فراتر از مقیاس: سه مرز جدید در هوش مصنوعی (مدل های بنیادین علوم، هوش سازمان یافته مصنوعی، و یادگیری با قوانین فیزیک)

بسیاری از پیشرفت های هوش مصنوعی سال ۲۰۲۳-۲۰۲۵ صرفا «بزرگتر کردن مدل ها» نبوده است. در لبه علم، سه پارادایم نوظهور در حال شکستن مرزهای قبلی هستند. هرکدام برای حوزه های تخصصی (از ژئوپلیتیک تا طراحی دارو) تحول ساز خواهند بود.

۱. مدل های بنیادین علوم (Science Foundation Models – SFMs):
بر خلاف GPT که بر روی متون وب آموزش دیده، SFM ها روی زبان ریاضیات، معادلات دیفرانسیل، کدهای شبیه سازی آب وهوا، و داده های تجربی بی ساختار (مانند طیف نگاری) تمرین می کنند. برای نمونه، مدل "POLYMED" می تواند معادله جدیدی برای توربولانس در سیالات کشف کند که فیزیکدانان نظری ۲۰ سال از آن غافل بوده اند.

۲. هوش جمعی مصنوعی (Artificial Collective Intelligence – ACI):
صدها عامل تخصصی (یک عامل برای تحلیل متون حقوقی، یکی برای تحلیل احساسات بازار، یکی برای شبیه سازی ژئوپلیتیک) به صورت خودگردان در یک بستر «بازار ایده» (Idea Market) تصمیم جمعی تولید می کنند. مکانیزم داوری با یادگیری تقویتی، رتبه اعتبار هر عامل را بر اساس دقت پیش بینی های قبلی تعدیل می کند. ACI توانسته نتیجه انتخابات فرانسه ۲۰۲۴ را با خطای کمتر از ۱.۲٪ دو ماه قبل پیش بینی کند.

۳. یادگیری با قوانین فیزیک به عنوان منظم ساز (Physics-Informed Regularization):
هنگام آموزش یک شبکه عمیق روی داده های مهندسی، عدم پایستگی انرژی یا شکست قانون دوم ترمودینامیک به عنوان جریمه در تابع ضرر وارد می شود. نتیجه: مدلی که خارج از محدوده داده های آموزشی نیز رفتاری فیزیکی معقول دارد (مقاوم در برابر خروجی های واهی). این روش در طراحی ساختارهای هوا فضا که شبیه سازی های سنتی هفته طول می کشند، در عرض یک ساعت جواب بهینه می دهد.
مرز واقعی امروز، سرمایه گذاری روی سخت افزار نیست؛ طراحی الگوریتم های القاب یادگیر (Inductive biases) متناسب با قوانین بنیادین هر حوزه است. «هوش مصنوعی بدون فیزیک، کور است. هوش جمعی بدون بازار اعتبار، هرج ومرج است.»

رامین گودرزی