در دنیای پرشتاب هوش مصنوعی، در حالی که غولهایی چون OpenAI، Anthropic و گوگل در صدر جدول معیارهای عملکرد مدلهای هوش مصنوعی به رقابت میپردازند، آمازون رویکردی متفاوت را در پیش گرفته است. این شرکت به جای دنبال کردن رتبهبندیهای صرف، بر کنترل، تخصص و کاربرد عملی هوش مصنوعی برای نیازهای خاص کسبوکارها تاکید میکند. این استراتژی، محور اصلی معرفیهای اخیر آمازون در کنفرانس AWS re:Invent بوده و پیام روشنی برای صنعت هوش مصنوعی دارد: ارزیابیهای صرفاً عددی، معیار واقعی توانایی مدلها نیستند.
استراتژی هوش مصنوعی آمازون: گذر از معیارهای رقابتی
رهبران هوش مصنوعی آمازون معتقدند که مسابقه بر سر صدرنشینی در معیارهای عمومی هوش مصنوعی (AI benchmarks) گمراهکننده است. روهیت پراساد، معاون ارشد بخش هوش عمومی مصنوعی (AGI) آمازون، صراحتاً بیان کرده است که به دنبال "کاربرد عملی در دنیای واقعی" هستند، زیرا هیچ یک از این معیارها واقعیت را منعکس نمیکنند. به گفته او، ارزیابیهای کنونی اغلب پر از نویز هستند و قدرت واقعی مدلها را نشان نمیدهند، چرا که هیچ استاندارد یکسانی برای دادههای آموزشی و ارزیابیها وجود ندارد.
این موضعگیری، با رویه رایج در آزمایشگاههای هوش مصنوعی که به سرعت مدلهای جدید خود را با افتخار در صدر جدول رقابتها قرار میدهند، در تضاد است. این دیدگاه، بهخصوص با توجه به اینکه نسخه قبلی مدل شاخص آمازون، Nova، در زمان مصاحبه با پراساد در رتبه ۷۹ جدول LMArena قرار داشت، برای آمازون بسیار کاربردی به نظر میرسد. با این حال، نادیده گرفتن معیارهای هوش مصنوعی تنها زمانی معنا پیدا میکند که آمازون بتواند روایت دیگری از پیشرفت در هوش مصنوعی ارائه دهد.
"نوا فورج": راهکاری برای مدلهای هوش مصنوعی سفارشی
قلب راهبرد جدید آمازون، سرویس "نوا فورج" (Nova Forge) است. این سرویس به شرکتها امکان میدهد تا مدلهای هوش مصنوعی سفارشی خود را به روشهایی که پیش از این نیازمند صرف میلیاردها دلار هزینه بود، آموزش دهند. مشکل اصلی که Forge به آن میپردازد، واقعی است: اکثر شرکتها در تلاش برای سفارشیسازی مدلهای هوش مصنوعی با سه گزینه نامطلوب مواجهاند:
تنظیم دقیق (Fine-tuning) مدلهای بسته: این روش فقط تغییرات جزئی را در حاشیه مدل امکانپذیر میکند.
آموزش بر روی مدلهای با وزنهای باز (open-weight models): این گزینه بدون دسترسی به دادههای آموزشی اصلی، خطر افت توانایی مدل را به همراه دارد، به طوری که هوش مصنوعی در دادههای جدید متخصص میشود اما مهارتهای گستردهتر اولیه خود را فراموش میکند.
ساخت مدل از ابتدا: این روش با هزینهای گزاف و سرسامآور همراه است.
نوا فورج گزینه دیگری ارائه میدهد: دسترسی به نقاط بازبینی (checkpoints) مدل Nova آمازون در مراحل پیشآموزشی، میانی و پساآموزشی. این امکان به شرکتها اجازه میدهد تا دادههای اختصاصی خود را در مراحل اولیه فرآیند، زمانی که "ظرفیت یادگیری مدل در بالاترین حد خود قرار دارد" به مدل تزریق کنند، نه اینکه فقط رفتار مدل را در انتها دستکاری کنند.
<p align="center">
<br>
<em>روهیت پراساد، معاون ارشد بخش هوش مصنوعی عمومی (AGI) آمازون</em>
</p>
پراساد تاکید میکند: "کاری که ما انجام دادهایم، دموکراتیک کردن توسعه هوش مصنوعی و مدلهای پیشرفته برای موارد استفاده شما با کسری از هزینههای قبلی است." Forge در ابتدا به این دلیل ایجاد شد که تیمهای داخلی آمازون به ابزاری برای تزریق تخصص دامنه خود به یک مدل پایه نیاز داشتند، بدون اینکه مجبور به ساخت آن از ابتدا باشند. این الگو، یادآور آغاز AWS (Amazon Web Services) است که ابتدا به عنوان زیرساختی برای عملیات خردهفروشی خود آمازون شروع به کار کرد و سپس به موتور سودآور این شرکت تبدیل شد.
هوش مصنوعی تخصصی: درسآموختهای از ردیت و الگوی AWS
ردیت (Reddit) یکی از نمونههای موفق استفاده از Forge است. این شرکت از نوا فورج برای ساخت مدلهای ایمنی سفارشی استفاده میکند که بر اساس ۲۳ سال دادههای تعدیل انجمنها آموزش دیدهاند. کریس اسلو، مدیر ارشد فناوری و اولین کارمند ردیت، میگوید: "تاکنون چیزی شبیه به آن ندیدهام." هدف ردیت این است که چندین مدل ایمنی اختصاصی را با یک مدل "متخصص ردیت" جایگزین کند که بتواند ظرافتهای تعدیل انجمن را درک کند، از جمله قانون بدنام "بدجنس نباشید" (Don't be a jerk) که تقریباً در همه سابردیتها وجود دارد.
اسلو توضیح میدهد که Forge به ردیت این امکان را میدهد که:
کنترل کاملی بر مدلهای خود داشته باشد.
از غافلگیری ناشی از تغییرات API جلوگیری کند.
مالکیت وزنهای مدل خود را حفظ کند.
از ارسال دادههای حساس به ارائهدهندگان مدل شخص ثالث اجتناب ورزد.
وقتی از اسلو پرسیده شد که آیا اهمیت دارد که Nova یک مدل ردهبالا در معیارهای عمومی نیست، او صراحتاً پاسخ داد: "در این زمینه، آنچه مهم است، تخصص ردیتمحور مدل است." این همان نکتهای است که آمازون میخواهد توسعهدهندگان به آن توجه کنند: نه امتیاز هوش خام، بلکه کنترل و تخصص.
آینده هوش مصنوعی و اهمیت کاربرد عملی
با معرفی Forge، آمازون یک شرطبندی حسابشده انجام میدهد: مسابقه مدلهای هوش مصنوعی به یک کالای عمومی تبدیل شده است و این شرکت میتواند با تبدیل شدن به پلتفرمی که کسبوکارها در آن هوش مصنوعی تخصصی برای مشکلات خاص خود میسازند، به موفقیت دست یابد. این دیدگاه، بسیار شبیه به رویکرد AWS است: زیرساخت بر هوش و سفارشیسازی بر قابلیتهای خام ارجحیت دارد. این استراتژی همچنین به آمازون اجازه میدهد تا از مقایسههای مستقیم با OpenAI و Anthropic که زمانی امیدوار بود در لایه مدل با آنها رقابت کند، دوری گزیند.
اینکه آیا Forge واقعاً نوآورانه است یا فقط یک موقعیتیابی هوشمندانه، البته به میزان پذیرش توسعهدهندگان بستگی دارد. آمازون اصرار دارد که مسابقه مدلها، آنطور که عموماً درک میشود، اهمیت ندارد. اگر این ادعا درست از آب درآید، معیار موفقیت هوش مصنوعی به چیزی بسیار آرامتر و دشوارتر برای تقلب تغییر خواهد کرد: اینکه آیا مدلهای هوش مصنوعی واقعاً کاربرد عملی در دنیای واقعی ارائه میدهند یا خیر. این یعنی آینده استراتژی هوش مصنوعی آمازون در گروی ارزشافزوده ملموس برای مشتریان است.
مطالب مرتبط
- هوش مصنوعی گوگل تیترهای خبری Google Discover را با محتوای گمراهکننده جایگزین میکند
- استراتژی جسورانه گوگل برای برتری در هوش مصنوعی: آیندهای کاملاً شخصیسازیشده در انتظار کاربران است
- تداوم چالشهای اخلاقی و فنی هوش مصنوعی گروک ایلان ماسک: از انتخابهای جنجالی تا خطاهای فاحش اطلاعاتی
- هوش مصنوعی گوگل تیترهای خبری Google Discover را با محتوای گمراهکننده جایگزین میکند