چرا بن‌بست مقیاس‌پذیری هوش مصنوعی نشان می‌دهد AGI هنوز دور است

در سالی که شرکت‌هایی مانند گوگل دستاوردهای بزرگی را جشن می‌گیرند، بحث «بن‌بست مقیاس‌پذیری هوش مصنوعی» بیش از هر زمان دیگری داغ شده است. بسیاری از پژوهشگران برجسته هشدار می‌دهند که ادامه مسیر فعلی، ما را به هوش مصنوعی عمومی نمی‌رساند و زمان آن فرا رسیده که نگاه خود را از بزرگ‌تر کردن مدل‌ها، به بازطراحی کامل زیرساخت فکری هوش مصنوعی تغییر دهیم.

پایان عصر مدل‌های بزرگ؛ چرا افزایش مقیاس دیگر جواب نمی‌دهد؟

در کنفرانس NeurIPS 2025، یکی از مهم‌ترین رویدادهای سالانه هوش مصنوعی، متخصصان از رسیدن صنعت به «بن‌بست مقیاس‌پذیری هوش مصنوعی» سخن گفتند. آن‌ها تأکید کردند که افزایش تعداد پارامترها، داده‌ها و توان پردازشی، دیگر بازده قابل توجهی تولید نمی‌کند. جهشی که از GPT-3 به GPT-4 رخ داد، حالا یک استثناء محسوب می‌شود؛ زیرا هر نسخه جدید بیشتر شبیه پرداختن به جزئیات ظاهری است تا شکستن مرزهای واقعی هوش.

در این میان، مدل‌های تازه‌ای مثل Gemini 3 با اینکه عملکرد چشمگیری دارند، اما محدودیت بنیادین معماری ترنسفورمر را برطرف نمی‌کنند. این مدل‌ها همچنان درک درست از روابط علت و معلولی ندارند، جهان را شبیه‌سازی نمی‌کنند و گاهی اشتباهاتی می‌سازند که در حوزه‌هایی مثل پزشکی، پرواز یا پژوهش علمی می‌تواند بسیار خطرناک باشد. همین ضعف‌های بنیادی است که پژوهشگران را وادار کرده دوباره به «بن‌بست مقیاس‌پذیری هوش مصنوعی» توجه کنند.

آیا زمان گذار به معماری‌های جایگزین رسیده است؟

یکی از رویکردهای پرگفت‌وگو، «معماری‌های نوروسمبولیک» بود؛ سیستم‌هایی ترکیبی که یادگیری عمیق را با منطق ساختاری هوش مصنوعی کلاسیک ترکیب می‌کنند. این روش تلاش می‌کند مدل را از یک «تقلیدکننده زبان» به سیستمی با توانایی استدلال واقعی تبدیل کند.

رویکرد بعدی، توسعه «مدل‌های جهان» یا World Models است؛ الگوریتم‌هایی که مانند انسان توانایی پیش‌بینی نتیجه اعمال مختلف را دارند. امروز اگر از یک چت‌بات بپرسید بشقاب افتاده چه می‌شود، ممکن است پاسخ ادبی و زیبا بدهد، اما هیچ درک درونی از فیزیک یا پیامد واقعی این رخداد ندارد. مدل‌های جهان می‌خواهند این شکاف بنیادی را پر کنند تا کاربردهای حیاتی، مانند رباتیک، پزشکی و خودروهای خودران، ایمن‌تر و قابل‌اعتمادتر شوند.

AGI؛ رؤیا یا شعار بازاریابی؟

بسیاری از پژوهشگران NeurIPS تأکید کردند که مفهوم AGI بیش از آنکه علمی باشد، به ابزار تبلیغاتی شرکت‌ها تبدیل شده است. بدون حل کردن «بن‌بست مقیاس‌پذیری هوش مصنوعی»، نه افزایش GPU، نه داده بیشتر، و نه نسخه‌های جدید مدل‌ها، ما را به هوش عمومی نمی‌رساند. صنعت باید بپذیرد که ادامه این مسیر فعلی فقط سودآور است، نه پیش‌برنده.

در واقع، آنچه در NeurIPS 2025 نمایان شد، یک زنگ خطر بود: زمان آن رسیده که به جای ساختن آسمان‌خراش‌های بلندتر، پی دوباره طراحی شود. آینده هوش مصنوعی نه در «بزرگ‌تر کردن»، بلکه در «هوشمندتر ساختن» نهفته است.

چرا این بحث برای کاربران عادی نیز اهمیت دارد؟

موضوع محدودیت‌های معماری ترنسفورمر فقط دغدغه پژوهشگران نیست. وقتی شرکت‌ها وعده AGI می‌دهند، مردم تصور می‌کنند که فناوری روزی می‌تواند پزشک، خلبان یا مشاور علمی قابل‌اعتماد باشد. اما حقیقت این است که خطاهای غیرقابل‌پیش‌بینی مدل‌ها، نبود استدلال درست، و وابستگی شدید به داده‌های انسانی، همه نشان می‌دهد که «بن‌بست مقیاس‌پذیری هوش مصنوعی» یک مشکل اجتماعی نیز هست.

تا زمانی که معماری‌های جدید و روش‌های تازه‌ای برای درک جهان توسعه نیابد، فاصله میان ظاهر هوشمند مدل‌ها و واقعیت توانایی‌های آن‌ها، همچنان بزرگ باقی خواهد ماند.

در نهایت، پیام NeurIPS 2025 روشن بود: برای عبور از «بن‌بست مقیاس‌پذیری هوش مصنوعی» باید مسیر تازه‌ای طراحی کنیم. مدل‌های بزرگ فعلی چشمگیرند، اما محدودیت‌های بنیادین آن‌ها اجازه نمی‌دهد به AGI نزدیک شویم. آینده از آنِ معماری‌های نوآورانه‌ای است که نه فقط زبان، بلکه جهان را بفهمند.

پرسش‌های متداول