بحث درباره امکان دستیابی مدل‌های زبانی به هوش عمومی مصنوعی (Artificial General Intelligence یا AGI) یکی از موضوعات داغ در حوزه هوش مصنوعی است. برخی پژوهشگران معتقدند که از آنجا که زبان نقش محوری در هوش انسانی ایفا می‌کند، مدل‌های زبانی پیشرفته با بهره‌گیری از پیشرفت‌هایی مانند یادگیری علّی، تعامل با دنیای واقعی، و یکپارچه‌سازی وظایف مختلف، ممکن است روزی به AGI دست یابند. با این حال، گروهی دیگر از محققان بر این باورند که مدل‌های زبانی کنونی صرفاً به پیش‌بینی الگوهای متنی محدود هستند و فاقد ویژگی‌های کلیدی مانند درک واقعی، خودآگاهی، یا توانایی یادگیری مستقل‌اند. شواهد موجود نشان می‌دهد که با وجود پیشرفت‌های چشمگیر، فاصله زیادی تا دستیابی به AGI وجود دارد و احتمالاً نیاز به رویکردهای نوین و تکمیلی در این مسیر است. هنوز هیچ پاسخ قطعی برای این پرسش وجود ندارد و تحقیقات در این زمینه باید ادامه یابد.
مدل‌های End-to-End و شتاب‌گیری به سوی AGI
مدل‌های End-to-End، که وظایفی مانند پردازش زبان، استدلال، و تصمیم‌گیری را به‌صورت یکپارچه انجام می‌دهند، در سال‌های اخیر پیشرفت‌های قابل‌توجهی از خود نشان داده‌اند. به‌عنوان مثال، مدل o3 توسعه‌یافته توسط OpenAI در بنچمارک ARC-AGI به امتیاز 87.5% دست یافته است که بسیار نزدیک به عملکرد انسانی در این آزمون است. این دستاوردها نشان‌دهنده توانایی بالای این مدل‌ها در حل مسائل پیچیده است. با این حال، بسیاری از پژوهشگران معتقدند که این موفقیت‌ها عمدتاً نتیجه تکیه بر الگوهای موجود در داده‌های آموزشی است و این مدل‌ها فاقد استدلال واقعی و عمیقی هستند که برای رسیدن به AGI ضروری است. به همین دلیل، برخی کارشناسان بر این باورند که برای دستیابی به AGI، باید به سراغ رویکردهای نوظهوری رفت که فراتر از پردازش داده‌های متنی عمل کنند.
تغییر رابطه انسان با خروجی‌های هوش مصنوعی
یکی از تحولات مهم در حوزه هوش مصنوعی، حرکت به سمت کشف علّی (Causal Discovery) است که به‌ویژه در زمینه‌هایی مانند پزشکی و سیاست‌گذاری اهمیت فزاینده‌ای پیدا کرده است. در این رویکرد، سیستم‌های هوش مصنوعی نه‌تنها به پیش‌بینی نتایج می‌پردازند، بلکه تلاش می‌کنند تا دلایل و روابط علّی پشت این نتایج را درک کنند. این قابلیت می‌تواند به بهبود تصمیم‌گیری‌ها و ارائه راه‌حل‌های دقیق‌تر کمک کند. با این حال، اکثر سیستم‌های کنونی همچنان بر پیش‌بینی متمرکز هستند و گذار کامل به رویکردهای علّی هنوز محقق نشده است.
نتیجه‌گیری
در حالی که مدل‌های زبانی پیشرفت‌های چشمگیری در پردازش زبان و حل مسائل پیچیده داشته‌اند، همچنان موانع متعددی بر سر راه دستیابی به AGI وجود دارد. محدودیت‌هایی مانند نبود استدلال واقعی، وابستگی به داده‌های آموزشی، و فقدان خودآگاهی نشان می‌دهد که برای رسیدن به هوش عمومی مصنوعی، باید رویکردهای جدیدی توسعه یابند. در عین حال، حرکت به سمت کشف علّی نویدبخش تحولاتی در نحوه تعامل انسان با هوش مصنوعی است. آینده این حوزه به ادامه تحقیقات و نوآوری‌های بین‌رشته‌ای وابسته است تا بتوانیم به پرسش‌های بنیادین درباره AGI پاسخ دهیم و از پتانسیل‌های آن به بهترین شکل بهره‌مند شویم.