عنوان: مدیرعامل AMI Labs: از «AGI» و «ابرهوش» اجتناب میکنیم — تمرکز روی مدلهای جهانی و کاربرد در دنیای واقعی
الکسندر لِبرَن، مدیرعامل استارتاپ مدل جهانی یَن لوکان، AMI Labs، در مصاحبهای با TechCrunch اعلام کرد شرکتش از اصطلاحاتی مانند «AGI» یا «ابرهوش» استفاده نمیکند و ترجیح میدهد بهجای برچسبگذاریهای کلی، روی توسعه مدلهای جهانی (world models) متمرکز شود. این شرکت که هنوز محصول تجاری عرضه نکرده، با سرمایهگذاری 1.03 میلیارد دلار و ارزشگذاری پیش از جذب سرمایه 3.5 میلیارد دلار، در حال جذب شراکتهای صنعتی بهویژه در حوزه رباتیک، تولید و الکترونیک است.
آنچه مدلهای جهانی را متمایز میکند
مدلهای جهانی بهدنبال پیشبینی «وضعیت بعدی جهان» با درک قوانین فیزیکی و تعاملات محیطی هستند، درحالیکه مدلهای زبانی بزرگ (LLM) صرفاً به پیشبینی کلمه بعدی یا پردازش زبان طبیعی میپردازند. لِبرَن توضیح میدهد که اگر لیوانی را کنار لبه میز هل دهید، مدل جهانی باید بتواند پیشبینی کند لیوان خواهد چرخید و محتویاتش میریزد — این همان شهود فیزیکی است که برای استفاده امن و مؤثر در رباتها ضروری است. او تأکید میکند که مدلهای جهانی و LLMها مکمل یکدیگرند و یکی جایگزین دیگری نیست.
کاربردهای عملی و چالشهای امنیتی
لِبرَن اعتقاد دارد بزرگترین تاثیر مدلهای جهانی در رباتیک خواهد بود. امروزه بسیاری از رباتها تنها اجراکننده روتینهای ثابت هستند و «در دنیای فیزیکی بسیار نادان» عمل میکنند. افزودن درک موقعیتی و زمینهای به رباتها میتواند تفاوت چشمگیری در ایمنی و کارایی آنها ایجاد کند؛ مثالی که او مطرح کرد، نزدیک شدن یک ربات سرگرمکننده به کودک در یک رویداد عمومی است — در غیاب درک محیطی، خطرات فیزیکی واقعی وجود دارد. بنابراین، برای حل مسأله ایمنی و کار در محیطهای باز و متنوع، دسترسی به دادهها و تجربههای دنیای واقعی ضروری است.
چرایی گرایش به کره جنوبی و آسیا
لِبرَن در جریان حضور در سیول برای کنفرانس بینالمللی یادگیری ماشین (ICML) گفت که آسیا و بهویژه کره جنوبی بهخاطر ترکیب دو مزیت برای AMI Labs جذاب است: پایگاه صنعتی قوی در رباتیک، نیمهرساناها و تولید، و سرعت بالای پذیرش فناوریهای جدید. او اشاره کرد که کره نهتنها در سختافزار پیشرفته است، بلکه سیاستها و سرمایهگذاریهای دولتی نیز روند توسعه AI فیزیکی را تسریع میکند. به گفته یکی از حامیان آسیایی شرکت، توسعه مدلهای محلی و حمایتهای مالی دولت، زمینه مناسبی برای پیشروی در حوزههای «هوش مصنوعی فیزیکی» فراهم کرده است.
نیاز به محیطهای واقعی و شراکت نزدیک
لِبرَن تأکید میکند که ساخت مدل جهانی در آزمایشگاه بهتنهایی کافی نیست؛ AMI Labs برای آموزش و اعتبارسنجی به دسترسی به محیطهای واقعی و همکاری نزدیک با شرکای صنعتی نیاز دارد. به همین دلیل جستجوی شراکت با شرکتهای رباتیک، کارخانهها و تولیدکنندگان سختافزار در صدر اولویتهای تیم قرار دارد.
نمونهٔ حوزههایی که از مدلهای جهانی بهرهمند میشوند
– رباتیک خانگی و خدماتی: حرکت امن در محیطهای باز و متغیر خانه و خیابان
– صنعت تولید و مونتاژ: انعطافپذیری در خطوط تولید و تعامل با محیط واقعی
– سلامت: ترکیب تجربه بالینی واقعی با پردازش زبان میتواند فراتر از کاربردهای فعلی LLMها در پزشکی باشد؛ لِبرَن این مقایسه را به «پزشکی که فقط از کتابها یاد گرفته و رزیدنتی ندارد» تشبیه میکند، یعنی بخش بزرگی از دانش عملی در محیط واقعی کسب میشود.
وضعیت فعلی AMI Labs و چشمانداز زمانی
با وجود جذب سرمایه هنگفت و پشتوانه یَن لوکان، AMI Labs هنوز محصولی برای عرضه ندارد و زمانبندی رسمیای اعلام نکرده است. لِبرَن در پاسخ به زمانبندی گفت که شرکت زمانی محصول را معرفی خواهد کرد که «آمادهی غافلگیر کردن» باشد. تا آن زمان تمرکز شرکت بر ساخت شراکتهای کلیدی و دسترسی به دادههای دنیای واقعی باقی خواهد ماند.
جمعبندی
دیدگاه AMI Labs و تیمش نشان میدهد که در موج بعدی توسعه هوش مصنوعی، تمرکز بر درک فیزیکی و تعامل با محیط واقعی میتواند مکمل قدرت مدلهای زبانی باشد. چالشی که پیشروی این رویکرد است، فراهم کردن دادهها و محیطهای واقعی برای آموزش و تضمین ایمنی رباتها در محیطهای متنوع است — چالشی که به همکاری نزدیک بین توسعهدهندگان مدل، تولیدکنندگان سختافزار و نهادهای صنعتی نیاز دارد.