ریچ ساتون برای متحول کردن عامل‌های هوش مصنوعی خودمختار، Oak Lab را راه‌اندازی کرد

ریچارد ساتون، برنده جایزه تورینگ، با راه‌اندازی Oak Lab، یک استارتاپ مستقر در تورنتو با هدف بازتعریف هوش مصنوعی، رسماً وارد عرصه استارتاپ‌ها شده است. این شرکت با فراتر رفتن از محدودیت‌های مدل‌های مولد امروزی، به دنبال ساخت عامل‌های خودمختاری است که از طریق یادگیری مداوم و در لحظه (real-time)، قادر به کشف واقعی باشند.

فراتر رفتن از تقلید مولد

ریچارد ساتون، پیشگام یادگیری تقویتی مدرن و پژوهشگر سابق در Keen Technologies، معتقد است مسیر فعلی هوش مصنوعی اساساً دارای نقص است. در حالی که صنعت در حال حاضر شیفته مدل‌های زبانی بزرگ (LLMs) است، ساتون استدلال می‌کند که این روش‌های یادگیری عمیق «ضعیف و ناکارآمد» هستند.

به گفته ساتون، هوش مصنوعی مولد فعلی در تقلید مهارت دارد اما در خودارزیابی شکست می‌خورد. از آنجایی که این مدل‌ها نمی‌توانند خروجی‌های خود را به طور انتقادی ارزیابی کنند، ذاتاً از کشف واقعی یا پیشرفت علمی ناتوان هستند. مأموریت Oak Lab عبور از عصر «آموزش ایستا» (static training) است؛ عصری که در آن مدل‌ها با مجموعه‌داده‌های عظیم تغذیه شده و سپس ثابت (frozen) می‌شوند؛ و حرکت به سوی آینده‌ای از هوش پویا و در حال تکامل.

هدف: یادگیری در لحظه و مدل‌های جهان

ساتون با همکاری خرم جاوید، Oak Lab را برای دنبال کردن چشم‌اندازی مبتنی بر یادگیری تقویتی پیشرفته آماده می‌کند. Oak Lab به جای تکیه بر داده‌های از پیش آماده‌شده، قصد دارد عامل‌هایی را توسعه دهد که به طور مداوم از محیط خود یاد می‌گیرند.

نقشه راه فنی بر چندین رکن حیاتی تمرکز دارد:

• مدل‌های جهان داخلی (Internal World Models): ساخت عامل‌هایی که فقط توکن بعدی را پیش‌بینی نمی‌کنند، بلکه مکانیسم‌های زیربنایی محیط اطراف خود را درک می‌کنند.
• خودارزیابی خودمختار (Autonomous Evaluation): توسعه سیستم‌هایی که می‌توانند فرآیندهای تغییر، ارزیابی و انتخاب خود را بدون دخالت انسان مدیریت کنند.
• برنامه‌ریزی در لحظه (Real-Time Planning): گذار از تطبیق الگوی واکنشی به برنامه‌ریزی فعال و هدف‌محور.

ساتون یک معیار بلندپروازانه و بلندمدت برای این آزمایشگاه تعیین کرده است: ساخت یک عامل با یک تریلیون پارامتر که قادر به یادگیری و برنامه‌ریزی در لحظه باشد و در عین حال تنها ۲۰ وات انرژی مصرف کند. این هدف به یکی از بزرگترین گلوگاه‌های هوش مصنوعی مدرن پاسخ می‌دهد: نیاز شدید به انرژی در خوشه‌های محاسباتی عظیم.

چرا این موضوع برای چشم‌انداز هوش مصنوعی اهمیت دارد

تأسیس Oak Lab نشان‌دهنده یک تغییر پارادایم بالقوه در صنعت هوش مصنوعی است. در حالی که بیشتر بازار فعلی بر مقیاس‌پذیری معماری‌های transformer و افزایش اندازه مجموعه‌داده‌ها تمرکز کرده است، ساتون خواستار «بازنگری کامل» در ایده‌های بنیادین پیش‌برنده این حوزه است.

اگر Oak Lab موفق شود، صنعت می‌تواند از روش «قدرت مطلق» (brute force) در مقیاس‌بندی داده‌ها فاصله گرفته و به سمت معماری‌های ظریف‌تر و کارآمدتری حرکت کند که از هوش بیولوژیکی تقلید می‌کنند. ساتون با اولویت دادن به یادگیری تقویتی و تعامل با محیط، شرط می‌بندد که مسیر رسیدن به هوش مصنوعی عمومی (AGI) در تجربه و خودمختاری نهفته است، نه صرفاً در تقلید در مقیاس‌های بزرگ‌تر.

نکات کلیدی

• رویکرد فلسفی جدید: هدف Oak Lab جایگزینی روش‌های فعلی یادگیری عمیق «ضعیف» با عامل‌هایی است که به جای مجموعه‌داده‌های ایستا، از طریق تعامل مداوم با محیط یاد می‌گیرند.
• جاه‌طلبی در کارایی: این استارتاپ به دنبال دستیابی به تحولی در کارایی محاسباتی است و مدلی با یک تریلیون پارامتر را هدف قرار داده که تنها با ۲۰ وات توان کار می‌کند.
• تمرکز بر کشف: برخلاف هوش مصنوعی مولد که بر تقلید تمرکز دارد، Oak Lab در حال ساخت عامل‌هایی است که قادر به خودارزیابی و برنامه‌ریزی خودمختار در لحظه هستند.