الذكاء الصنعيّ وصل رسميًا إلى طريق مسدود، والعواقب ستكون كارثية

شهد الذكاء الصنعيّ ضجة كبيرة خلال السنوات الأخيرة، حيث ترددت وعود مبالغ فيها حول قدراته، مثل السيارات التي تقود نفسها بالكامل وتفوقه على البشر قريبًا. ومع أن التطورات كانت سريعة، إلا أن الواقع يشير إلى تباطؤ في العوائد، ما يكشف محدودية النمو الحالي في المجال.

الذكاء الصنعيّ يعتمد أساسًا على خوارزميات التعلم العميق، التي تستعمل الشبكات العصبية لاكتشاف الأنماط داخل البيانات. ومن خلال تدريب مكثف على كميات ضخمة من البيانات، تصبح الأنظمة قادرة على تقديم مخرجات دقيقة. إلا أن فعالية عمليات التدريب بدأت تواجه عوائد متناقصة، حيث يتطلب تحسين الأداء كميات هائلة من البيانات والمزيد من القدرة الحسابية.

مثال بسيط: تدريب نظام على التمييز بين صور الكلاب والقطط يُظهر أن مضاعفة البيانات لا يضاعف التحسن. فبعد نقطة معينة، يتقلص الأثر الإيجابي لإضافة المزيد من الصور، ما يُظهر حدود النهج. فكلما كبرت قاعدة البيانات، زادت صعوبة استخراج أنماط جديدة ذات فائدة.

المشكلة الأخرى تتعلق بالحوسبة. إذ يتطلب تدريب كل نموذج كمية هائلة من الطاقة الحاسوبية، وكل زيادة في البيانات تعني أضعاف الجهد الحسابي. الواقع يفرض حدوداً واضحة أمام تقدم الذكاء الصنعيّ، خاصةً مع التكاليف البيئية والمالية العالية. فعلى سبيل المثال، تدريب نموذج مثل ChatGPT4 استهلك بيانات تزيد بـ571 مرة عن النسخة السابقة، ومع ذلك كانت التحسينات طفيفة، ولا يزال يعاني من مشاكل مثل الهلوسة المعلوماتية.

دراسة من جامعة ماساتشوستس كشفت أن رفع دقة التعرف إلى 95٪ في نماذج الصور قد يكلف 100 مليار دولار، مع انبعاثات كربونية تعادل ما تنتجه مدينة نيويورك شهريًا، بينما الوصول إلى دقة 99٪ يتطلب موارد أكبر بكثير. يجعل حلم السيارات التي تقود نفسها بالكامل غير واقعي بالنهج الحالي.

رغم وجود مقترحات كأجهزة ذكاء صنعيّ أكثر كفاءة وتقنيات كمية وتناظرية جديدة، إلا أنها لا تزال بعيدة عن التطبيق العملي. يعني أن الذكاء الصنعيّ قد يفشل في تلبية التوقعات خلال السنوات المقبلة.