Yann LeCun برنده جایزه تورینگ میگوید مشهورترین سیستمهای هوش مصنوعی امروزی راهی به سمت ماشینهای واقعاً هوشمند نیستند. در استارتآپ خود در پاریس، آزمایشگاههای هوش ماشینی پیشرفته (AMI Labs)، دانشمند ارشد پیشین هوش مصنوعی متا در حال ساختن نوع متفاوتی از مدل است که برای درک دنیای فیزیکی به روشی که یک موش یا یک کودک نوپا میتواند طراحی شده است.
در صحبت با بی بی سی در حاشیه کنفرانس VivaTech در پاریس، LeCun استدلال کرد که مدل های زبان بزرگ مانند ChatGPT، Claude و Gemini کاربرد واقعی دارند اما سقف سختی دارند. برای اطلاعات بیشتر در مورد [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) که چگونه محققان و سرمایهگذاران درباره این محدودیتها فکر میکنند، بحث گستردهتر درباره آنچه پس از دوره LLM پیش میآید به یکی از مهمترین سؤالات در این زمینه تبدیل شده است.
LeCun گفت: «ما روباتهایی نداریم که در درک دنیای فیزیکی به اندازه موش صحرایی باشند. او پس از یک دهه به عنوان دانشمند ارشد هوش مصنوعی متا، مالک فیس بوک را در سال 2025 ترک کرد و آزمایشگاه های AMI را برای دنبال کردن یک معماری جایگزین تأسیس کرد.
چرا LeCun می گوید LLM ها کافی نیستند
LeCun ادعا می کند که LLM ها در وظایف کاملاً تعریف شده و قابل پیش بینی مانند کدنویسی، حل مسائل ریاضی و تولید متن برتری دارند. اما او استدلال میکند که این نقاط قوت محدودیت عمیقتری را پنهان میکند: سیستمها الگوهای آماری را به جای استدلال درباره واقعیت دستکاری میکنند.
او در مورد LLM گفت: «آنها اساساً فقط دانش را جمع می کنند. "آنها می توانند چیزی را پس بگیرند، شما آنها را آموزش می دهید که دوباره برگردانند، اما آنها به ویژه باهوش نیستند. آنها درک اساسی ندارند."
برای نشان دادن شکاف، LeCun یک خودکار را به صورت عمودی روی نوک آن متعادل میکند و رها میکند. او خاطرنشان می کند که حتی یک کودک نوپا می داند که قلم فرو می ریزد، اما هیچ انسانی سعی نمی کند جهت دقیق سقوط آن را پیش بینی کند، زیرا این نتیجه واقعاً نامشخص است. در مقابل، یک LLM تلاش میکند تا یک پیشبینی واحد را بر اساس الگوهای موجود در دادههای آموزشی خود ایجاد کند. این پیش بینی تقریباً به طور قطع اشتباه خواهد بود، زیرا مدل در مورد وضعیت فیزیکی استدلال نمی کند. چیزی را تولید می کند که از نظر آماری قابل قبول به نظر می رسد.
LeCun به صراحت گفت: "LLM ها تا حد زیادی برای رباتیک ناامید هستند." این ادعا که به نوعی تنها با افزایش LLM ها، به هوش فوق بشری دست خواهیم یافت، این به سادگی اتفاق نمی افتد.
JEPA چگونه کار می کند
معماری که آزمایشگاه های AMI در حال توسعه هستند، معماری پیشگویانه تعبیه مشترک (JEPA) نام دارد. JEPA به جای پیشبینی کلمه یا پیکسل بعدی، انتزاعیهایی از دنیای واقعی ایجاد میکند که به آن اجازه میدهد نتایج احتمالی یک عمل را بسنجید.
ساختن این انتزاعات مستلزم ریاضیات پیچیده است، اما اصل آن ساده است: مدل جزئیات بیهوده را فیلتر می کند و تنها نمایش های مفیدی از جهان باقی می گذارد. در مثال قلم، یک سیستم مبتنی بر JEPA میفهمد که پیشبینی جهت دقیق سقوط بیمعنی است، و در عوض وضعیت را در سطح انتزاع نشان میدهد که در واقع برای تصمیمگیری مهم است.
این رویکرد، آزمایشگاههای AMI را در یک جنبش رو به رشد پیرامون مدلهای به اصطلاح جهانی قرار میدهد، که هدف آن ارائه شبیهسازی داخلی به سیستمهای هوش مصنوعی از نحوه رفتار محیطها است، بنابراین آنها میتوانند به جای تولید متن، برنامهریزی و عمل کنند.
یک میدان رقابتی
سرمایه گذاران شرط می بندند که LeCun روی چیزی است. پیش از این در سال 2026، آزمایشگاه AMI اعلام کرد که بیش از 1 میلیارد دلار (760 میلیون پوند) در دور اولیه سرمایه گذاری با حامیانی از جمله غول تراشه آمریکایی Nvidia و صندوقی که ثروت خصوصی بنیانگذار آمازون جف بزوس را مدیریت می کند، جمع آوری کرده است. این یکی از بزرگترین دورهای اولیه در تاریخ استارتاپ های اروپایی بود.
آزمایشگاه AMI در این مسابقه تنها نیست. در دانشگاه آکسفورد، پروفسور اینگمار پوسنر، آزمایشگاه هوش مصنوعی کاربردی را هدایت میکند و تیم تقریباً ده نفرهای را رهبری میکند که چهار سال را بر روی رویکرد جایگزینی که او آن را «مدل مکانیکی جهان» مینامد، گذراندهاند، که دانش را طوری ساختار میدهد که هوش مصنوعی بتواند آن را بهخوبی یادآوری، ترکیب و اصلاح کند.
پوسنر به بیبیسی گفت: «نظر من این است که دهه آینده واقعاً درباره سیستمهایی خواهد بود که میتوانند توضیح دهند. "شما به مدل هایی نیاز دارید که بتوانند به سوالاتی مانند: چه چیزی اهمیت دارد؟ چه چیزی باعث چه چیزی می شود؟ اگر کار دیگری انجام دهم چه اتفاقی می افتد؟"
این اصل و نسب به مقاله تاثیرگذار سال 2018 توسط دیوید ها و یورگن اشمیدهابر بازمیگردد، که استدلال میکردند پیشرفت در محاسبات و یادگیری ماشینی میتواند به هوش مصنوعی اجازه دهد وظایف را صرفاً از طریق شبیهسازی ذهنی آموختهشده جهان یاد بگیرد. از آن زمان این ایده تحقیقات قابل توجهی از جمله مدل دنیای Dreamer گوگل را تسریع کرده است، مدلی از آن به خود آموخته است که با تصور سناریوهای آینده الماس را در Minecraft جمع آوری کند. DeepMind آلفابت کار را با مدل Genie خود ادامه می دهد، Wayve مستقر در لندن دارای سیستمی به نام Gaia است، و Fei-Fei Li، پیشگام هوش مصنوعی، آزمایشگاه های جهانی را در سال 2023 در سانفرانسیسکو تأسیس کرد تا اهداف مشابهی را دنبال کند.
ضرورت روباتیک
فشار به سمت مدلهای جهانی تا حد زیادی توسط صنعت رباتیک هدایت میشود که میلیاردها دلار برای روباتهای انساننما سرمایهگذاری میکند که هر سال عملکرد فیزیکی آنها چشمگیرتر میشود. اما آموزش این ماشینها برای انجام ایمن کارهای خانگی مانند اتو کردن یا بار کردن ماشین ظرفشویی دشوار و پرهزینه است و LeCun اصرار دارد که مدلهای فعلی هوش مصنوعی هرگز به اندازه کافی برای آن محیط خوب نیستند.
LeCun گفت که AMI Labs بقیه سال 2026 را صرف اصلاح مدل خود می کند و امیدوار است که در سال 2027 استقرار آن را در محیط های صنعتی آغاز کند. اگر موفقیت آمیز باشد، جاه طلبی ها به طور قابل توجهی گسترش می یابد.
او گفت: «در نهایت ما سیستمهای اطلاعاتی عمومی کلی خواهیم داشت که میتوانند تقریباً برای هر چیزی در جهان با حداقل آموزش یا تنظیم دقیق اعمال شوند».
در مورد آنچه که در آینده برای انسان ها اتفاق می افتد، LeCun شهوانی است. او گفت که مردم همچنان تصمیم خواهند گرفت که چه چیزی بسازند و چه سوالاتی را بپرسند، در حالی که هوش مصنوعی به عنوان معاونی توانمند کار می کند.
"تعامل ما با سیستمهای هوش مصنوعی آینده، حتی اگر آنها از ما باهوشتر باشند، مانند تعامل بین یک کاپیتان صنعت یا یک رهبر سیاسی با دستیارانشان خواهد بود که بسیاری از آنها باهوشتر از آنها هستند."
از هوش مصنوعی جلوتر بمانید
تغییر از مدل های زبانی به مدل های جهانی می تواند نقشه رقابتی هوش مصنوعی را دوباره ترسیم کند. [آخرین تحولات هوش مصنوعی] (https://aibuzzwire.news) را در حین آشکار شدن دنبال کنید.
اخبار هوش مصنوعی را بیشتر بخوانید →
