مرحله بعدی هوش مصنوعی در سال ۲۰۲۶ شکل می‌گیرد

به گزارش ایسنا، هوش مصنوعی از قطار تحول عقب نمی‌ماند و هر سال به مرحله جدیدی وارد می‌شود.

به نقل از فوربس، رهبران باید پس از انفجار استفاده از مدل‌های زبانی بزرگ در سال ۲۰۲۴ و ظهور عوامل هوش مصنوعی در سال ۲۰۲۵، در سال ۲۰۲۶ برای چه چیزی در حوزه هوش مصنوعی آماده شوند؟ در نگاه نخست، هیچ نشانه‌ای از یک هیولای جدید برای رام کردن وجود ندارد.

قابلیت‌های هوش مصنوعی به سرعت در حال بهبود یافتن هستند، اما پذیرش آن هنوز به اندازه‌ای زود است که یادگیری در حال حاضر مزایایی را ایجاد می‌کند. افرادی که در سال ۲۰۲۶ سواد هوش مصنوعی را توسعه می‌دهند، سال‌ها تجربه خواهند داشت و وقتی این فناوری به روش‌هایی فراگیر شود که به آنها نسبت به کسانی که منتظر مانده‌اند برتری بدهد، نتیجه یادگیری خود را خواهند گرفت.

شروع در حال حاضر به این معناست که شما جلوتر می‌روید، نه این که عقب بمانید.

هوش مصنوعی با رسیدن به سال ۲۰۲۶ در حال تغییر دادن نحوه ساخت، استقرار و مقیاس‌پذیری نرم‌افزار است. به نقل از مدیوم، آینده هوش مصنوعی در سال ۲۰۲۶ با خودکارسازی هوشمند، سیستم‌های هوش مصنوعی عامل‌محور، حاکمیت اخلاقی و پذیرش سریع در توسعه نرم‌افزار و گردش‌های کاری سازمانی تعریف می‌شود. حوزه‌های گوناگون از دستیاران کدنویسی مبتنی بر هوش مصنوعی گرفته تا سیستم‌های تصمیم‌گیری خودکار، کسب‌وکارهایی که زود سرمایه‌گذاری می‌کنند و توسعه‌دهندگان هوش مصنوعی با مهارت‌های مناسب را استخدام می‌کنند، به یک مزیت رقابتی آشکار دست خواهند یافت.

آینده هوش مصنوعی دیگر یک مفهوم دور از دسترس نیست و سریع‌تر از آنچه بیشتر سازمان‌ها پیش‌بینی می‌کردند، در حال آشکار شدن است. هوش مصنوعی با رسیدن به سال ۲۰۲۶ در حال تغییر دادن نحوه ساخت، استقرار و مقیاس‌پذیری نرم‌افزار است. برای استارت‌آپ‌ها، شرکت‌ها و به ویژه شرکت‌های دیجیتال‌محور، درک آینده هوش مصنوعی در موفقیت بلندمدت بسیار مهم است.

به نقل از فوربس، سال ۲۰۲۶ سال بلوغ فناوری برای شرکت‌ها و بازگشت به وضعیت سفید برای آزمایشگاه‌های پژوهشی است. با این بلوغ، هشت تصور غلط ریشه‌دار که چشم‌انداز هوش مصنوعی شرکت‌ها را در سه سال گذشته شکل داده‌اند، به پایان می‌رسند.

در ادامه به بررسی این هشت تصور غلط می‌پردازیم.

۱. آینده فقط متعلق به مدل‌های بسیار بزرگ و پیشرو است.

هیچ چیز نمی‌تواند کمتر از این قطعی باشد که نبرد بین مدل‌های بزرگ هوش مصنوعی در حال شدت گرفتن است. این موضوع اخیرا به طور کامل با «کد قرمز» مطرح‌شده توسط «سم آلتمن»(Sam Altman) که پس از استقبال پرشور از مدل هوش مصنوعی «جمینای ۳»(Gemini 3) آغاز شد، نشان داده شده است.

تا سال ۲۰۲۸ مدل‌های کوچک تخصصی ۵۰ درصد از بازار را در اختیار خواهند داشت.در اوایل سال ۲۰۲۳، گروه‌های پژوهشی شرکت «مایکروسافت»(Microsoft) مقاله‌ای را تحت عنوان «همه چیزی که نیاز دارید یک کتاب درسی است» منتشر کردند که نشان می‌داد مدل‌های تخصصی آموزش‌دیده‌ روی مجموعه داده‌های با دقت انتخاب‌شده از طریق آزمایش‌های تولید کد می‌توانند از مدل‌های عمومی با پارامترهای تا صد برابر بیشتر نیز بهتر عمل کنند.

از آن زمان، نمونه‌ها تا جایی افزایش یافته‌اند که شرکت پژوهشی و مشاوره آمریکایی «گارتنر»(Gartner) پیش‌بینی می‌کند تا سال ۲۰۲۸ مدل‌های کوچک تخصصی ۵۰ درصد از بازار را در اختیار خواهند داشت. رهبران در سال ۲۰۲۶ باید فرصت‌های ارائه‌شده توسط مدل‌های کوچک‌تر و تخصصی‌تر را بررسی کنند.

۲. خطر توهم دلیل خوبی برای صبر کردن است.

درست است که براساس اطلاعات شرکت هوش مصنوعی و یادگیری ماشینی فرانسوی-آمریکایی «دیتایکو»(Dataiku)، ۵۹ درصد از مدیران در سال ۲۰۲۵ با مشکل توهم هوش مصنوعی روبه‌رو شدند، اما راه‌حل‌هایی وجود دارد. مدل‌ها همیشه می‌توانند به توهم دچار شوند و به همین دلیل، هدف همیشه ساخت سیستم‌های کاملی است که اگرچه ریسک صفر ندارند، اما قابلیت اطمینان برتر از فرآیندهای کنونی را تضمین می‌کنند.

برای این کار، داده‌های سازمانی باید برای تنظیم دقیق مدل‌ها یا به عنوان یک منبع دانش مبتنی بر روش RAG مورد استفاده قرار بگیرند و چندین مدل به صورت موازی برای نظارت بر انحراف و شناسایی مواردی که به نظارت انسانی نیاز دارند، مستقر شوند. برخی از شرکت‌ها در حال حاضر از سیستم‌های هوش مصنوعی مستقل برای تعامل مستقیم با مشتریان یا ساده‌سازی فرآیندهای انطباق در صنایع تحت نظارت مانند مراقبت‌های بهداشتی و بانکداری استفاده می‌کنند.

۳. تا زمانی که همه داده‌ها در فضای ابری نباشند، خبری از هوش مصنوعی نخواهد بود.

شرکت‌های بیشتری به دلایل نظارتی، ضوابط اخلاقی یا در برخی کشورها به دلیل دسترسی محدود به سرویس‌های ابری تصمیم می‌گیرند هوش مصنوعی را به صورت محلی روی سرورهای خود مستقر کنند. راهکارهای متن‌باز برای پشتیبانی از این کار وجود دارد.

این رویکرد مستلزم سرمایه‌گذاری در گروه‌های فنی ساختاریافته‌تر است، اما می‌تواند عملی و کم‌هزینه‌تر باشد. لازم‌الاجرا شدن قانون هوش مصنوعی در اروپا، این روند را بیش از پیش تقویت خواهد کرد.

۴. متاعامل‌ها، انبوهی از عوامل هوش مصنوعی را برای رسیدن به دستاوردهای بزرگ بهره‌وری هماهنگ خواهند کرد.

جامعه علمی بی‌وقفه در تلاش است تا هماهنگی عامل‌به‌عامل را تثبیت کند و این راه‌حل‌ها در نهایت محقق خواهند شد، اما رهبران در سال ۲۰۲۶ باید بر استقرار عوامل عمیق به صورت فردی تمرکز داشته باشند و فعلاً از سرمایه‌گذاری‌های سنگین در گروه‌های عامل خودهماهنگ خودداری کنند.

یکی از نشانه‌های بلوغ اکوسیستم، کمک مالی اخیر شرکت «آنتروپیک»(Anthropic) به بنیاد هوش مصنوعی «ایجنتیک»(Agentic) برای پروتکل MCP جهت اتصال عوامل هوش مصنوعی به تجهیزات و سیستم‌های بیرونی بود.

آزمایشگاه تحقیقاتی «کاگنیشن»(Cognition) در مقاله‌ای که در سال ۲۰۲۵ به چاپ رسید، هشدار داد: «عوامل چندگانه نسازید». اکنون می‌توانیم اضافه ‌کنیم: «فعلا عوامل چندگانه نسازید».

۳۰ درصد از مدیران در سال ۲۰۲۵ گزارش دادند که انتظار دارند به دلیل وجود هوش مصنوعی، استخدام کمتری را در سه سال آینده داشته باشند.۵. هوش مصنوعی هیچ تاثیری بر اندازه نیروی کار نخواهد داشت.

با ورود نمایندگان فروش، اوضاع به آرامی در حال تغییر یافتن است. ۳۰ درصد از مدیران در سال ۲۰۲۵ گزارش دادند که انتظار دارند به دلیل وجود هوش مصنوعی، استخدام کمتری را در سه سال آینده داشته باشند. رهبرانی که برنامه‌های بلندپروازانه هوش مصنوعی را دنبال می‌کنند، در سال ۲۰۲۶ دیگر نمی‌توانند از این موضوع طفره بروند.

۶. محاسبات کوانتومی همیشه چیزی برای دهه آینده خواهد بود.

جدول زمانی برای دستیابی به مزیت کوانتومی واقعی، از تغییر بیشتر باز ایستاده است. نقشه‌های راه اکنون حول محور ساخت رایانه‌های کوانتومی در مقیاس بزرگ و مقاوم در برابر خطا تا سال ۲۰۳۰ تثبیت شده‌اند و ۲۰۲۵ پیشرفت‌های تدریجی اما اساسی وعده‌داده‌شده را محقق کرد. شرکت «آی‌بی‌ام»(IBM) به نوبه خود اولین مورد استفاده در دنیای واقعی که مزیت کوانتومی را برای سال ۲۰۲۶ نشان می‌دهد، اعلام کرد.

رهبران دیگر نمی‌توانند فناوری‌های کوانتومی را نادیده بگیرند. آنها باید شناسایی فرصت‌ها را در صنعت خود آغاز کنند و آزمایش‌هایی را آماده کنند.

۷. همه شرکت‌ها در زمینه امنیت سایبری کارهای زیادی انجام داده‌اند.

شرکت‌ها در واقع به این موضوع پرداخته‌اند، اما وقتی کمیته‌های اجرایی درباره اولویت‌بندی موارد به طوفان فکری می‌پردازند، امنیت سایبری به اندازه کافی مورد تأکید قرار نمی‌گیرد.

پژوهش اخیر شرکت مشاور مدیریت «گروه مشاوره بوستون»(BCG) نشان داد در سال ۲۰۲۵ حدود ۶۰ درصد از شرکت‌ها حداقل یک حمله مبتنی بر هوش مصنوعی را تجربه کرده‌اند.

همان طور که مهاجمان خود را به هوش مصنوعی مجهز می‌کنند، مدافعان نیز باید همین کار را انجام دهند. خودکارسازی دفاع سایبری در حوزه امنیت سایبری فردا ضروری خواهد بود.

پیشرفت‌های واقعی از سیستم‌هایی به دست می‌آیند که از قدرت محاسباتی روبه‌رشد برای درک بهتر جهان بهره می‌برند.۸. هوش مصنوعی جامع

در سال ۲۰۲۴ «ایلان ماسک»(Elon Musk) ادعا کرد که هوش مصنوعی تا سال ۲۰۲۶ از هوش انسانی پیشی خواهد گرفت. این پیش‌بینی‌ امروزه بعید به نظر می‌رسد.

بین «سم آلتمن»(Sam Altman) که متقاعد شده است می‌داند چگونه هوش مصنوعی جامع بسازد و «یان لی‌کان»(Yann LeCun) دانشمند فرانسوی علوم رایانه که معتقد است ما هنوز از هوش یک گربه فاصله داریم، پیش‌بینی این که کدام دیدگاه غالب خواهد شد، دشوار است.

مقاله «درس تلخ» نوشته «ریچ ساتون»(Rich Sutton) یکی از بنیان‌گذاران یادگیری تقویتی در سال ۲۰۱۹ به ما یادآوری می‌کند که پیشرفت‌های واقعی به ندرت از تزریق دانش انسانی به مدل‌ها حاصل می‌شوند. آنها از سیستم‌هایی به دست می‌آیند که از قدرت محاسباتی روبه‌رشد برای درک بهتر جهان بهره می‌برند. فراتر از داده‌های گردآوری‌شده توسط انسان، آینده هوش مصنوعی به سمت سیستم‌هایی است که از طریق شیوه‌های ادراک خود درباره جهان یاد می‌گیرند.

منبع : ایسنا