في السنوات الأخيرة ، الذكاء الاصطناعي التوليدي (Gen AI) كان هدفًا لتوقعات ووعود مبالغ فيها بثورة صناعية تُغير العالم. منذ إطلاق ChatGPT، انتشرت على نطاق واسع فكرة أن الذكاء الاصطناعي سيُحدث تغييرات هائلة، بما في ذلك فقدان 300 مليون وظيفة. ومع ذلك، بعد 18 شهرًا من ذروة الضجة، ثبت أن الواقع مختلف.
دورة ضجيج الذكاء الاصطناعي
كما هو الحال مع العديد من التقنيات الجديدة، اتبع الذكاء الاصطناعي التوليدي مسارًا معروفًا يُسمى دورة غارتنر الضجيجية. يصف هذا النموذج عملية متكررة يؤدي فيها النجاح الأولي لتقنية ما إلى توقعات عامة مبالغ فيها، والتي لا تتحقق في النهاية. بعد "ذروة التوقعات المبالغ فيها"، يأتي "قاع خيبة الأمل"، يليه "منحدر من الوعي"، وأخيرًا "هضبة الإنتاجية".
أشار تقريرٌ لشركة جارتنر، نُشر في يونيو 2024، إلى أن معظم تقنيات الذكاء الاصطناعي التوليدية لا تزال عند ذروة التوقعات المبالغ فيها أو قريبة منها. وكان التطبيق العملي لهذه التقنيات أقل نجاحًا، حيث فشلت 80% من مشاريع الذكاء الاصطناعي، وفقًا لدراسة أجرتها مؤسسة راند، وهي نسبة تزيد عن ضعف نسبة فشل المشاريع غير المرتبطة بالذكاء الاصطناعي.
القيود الحالية للذكاء الاصطناعي التوليدي
تواجه تقنيات الذكاء الاصطناعي التوليدي تحديات عديدة، بدءًا من الاستثمار الكبير اللازم في البيانات والبنية التحتية للذكاء الاصطناعي، وصولًا إلى ندرة الكفاءات البشرية المؤهلة. ومع ذلك، تُشكل القيود غير الاعتيادية التي تواجهها تقنيات الذكاء الاصطناعي التوليدي تحديًا بالغ الأهمية.
على سبيل المثال، تستطيع أنظمة الذكاء الاصطناعي التوليدي حل اختبارات جامعية معقدة، لكنها تفشل في مهام بسيطة، كما يتضح من فشل ماكدونالدز في أتمتة طلبات السيارات. هذا التناقض يُولّد ثقة زائفة لدى المستخدمين، الذين ينتهي بهم الأمر باستخدام النماذج في مواقف غير مناسبة.
تُظهر تجارب المشاريع الناجحة صعوبةَ اتباع نموذجٍ توليديٍّ للتعليمات بدقة. ويُعدّ Khanmigo، نظام التدريس الخاص بأكاديمية خان، مثالًا على ذلك، إذ يكشف عن الإجابات الصحيحة حتى عند توجيهه بعكس ذلك.
لماذا لم تنتهي الضجة بعد؟
على الرغم من التحديات، تشهد تقنية الذكاء الاصطناعي التوليدي تطورًا سريعًا، مدفوعًا في المقام الأول بتزايد حجم ونطاق النماذج. تُظهر الأبحاث أن عدد المعلمات، وكمية البيانات، وقوة الحوسبة المستخدمة في التدريب، كلها عوامل تُسهم في أداء النموذج، بينما يكون تأثير بنية الشبكة العصبية ضئيلًا.
تُظهر نماذج اللغة الكبيرة أيضًا قدرات ناشئة غير متوقعة، مثل الاستدلال بالقياس وإعادة إنتاج الأوهام البصرية، والتي تظهر عندما تصل النماذج إلى حجم حرج. أسباب هذه التطورات محل خلاف، ولكن هناك إجماع على أن النماذج تزداد تعقيدًا.
تواصل شركات الذكاء الاصطناعي العمل على نماذج أكبر وأكثر تكلفة، بينما تعتمد شركات مثل مايكروسوفت وآبل على عوائد استثماراتها الحالية. وتشير التقديرات إلى أن الذكاء الاصطناعي المُولِّد سيحتاج إلى تحقيق إيرادات سنوية قدرها 600 مليار دولار لتبرير الاستثمارات الحالية، وقد يصل إلى تريليون دولار في السنوات القادمة.
ماذا بعد؟
مع انحسار الضجة حول الذكاء الاصطناعي ودخولنا مرحلة الإحباط، نشهد استراتيجيات تبني أكثر واقعية. تستخدم الشركات الذكاء الاصطناعي لدعم البشر، بدلًا من استبدالهم. أظهر استطلاع حديث أن الشركات الأمريكية تستخدم الذكاء الاصطناعي بشكل رئيسي لتحسين الكفاءة (49%)، وخفض تكاليف العمالة (47%)، وتحسين جودة المنتجات (58%).
شهدنا أيضًا زيادةً في نماذج الذكاء الاصطناعي التوليدي الأصغر حجمًا والأقل تكلفةً، المُدرَّبة على بيانات مُحددة، والمُطبَّقة محليًا لخفض التكاليف وتحسين الكفاءة. على سبيل المثال، أصدرت OpenAI نموذج GPT-4o Mini لخفض التكاليف وتحسين الأداء.
علاوةً على ذلك، يتزايد التركيز على محو أمية الذكاء الاصطناعي وتثقيف القوى العاملة حول آلية عمله، وقدراته وحدوده، وأفضل الممارسات لاستخدامه الأخلاقي. وسيتعين علينا أن نتعلم ونعيد تعلم كيفية استخدام تقنيات الذكاء الاصطناعي المختلفة في السنوات القادمة.
في النهاية، من المرجح أن تكون ثورة الذكاء الاصطناعي تطورًا تدريجيًا، ينمو تدريجيًا مع مرور الوقت، ويُغير ويُحوّل الأنشطة البشرية تدريجيًا. وهو ما يُمكن القول إنه أفضل بكثير من استبدالها.
