رقابت هوش مصنوعی امریکایی و چینی از نگاه نوبلیست اقتصاد

به گزارش گروه رسانه ای شرق؛ در حالی که صنعت هوش مصنوعی آمریکا بی‌شک نیاز به تغییر و تحول داشت، خبر موفقیت یک استارتاپ چینی در شکست دادن شرکت‌های بزرگ فناوری، پرسش‌های دشواری را مطرح می‌کند. با این حال، اگر رهبران فناوری و سیاست‌گذاران آمریکا بتوانند از موفقیت دیپ‌سیک درس‌های درستی بگیرند، در نهایت این تحول می‌تواند به نفع همه باشد.  

پس از انتشار مدل DeepSeek-R1 در ۲۰ ژانویه، که منجر به سقوط شدید ارزش سهام انویدیا، سازنده تراشه‌های پردازشی، و کاهش ارزش بسیاری دیگر از شرکت‌های فناوری شد، برخی این رویداد را «لحظه اسپوتنیک» در رقابت چین و آمریکا برای برتری در هوش مصنوعی توصیف کردند. در حالی که صنعت هوش مصنوعی آمریکا نیاز به تحولی جدی داشت، این اتفاق سؤالات مهمی را مطرح می‌کند.

آیا دموکراسی آمریکا قادر به مهار چالش‌های جدید است؟

اروین چمرینسکی نگران نبود نظارت مؤثر بر بدترین امیال دونالد ترامپ است.

سرمایه‌گذاری صنعت فناوری آمریکا در هوش مصنوعی بسیار گسترده بوده است. گلدمن ساکس تخمین می‌زند که شرکت‌های بزرگ فناوری، مؤسسات و بخش خدمات، در سال‌های آینده حدود یک تریلیون دلار برای توسعه هوش مصنوعی هزینه خواهند کرد. اما برای مدتی طولانی، بسیاری از ناظران، نسبت به مسیر سرمایه‌گذاری و توسعه هوش مصنوعی در آمریکا ابراز تردید کرده‌اند.

مشکل تمرکز بیش از حد بر مقیاس

شرکت‌های پیشرو فناوری، همگی اساساً از یک الگوی مشترک پیروی کرده‌اند. اگرچه متا تا حدی با مدل منبع‌باز خود مسیر متفاوتی را پیش گرفته، اما در کل، صنعت هوش مصنوعی آمریکا تمام تخم‌مرغ‌های خود را در یک سبد گذاشته است. بدون استثنا، شرکت‌های فناوری ایالات متحده وسواس شدیدی نسبت به مقیاس دارند.

آن‌ها به قوانین «مقیاس‌پذیری» که هنوز به طور قطعی اثبات نشده‌اند، تکیه کرده و فرض می‌کنند که افزایش مداوم داده‌ها و قدرت پردازش، کلید دستیابی به قابلیت‌های پیشرفته‌تر است. برخی حتی ادعا می‌کنند که «مقیاس تنها چیزی است که اهمیت دارد.»

پیش از ۲۰ ژانویه، هیچ‌یک از شرکت‌های آمریکایی جایگزینی برای مدل‌های بنیادی که بر اساس مجموعه‌های عظیم داده آموزش داده می‌شوند، در نظر نمی‌گرفتند. تمرکز اصلی آن‌ها بر مدل‌های انتشاری و چت‌بات‌ها برای انجام وظایف انسانی (یا شبه‌انسانی) بود.

اما دیپ‌سیک با وجود پیروی کلی از همان مسیر، رویکرد متفاوتی اتخاذ کرده است. این شرکت بیشتر بر یادگیری تقویتی (Reinforcement Learning)، روش‌های ترکیب متخصصان (Mixture-of-Experts)، مدل‌های کوچک‌تر و کارآمدتر، و استدلال زنجیره‌ای پیشرفته (Refined Chain-of-Thought Reasoning) متکی بوده است. این استراتژی به گفته منابع، موجب شده که دیپ‌سیک با هزینه‌ای بسیار کمتر، مدلی رقابتی تولید کند.

با اینکه همچنان اختلاف نظرهایی درباره میزان شفافیت دیپ‌سیک وجود دارد، اما این اتفاق نشان‌دهنده «تفکر گروهی» در صنعت هوش مصنوعی آمریکا است.

نادیده گرفتن روش‌های جایگزین، ارزان‌تر و شاید امیدوارکننده‌تر، همراه با تبلیغات گسترده، دقیقاً همان چیزی است که سیمون جانسون و من در کتاب «قدرت و پیشرفت» پیش‌بینی کرده بودیم؛ کتابی که درست پیش از آغاز عصر هوش مصنوعی مولد نوشتیم.

سؤال مهم این است که آیا صنعت هوش مصنوعی آمریکا نقاط کور خطرناک‌تری دارد؟

به عنوان مثال، آیا شرکت‌های پیشرو آمریکایی فرصتی را برای توسعه مدل‌هایشان در یک مسیر «حامی انسان» از دست داده‌اند؟ حدس من این است که پاسخ «بله» است، اما تنها زمان می‌تواند صحت این فرضیه را مشخص کند.

سؤال دیگر این است که آیا چین در حال پشت سر گذاشتن آمریکا در این رقابت است؟ و اگر چنین باشد، آیا این بدان معناست که ساختارهای اقتدارگرایانه و از بالا به پایین (مانند آنچه جیمز ای. رابینسون مطرح کرده) می‌توانند در زمینه نوآوری از سیستم‌های مشارکتی و از پایین به بالا پیشی بگیرند؟ پاسخ به این سؤال می‌تواند آینده رقابت چین و آمریکا در حوزه هوش مصنوعی را تعیین کند.

آیا کنترل از بالا به پایین، نوآوری را محدود می‌کند؟

برداشت من این است که کنترل متمرکز، مانع نوآوری می‌شود، همان‌طور که رابینسون و من در کتاب «چرا ملت‌ها شکست می‌خورند» استدلال کردیم. موفقیت دیپ‌سیک ظاهراً این ادعا را به چالش می‌کشد، اما این به هیچ وجه اثبات قطعی این موضوع نیست که نوآوری در چارچوب نهادهای استثماری، می‌تواند به همان اندازه قدرتمند یا پایدار باشد که در نظام‌های مشارکتی و باز. 

در نهایت، دیپ‌سیک بر پایه سال‌ها پیشرفت در ایالات متحده (و تا حدی در اروپا) بنا شده است. تمام روش‌های اساسی آن، ابتدا در آمریکا توسعه یافتند.

مدل‌های ترکیب متخصصان (Mixture-of-Experts) و یادگیری تقویتی (Reinforcement Learning) دهه‌ها پیش در مؤسسات تحقیقاتی دانشگاهی آمریکا توسعه یافتند.

شرکت‌های بزرگ فناوری آمریکا بودند که برای نخستین بار مدل‌های ترانسفورمر (Transformer Models)، استدلال زنجیره‌ای (Chain-of-Thought Reasoning)، و روش استفاده مدل‌های کوچکتر از الگوهای یادگیری مدل‌های بزرگتر (Distillation) را معرفی کردند.

آنچه دیپ‌سیک انجام داده، یک موفقیت مهندسی است. ترکیب همین روش‌ها، اما به شکلی کارآمدتر از شرکت‌های آمریکایی.

سؤال کلیدی این است که آیا شرکت‌های چینی و مؤسسات تحقیقاتی آن‌ها می‌توانند گام بعدی را بردارند و تکنیک‌ها، محصولات، و رویکردهای تحول‌آفرین خود را ایجاد کنند؟

علاوه بر این، دیپ‌سیک با اکثر شرکت‌های هوش مصنوعی چینی تفاوت دارد. بیشتر شرکت‌های چینی یا برای دولت کار می‌کنند یا از بودجه دولتی تأمین مالی می‌شوند. دیپ‌سیک از یک صندوق سرمایه‌گذاری بودجه گرفته و ظاهراً بدون حمایت مستقیم دولتی فعالیت کرده است. اکنون که این شرکت در مرکز توجه قرار گرفته، آیا خلاقیت و پویایی خود را حفظ خواهد کرد؟

هرچه که اتفاق بیفتد، موفقیت یک شرکت به تنهایی نمی‌تواند مدرکی قطعی باشد که چین می‌تواند جوامع بازتر را در زمینه نوآوری شکست دهد.

سؤال دیگری که مطرح می‌شود این است که آیا محدودیت‌های صادراتی و دیگر اقدامات آمریکا برای مهار تحقیقات هوش مصنوعی چین بی‌نتیجه بوده‌اند؟

دیپ‌سیک مدل‌های V3 و R1 خود را با استفاده از تراشه‌های قدیمی‌تر و کم‌توان‌تر آموزش داده است. اما برای پیشرفت‌های بعدی و توسعه در مقیاس بزرگ، ممکن است همچنان به تراشه‌های پیشرفته‌تر نیاز داشته باشد. با این وجود، روشن است که استراتژی آمریکا در زمینه هوش مصنوعی ناکارآمد و نادرست بوده است.

چنین استراتژی‌ای تنها در صورتی منطقی است که فرض کنیم: جهان به سمت «هوش مصنوعی عمومی» (AGI) حرکت می‌کند، مدل‌هایی که می‌توانند در تمامی وظایف شناختی، هم‌سطح انسان عمل کنند. هر کشوری که زودتر به AGI برسد، برتری ژئوپلیتیکی بزرگی به دست خواهد آورد. اما هیچ‌یک از این فرضیات لزوماً قطعی نیستند. تکیه بر این باورها موجب شد که آمریکا فرصت همکاری‌های سازنده با چین را در بسیاری از حوزه‌ها از دست بدهد.

به عنوان مثال، اگر یک کشور مدلی تولید کند که بهره‌وری انسانی را افزایش دهد یا به تنظیم بهینه انرژی کمک کند، چنین نوآوری‌ای می‌تواند برای هر دو کشور مفید باشد، به‌ویژه اگر به طور گسترده مورد استفاده قرار گیرد.

مانند همتایان آمریکایی خود، دیپ‌سیک نیز آرزوی توسعه AGI را دارد. ایجاد مدلی که آموزش آن به‌طور قابل‌توجهی ارزان‌تر باشد، می‌تواند معادلات را تغییر دهد.

اما کاهش هزینه توسعه، به‌تنهایی ما را در چند سال آینده به AGI نخواهد رساند. اینکه AGI در کوتاه‌مدت قابل دستیابی است یا نه، همچنان پرسشی بی‌پاسخ است و اینکه آیا دستیابی به آن مطلوب است یا نه، بحثی پیچیده‌تر است.

حتی اگر هنوز تمام جزئیات نحوه توسعه مدل‌های دیپ‌سیک را ندانیم و ندانیم موفقیت ظاهری آن چه تأثیری بر آینده صنعت هوش مصنوعی خواهد داشت، یک چیز روشن است؛ یک استارتاپ چینی توانسته وسواس صنعت فناوری نسبت به مقیاس را به چالش بکشد و شاید آن را از اعتماد بیش از حد به خود بیرون آورده باشد.