مدیرعامل انتروپیک: رباتیک با کمک هوش مصنوعی به صنعتی چند تریلیون دلاری تبدیل میشود
مدیرعامل انتروپیک: رباتیک با کمک هوش مصنوعی به صنعتی چند تریلیون دلاری تبدیل میشود
مدیرعامل شرکت آنتروپیک میگوید رباتهای هوش مصنوعی میتواند به صنعتی چند تریلیون دلاری تبدیل شود؛ چرا که مدلها یاد میگیرند در دنیای واقعی تعمیم پیدا کنند.
داریو آمودی باور دارد که رباتیک جایی است که هوش مصنوعی شروع به لمس اقتصاد فیزیکی ۵۰ تریلیون دلاری در حوزههای تولید، لجستیک، کشاورزی، ساخت و ساز و مراقبتهای بهداشتی میکند.
آمودی در یک پادکست در مورد فرضیهی مقیاسبندی در سیستم فعلی یادگیری ماشینی و چگونگی گسترش هوش مصنوعی در سراسر اقتصاد، گفتوگو کرد
به گفتهی آمودی: «میزان زیرساختهای محاسباتی که امسال در حال ساخت است، احتمالاً ۱۰ تا ۱۵ گیگاوات خواهد بود و با فرض رشد سالانهی ۳ برابری، سال آینده به ۳۰ تا ۴۰ گیگاوات خواهد رسید. هر گیگاوات شاید ۱۰ میلیارد دلار هزینه داشته باشد، چیزی حدود ۱۰ تا ۱۵ میلیارد دلار در سال.»
«اگر همهی اینها را کنار هم بگذارید، تا سال ۲۰۲۸ یا ۲۰۲۹، سالانه چندین تریلیون دلار دریافت خواهید کرد. دقیقاً همان چیزی را دریافت خواهید کرد که پیشبینی میکنید.»
آمودی در صحبتهایش اشاره کرد که سودآوری در حوزهی رباتهای هوش مصنوعی چیز عجیبی است: «فکر نمیکنم در این حوزه، سودآوری در واقع معیاری برای کاهش هزینهها در مقابل سرمایهگذاری در کسبوکار باشد. فکر میکنم سودآوری زمانی اتفاق میافتد که میزان تقاضایی که قرار است دریافت کنید را دستکم بگیرید و ضرر زمانی اتفاق میافتد که میزان تقاضایی که دریافت میکنید را بیش از حد تخمین بزنید، چون دیتاسنترها را از قبل خریداری میکنید.»
او در مورد شیوهی فعالیت و سرمایهگذاری در هوش مصنوعی گفت: «فرض کنید نیمی از زیرساختهای محاسباتی شما برای آموزش و نیمی دیگر برای استنتاج است. استنتاج حاشیهی سود ناخالصی بیش از ۵۰ درصد دارد. یعنی اگر در حالت پایدار بودید، یک دیتاسنتر میساختید و اگر دقیقاً میدانستید چه تقاضایی دریافت میکنید، مقدار مشخصی درآمد کسب میکردید.»
آمودی میگوید مدل سودآوری در صنعت رباتهای هوش مصنوعی با شکل کلاسیک آن تفاوت دارد: «اینطور که نیست که شما بهطور مداوم سرمایهگذاری کنید، بزرگتر شوید و سپس به سودآوری برسید. من فکر نمیکنم اقتصاد این صنعت اینگونه کار کند.»
آمودی میگوید روند یادگیری هوش مصنوعی لزوماً به شیوهی یادگیری انسان وابسته نیست و میتواند از مسیرهای مختلف رخ دهد. برای نمونه، میتوان مدلی را با تعداد زیادی بازی ویدیویی (که شبیه کنترل ربات هستند) یا در محیطهای شبیهسازیشدهی رباتیک آموزش داد، یا حتی آن را برای کار با صفحهنمایش کامپیوتر تمرین داد تا به توانایی تعمیم برسد.
به گفتهی او، وقوع چنین قابلیتی حتمی است اما الزاماً به «یادگیری شبیه انسان» وابسته نیست؛ بلکه فقط یکی از مسیرهای ممکن بهشمار میرود. شاید مدل در مواجهه با رباتی ناآشنا، با آزمونوخطا روش استفاده را بیاموزد؛ اتفاقی که میتواند نتیجهی کشف یادگیری مداوم باشد.
از سوی دیگر، همین توانایی شاید بهدلیل آموزش در محیطهای متنوع و تعمیم تجربهها شکل بگیرد، یا حتی از طریق استفادهی بهتر از طول کانتکست بهدست آید. در نهایت، تفاوتی ندارد کدام مسیر طی شود؛ چنین قابلیتی از راههای مختلف قابل دستیابی خواهد بود.
