سوتسكيفر وسيلفر ولوكون يغادرون المختبرات الكبرى: على ماذا تراهن المختبرات الجديدة

مشهد غريب: بعد إطلاق GPT-6 Astra كتب جينسن هوانغ على منصة X أن الذكاء الاصطناعي العام قد تحقق، فيما رحّب رئيس OpenAI غريغ بروكمان بالبشرية في «عصر AGI». وفي الوقت نفسه يغادر الأشخاص الذين بنوا النماذج الحالية الشركات الكبرى بأعداد كبيرة ويفتحون مختبراتهم الخاصة. أحصى موقع The Decoder نحو 45 من هذه «المختبرات الجديدة» وحلّل 27 منها بالتفصيل. والخلاصة بسيطة: كثير ممن غادروا لا يعتقدون أن الوصفة الحالية كافية.

من غادر وكم جمع

يعمل إيليا سوتسكيفر، المؤسس المشارك لـ OpenAI، على Safe Superintelligence. وفي يوليو، بحسب Bloomberg، استثمرت Nvidia في SSI نحو 5 مليارات دولار. ومع 3 مليارات سابقة يصبح المجموع نحو 8 مليارات بتقييم 32 مليارًا. ومع ذلك لم يُصدر المختبر أي نموذج ولا ورقة بحثية.

أسس جيري تفوريك، الذي قاد تطوير نماذج الاستدلال o1 وo3، شركة Core Automation. وغادر ديفيد سيلفر، مؤلف AlphaGo، DeepMind إلى Ineffable Intelligence، وجمع في أبريل 1.1 مليار دولار في جولة seed بتقييم 5.1 مليار. وأسس يان لوكون، بعد اثني عشر عامًا في Meta، شركة AMI. أما Flapping Airplanes، بلا نموذج علني، فقد جمعت مليار دولار في جولة A بتقييم 6 مليارات.

الدوافع متباينة: مليارات على الورق، وخلاف استراتيجي مع Meta، ورغبة في إجراء الأبحاث دون ضغط المنتج. وأحيانًا لا تكون القطيعة تامة أصلًا: فـ Google نفسها كانت من أوائل المستثمرين في Discovery Loop لجيف دين.

الرهان الرئيسي: أن تتعلم النماذج لا أن تحل فقط

أوضح مجموعة من المختبرات تعمل على التعلم المستمر. فالنموذج اليوم لا يغيّر أوزانه بعد طرحه. يستخدم المعلومات الجديدة داخل المحادثة لكنه لا يحفظها إلى الأبد. وتتحايل ChatGPT وClaude على ذلك بالملاحظات والبحث في المحادثات السابقة. ويرى تفوريك أن التعلم المستمر مهمة للتعلم الآلي لا لملفات Markdown. وإعادة تدريب الشبكة ببساطة تعرّضها للنسيان الكارثي: إذ تفقد ما كانت تعرفه سابقًا.

تخيّل موظفًا مبتدئًا لا يزال بعد شهر من العمل يعرف تمامًا ما عرفه في يومه الأول، مضافًا إليه ما وضعته له في ورقة الغش. هكذا يتصرف النموذج اليوم تقريبًا.

المقاربات مختلفة:

• تبني Adaption نماذج تتكيف مع المستخدم فورًا وبتكلفة منخفضة. حاليًا لا يُباع سوى أدوات للعمل مع البيانات وAutoScientist عبر API.
• تريد Core Automation تحديث الأوزان أثناء العمل والاكتفاء بجزء من مئة من البيانات المعتادة.
• تعلّم Flapping Airplanes النموذج من عدد قليل من الأمثلة، وهو أمر مهم للروبوتات والبيولوجيا حيث البيانات شحيحة.
• تبحث Ndea لفرانسوا شوليه عن برنامج يفسّر عدة أمثلة.
• تدرّب Ineffable لسيلفر النظام على تجربته الخاصة بمكافأة من البيئة.

وفي النهج الأخير نقطة ضعف. ففي لعبة Go يتضح من فاز. أما في العلوم أو العالم المادي فتأتي الإشارة متأخرة أو تكون غير واضحة أصلًا.

ماذا يعني ذلك للممارسين

أولًا، لدى المختبر الصغير أفضلية قصيرة. أطلقت TypeSafe AI نموذج القرارات Jev في منتصف سبتمبر، وبعد أسبوعين أعلنت OpenAI عن Decisions API. ثانيًا، غالبًا ما يكون المخرج عبر الاستحواذ: تريد AMD شراء World Labs بنحو 8.2 مليار، وتتفاوض Nvidia مع Reflection، واستحوذت Microsoft على فريق Inflection.

وللمطوّر ومدير المنتج الاستنتاجات عملية:

• لا تبنوا بنية تعتمد على افتراض أن النموذج لن يتعلم التذكر أبدًا. الذاكرة على شكل ملاحظات ما زالت حلًا ترقيعيًا.
• تابعوا ARC-AGI-3. حقق Astra نسبة 62.7% في الإعداد القياسي عبر تحويل ألعاب غير مألوفة إلى قواعد مختصرة. وهذا بالضبط ما تسعى إليه Ndea.
• لا تخلطوا بين التقييم والمنتج. فمعظم المختبرات الجديدة لا تملك شيئًا يمكن ربطه عبر API.

الرهان بسيط. إن اصطدمت الوصفة الحالية بسقف، فسيفوز من يعلّم النموذج أولًا كيف يتعلم. وإن لم تصطدم، فستشتري المختبرات الكبرى الفريق ببساطة أو تكرر النتيجة خلال أسبوعين.