آداپتیون لبز: شرکتی که به جای «بزرگتر کردن» مدلها، روی یادگیری پیوسته و سازگار تمرکز میکند
آداپتیون لبز (Adaption Labs)، استارتاپ جدید سارا هوکر—معاون پیشین پژوهش هوش مصنوعی در Cohere و از اعضای سابق Google Brain—با هدفی روشن وارد عرصه رقابتهای بزرگ هوش مصنوعی شده: نشان دادن اینکه افزایش صرفِ اندازه و توان محاسباتی مدلهای زبان بزرگ (LLM) دیگر تنها مسیر پیشرفت نیست و راهحلهای کارآمدتر مبتنی بر یادگیری از تجربه میتواند تغییر پارادایم ایجاد کند.
چرا این خبر اهمیت دارد؟
دوران «مقیاسزدگی» (scaling) سبب ساخت مراکز دادهای به وسعت یک شهر کوچک و هزینههای میلیارد دلاری برای شرکتها شده است. فرض اصلی این است که با افزودن بیشتر توان محاسباتی به روشهای فعلی آموزش، نهایتاً سیستمهایی با هوش فوقالعاده حاصل خواهد شد. اما روزبهروز صداهای بیشتری از میان محققان هوش مصنوعی مطرح میشود که نشان میدهد این مسیر ممکن است به نقطه بازگشت نزولی رسیده باشد و نیاز به ایدههای نوین وجود دارد.
چشمانداز آداپتیون لبز
سارا هوکر و همبنیانگذار همکارش سودیپ روی، ادعا میکنند آداپتیون لبز در پی ساخت سیستمهایی است که قادر به «یادگیری و سازگاری پیوسته» از تجربیات دنیای واقعی باشند و این کار را با هزینه و مصرف منابع بسیار کمتر انجام دهند. به بیان سادهتر، بهجای اینکه مدلها “همیشه یکسان” به همه سرویسدهی کنند و برای هر مشتری نیاز به فاینتیون پرهزینه باشد، این سیستمها میتوانند در محیط واقعی بیاموزند و خود را اصلاح کنند.
چالش فعلی: یادگیری تقویتی و محدودیتها
ایده یادگیری از تجربه شبیه رفتار روزمره انسانهاست: مثلاً وقتی پایتان به میز میخورد، یاد میگیرید دفعه بعد احتیاط بیشتری کنید. برخی تلاشها برای شبیهسازی این مکانیزم در هوش مصنوعی از طریق یادگیری تقویتی (RL) انجام شده، اما روشهای فعلی RL در محیطهای کنترلشده عملکردی دارند و اغلب در تولید (سیستمهای در حال خدمترسانی به مشتریان) توانایی یادگیری بلادرنگ از خطاها را ندارند. به همین دلیل مدلها در عمل «دوباره پایشان به میز میخورد».
هزینه و تمرکز نیروهای بزرگ
راهحلهای سفارشیسازی مدلها برای سازمانها معمولاً پرهزینه است؛ بر اساس گزارشها، OpenAI برای مشاوره فاینتیون از مشتریان مبالغ بسیار بالا طلب میکند. همین تمرکز هزینه و قدرت در اختیار چند آزمایشگاه پیشرفته، نگرانیهایی درباره تمرکززدایی کنترل و دسترسی به فناوری ایجاد کرده است؛ هوکر معتقد است نشان دادن کارآیی یادگیری از محیط میتواند این توازن را تغییر دهد و دسترسی را دموکراتیکتر کند.
نشانههایی از تردید نسبت به مقیاسگذاری صرف
اخیراً پژوهشی از MIT نشان داده که مدلهای بزرگ ممکن است در آینده نزدیک بازدهی کاهشی نشان دهند. در عرصه عمومی نیز چهرههایی چون ریچارد ساتن (پدر RL) و آندری کارپاتی نسبت به ظرفیتهای بلندمدت مقیاسگذاری صرف و حتی نقش RL در بهبود مدلها ابراز تردید کردهاند. در عین حال، پیشرفتهایی در «مدلهای استدلالی» که زمان و محاسبات اضافی را برای حل مسئله صرف میکنند، نشان داده که مسیرهای دیگری برای رشد عملکرد وجود دارد—اما اغلب این رویکردها نیز پرهزینهاند (نمونهای از مطالعهای که بیش از 4 میلیون دلار هزینه داشته است).
چگونه آداپتیون لبز میخواهد متفاوت عمل کند؟
آداپتیون لبز میکوشد راهحلی بیابد که یادگیری از تجربه واقعی را نه تنها مؤثرتر بلکه بسیار کمهزینهتر کند. اگر این ایده محقق شود، میتواند تغییرات زیر را به همراه داشته باشد:
– کاهش نیاز به مراکز داده عظیم و هزینههای میلیاردی
– امکان سفارشیسازی آسانتر و ارزانتر برای کسبوکارها
– توزیع گستردهتر و دموکراتیزه شدن کنترل فناوری هوش مصنوعی
وضعیت مالی و تیم
طبق گزارش سرمایهگذاران، آداپتیون لبز در فصل پاییز مذاکراتی برای جذب سرمایه بذری بین 20 تا 40 میلیون دلار داشته و احتمالاً این دور بسته شده است، هرچند مبلغ نهایی رسماً اعلام نشده است. هوکر پیش از این در Cohere روی مدلهای کوچکتر برای کاربردهای سازمانی کار کرده و معتقد است سیستمهای جمعوجور در برخی حوزهها از نمونههای بزرگتر بهتر عمل میکنند. او همچنین سابقه جذب استعدادهای منطقهای و گسترش دسترسی به پژوهش را دارد و میگوید قصد استخدام جهانی دارد؛ دفتر سانفراسیسکو نیز به زودی افتتاح میشود.
پیامدهای احتمالی برای صنعت
اگر آداپتیون لبز موفق شود نشان دهد که «یادگیری از تجربه» میتواند جایگزین یا مکمل مؤثری برای مقیاسپذیری صرف باشد، پیامدها گسترده خواهند بود: از تغییر در الویتهای تحقیق و توسعه شرکتهای بزرگ تا بازتعریف ارزشگذاری سرمایهگذاریها در زیرساختهای محاسباتی و تغییر قدرت نزد شرکتهایی که میتوانند مدلها را سریع و ارزانتر سازگار کنند.
جمعبندی
آداپتیون لبز نمایانگر موجی از تردید و جستجوی مسیرهای جدید در توسعه هوش مصنوعی است؛ حرکتی به سوی مدلهایی که نه تنها بزرگتر، بلکه «هوشمندتر در یادگیری از تجربه» باشند. زمان نشان خواهد داد آیا این رویکرد میتواند همان «نقطه عطف» باشد که بسیاری در جستجوی آناند یا صرفاً یکی از چند مسیر موازی در تحول فناوری هوش مصنوعی.