لقد شاهدت للتو إعادة عرض حديث ديميس هاسابيس في Y Combinator عن وضعنا الفعلي فيما يخص الذكاء الاصطناعي العام، وبصراحة بعض الأفكار تستحق أن نوقف عندها للحظة.

إذن إليك الأمر: وفقًا لمؤسس DeepMind، لدينا في الأساس معظم القطع المعمارية التي نحتاجها للذكاء الاصطناعي العام. التدريب المسبق على نطاق واسع، التعلم المعزز من خلال التفاعل البشري، التفكير على سلسلة من الأفكار—هذه ربما ستكون جزءًا من الهيكل النهائي. لكن لا تزال هناك قطعة أو اثنتان حاسمتان مفقودة. التعلم المستمر، التفكير على المدى الطويل، وبعض جوانب الذاكرة لا تزال غير محلولة. جدول زمني شخصي له؟ حوالي عام 2030. إذا كان ذلك قريبًا من الصحيح، فإنه يغير الطريقة التي ينبغي أن تفكر بها في أي مشروع طويل الأمد تبنيه اليوم.

ما لفت انتباهي هو مشكلة "الذكاء المتموج" التي وصفها. النماذج الحالية يمكنها حل مسائل رياضيات بمستوى ميدالية ذهبية في الأولمبياد، لكنها ترتكب أخطاء حسابية ابتدائية في سؤال مختلف. كأن عملية التفكير لديها نقاط عمياء هائلة. أعطى مثالًا على الشطرنج—أحيانًا يدرك Gemini أنه على وشك اتخاذ خطوة سيئة لكنه يتخذها على أي حال لأنه لا يستطيع العثور على بدائل أفضل. نظام ذكي حقًا لا ينبغي أن يعمل بهذه الطريقة. يعتقد فريق DeepMind أن إصلاح ذلك قد يتطلب تحسينًا أو اثنين محددين، لكنه فجوة واضحة.

بالنسبة للوكلاء: كان هاسابيس مباشرًا جدًا—نحن بدأنا للتو. الجميع يجرب، لكننا لم نجد بعد الاستخدامات القاتلة الحقيقية. ذكر أنه لم يُنشأ بعد لعبة AAA عالية التصنيف باستخدام أدوات برمجة الذكاء الاصطناعي على الرغم من أن ذلك ممكن نظريًا بقدراتنا الحالية. هناك شيء مفقود إما في الأدوات أو في العملية. يتوقع أن يرى اختراقات حقيقية في تطبيقات الوكلاء خلال 6-12 شهرًا.

كان النقاش حول الذاكرة أيضًا مثيرًا للاهتمام. نوافذ السياق التي تصل إلى مليون رمز تبدو ضخمة حتى تدرك أن ذلك يعادل حوالي 20 دقيقة من بث الفيديو. والطريقة الحالية هي أساسًا حشو كل شيء في تلك النوافذ—بيانات مهمة وغير مهمة مختلطة معًا. يفعل الدماغ ذلك بشكل أنيق من خلال دورات النوم وتوطيد الذاكرة. منذ أيام DQN في 2013، كانت DeepMind تفكر في هذا، مستمدة من علم الأعصاب، لكننا لا نزال نستخدم طرقًا بدائية.

أما من ناحية التقطير: فرضيتهم هي أنه خلال 6-12 شهرًا من إصدار نموذج متطور، يمكنهم ضغط قدراته إلى نماذج أصغر بكثير تعمل على الأجهزة الطرفية. لم يحققوا بعد حدودًا نظرية. نماذج Gemma مثال جيد—Gemma 4 تؤدي أداءً استثنائيًا بالنسبة لحجمها. هذا مهم لأنه يعني أن الذكاء الاصطناعي سريع وفعال وخاص—يعمل محليًا على هاتفك أو روبوتك بدلًا من السحابة.

ما برز حقًا هو نقطته حول الاختراقات العلمية. كان AlphaFold ضخمًا—يستخدمه الآن ثلاثة ملايين باحث حول العالم، وسمع أنه سيكون جزءًا من تقريبًا كل عملية اكتشاف دواء مستقبلية. لكن هذا مجرد البداية. يسميها "اختبار أينشتاين": هل يمكنك تدريب نظام على معرفة من عام 1901 واستنتاج ما اكتشفه أينشتاين في 1905 بشكل مستقل؟ بمجرد أن ينجح ذلك، نكون قريبين من أنظمة يمكنها ابتكار أشياء جديدة بدلاً من مجرد حل المشكلات الموجودة.

نصيحته للمؤسسين كانت مباشرة: تابع المشكلات التي لا يمكنك حلها إلا أنت، وإذا لم تفعل، فحاول. لا تركز على السهل. وأيضًا—وهذا مهم—إذا كنت تبدأ مشروع تكنولوجيا عميقة اليوم ويهدف إلى رحلة تمتد لعشر سنوات، عليك أن تأخذ في الاعتبار احتمال ظهور الذكاء الاصطناعي العام في منتصف الطريق. فكر فيما إذا كان مشروعك يمكن أن يعمل مع الذكاء الاصطناعي العام، كيف يندمج، وهل يظل مفيدًا في ذلك العالم. رؤيته هي أن الأنظمة المتخصصة مثل AlphaFold تعمل كأدوات يمكن لنماذج عامة مثل Gemini استدعاؤها، وليس كل شيء محشورًا في نموذج ضخم واحد.

الزاوية متعددة الوسائط لـ DeepMind مثيرة أيضًا. بناء Gemini متعدد الوسائط من البداية كان أصعب في البداية، لكنه يؤتي ثماره الآن—نماذج عالمية أفضل، تطبيقات الروبوتات، تكامل القيادة الذاتية. هذا أصبح ميزة تنافسية.

بشكل عام، رسمت المحادثة صورة لتقدم الذكاء الاصطناعي سريع لكنه لا يخلو من عقبات تقنية محددة يجب تجاوزها. نحن لا نكبر فقط في طريقنا نحو الذكاء الاصطناعي العام—هناك مشاكل فعلية تحتاج إلى حل. ولأي شخص يبني في هذا المجال، فإن الجدول الزمني مهم. فكر فيما يظل ذا قيمة عندما يتغير المشهد.