بندی می‌کند.

قیف چهارگانه مواجهه با هوش مصنوعی

کارپاتی این توزیع جمعیتی را به چهار لایه تقسیم می‌کند:

• لایه اول (حدود ۶ میلیارد نفر - ۷۵٪ جهان): افرادی که عملاً هیچ تماس یا تجربه‌ای با LLMها نداشته‌اند.
• لایه دوم (۱ تا ۲ میلیارد نفر - ۲۰٪): کاربران گاه‌به‌گاهِ نسخه‌های رایگان ابزارهایی مانند ChatGPT. این گروه مدل‌ها را صرفاً چت‌بات‌هایی نه چندان هوشمند می‌بینند و از آن‌ها به عنوان جایگزین موتورهای جستجو یا دستیار نگارش ساده استفاده می‌کنند و کاربرد جدی دیگری برای آن متصور نیستند.
• لایه سوم (حدود ۲۰ میلیون نفر - ۰٫۲٪): متخصصان ریاضیات، علم داده و مهندسی نرم‌افزار که از پیشرفته‌ترین مدل‌ها (Frontier-grade) استفاده می‌کنند. آن‌ها از نزدیک می‌بینند پروژه‌های پیچیده‌ای که پیش‌تر به هفته‌ها یا ماه‌ها کار نیاز داشت، اکنون با Agentها و تنها با یک پرامپت قابل انجام است؛ از نوشتن کامل اپلیکیشن‌ها گرفته تا دیکامپایل کدهای باینری.
• لایه چهارم (حدود ۵ هزار نفر - ۰٫۰۰۰۰۶٪): افراد داخل آزمایشگاه‌های پیشرو که به سیستم‌های مرزیِ منتشرنشده دسترسی دارند. آن‌ها شاهد کار گروهی هزاران ایجنت هستند که هفته‌ها روی پروژه‌های نرم‌افزاری عظیم، یافتن باگ‌های امنیتی روز صفر (Zero-day)، حملات و دفاع‌های سایبری با سرعت ماشین و گسترش مرزهای علم و ریاضیات فعالیت می‌کنند؛ تا جایی که توانایی درک و بازبینی انسانی در برابر این حجم از پیشرفت کم آورده است.

چرا این شکاف ایجاد شده است؟

به تحلیل کارپاتی، سه عامل اصلی این قیف ناهمگون را شکل داده‌اند:

1. اندازه و افق مسئله: اثرگذاری هوش مصنوعی با بزرگی و افق زمانی پروژه‌ها نمایان می‌شود. پرسیدن یک سوال ساده با پاسخ تک‌پاراگرافی هرگز ظرفیت اصلی سیستم را به چالش نمی‌کشد؛ برای دیدن پتانسیل واقعی، نیاز به مسائل پیچیده و بزرگ است.
2. ناهمگونی عملکرد (Jaggedness): توانایی مدل‌ها در حوزه‌های دیجیتالی، قابل اعتبارسنجی و با ارزش اقتصادی بالا (مانند کدنویسی و ریاضیات) اوج می‌گیرد، چرا که یادگیری تقویتی (RL) بر پایه پاداش‌های قابل ارزیابی در این حوزه‌ها سریع‌تر نتیجه می‌دهد.
3. سطح دسترسی: تفاوت فاحش میان امکانات نسخه‌های رایگان، اکانت‌های تجاری پیشرفته و سیستم‌های آزمایشگاهی درون‌سازمانی.

کارپاتی در پایان تاکید می‌کند که در حال حاضر عامه مردم یا این فناوری را تجربه نکرده‌اند یا آن را ابزاری سطحی می‌دانند، در حالی که بخش بسیار کوچکی از جامعه مهندسی و علم در حال تجربه عمودی‌شدن نمودار پیشرفت و دگرگونی کامل کارایی هوش مصنوعی هستند.