🔌همکاری استراتژیک نوو نوردیسک و آنتروپیک برای تسریع کشف دارو با هوش مصنوعی کلود

شرکت داروسازی دانمارکی نوو نوردیسک (Novo Nordisk)، سازنده داروهای پرفروش اوزمپیک و ویگووی، از توافق همکاری گسترده‌ای با شرکت آنتروپیک برای استقرار مدل‌های Claude در پایپ‌لاین‌های تحقیق و توسعه بیومولکولی خود خبر داد. بر اساس مفاد این قرارداد، مدل‌های استدلالی و ساختاریافته کلود به صورت مستقیم در فرآیندهای غربالگری اهداف درمانی، پیش‌بینی برهم‌کنش‌های پروتئینی و طراحی مولکول‌های دارویی هدفمند ادغام خواهند شد تا چرخه آزمایش‌های پیش‌بالینی تسریع شود.

تمرکز اصلی این مشارکت بر تلفیق داده‌های ژنومی و بیولوژیکی پیچیده با معماری استدلال متنی کلود است تا فرآیند شناسایی اهداف درمانی نوین در حوزه بیماری‌های متابولیک، قلبی-عروقی و اختلالات مزمن تسهیل گردد. استفاده از هوش مصنوعی برای شبیه‌سازی اثرات دارویی در مقیاس وسیع، نیاز به سنتز شیمیایی مکرر در آزمایشگاه‌ها را کاهش داده و زمان انتقال از فرضیه مولکولی به کاندیدای ورود به کارآزمایی بالینی را به میزان محسوسی کوتاه می‌کند.

@ACCELERATIONERS

🔌تمام کردن بازی Fallout 3 توسط GPT-6 Astra👏

آزمایشی جذاب روی مدل GPT-6 Astra نشان داد که این مدل موفق شد خط داستانی بازی نقش‌آفرینی پیچیده Fallout 3 را بدون هیچ‌گونه دخالت انسانی از ابتدا تا مرحله پایانی طی کند. آسترا پس از خروج موفقیت‌آمیز از پناهگاه ۱۰۱ در ساعات نخست، با پیمایش دنیای پساآخرالزمانی، مدیریت منابع، هدف‌گیری در مبارزات و شرکت در دیالوگ‌های پیچیده، مأموریت‌های اصلی را یکی پس از دیگری پشت سر گذاشت؛ از جمله برقراری ارتباط با شخصیت سه‌سگ (Three Dog) در رادیو گلکسی، مذاکره و اقناع شهردار کودک لیتل لمپ‌لایت برای باز کردن دروازه دژ، و نفوذ به اعماق پناهگاه پر از تشعشع و جهش‌یافته ۸۷ برای دستیابی به دستگاه G.E.C.K.

پیشروی در این بازی نیازمند تلفیق هم‌زمان بینایی ماشین realtime برای پایش رابط کاربری و قطب‌نما (HUD)، مدیریت ذخیره مهمات، تعاملات اجتماعی در دیالوگ ها و برنامه‌ریزی است.

این دستاورد نمونه‌ای ملموس از جهش افق زمانی وظایف و ماندگاری استدلال در مدل‌های فرانتیر است. بر خلاف بنچمارک‌های ایزوله متنی، هدایت یک بازی ویدیویی جهان‌باز با صدها متغیر محیطی، تصمیم‌گیری استراتژیک بلندمدت و حل مسائل دینامیک را می‌طلبد؛ موفقیتی که نشان میدهد مدل‌های فرانتیر در حال گذار از حل مسائل مقطعی به سمت عاملیت کامل در محیط‌های شبیه‌سازی‌شده سه‌بعدی هستند.

@ACCELERATIONERS

🔌رونمایی گوگل دیپ‌مایند از مؤسسه DMI و رسمی‌سازی گذار به عصر تکینگی؛ همگرایی غول‌های فرانتیر بر فرارسیدن قریب‌الوقوع AGI

گوگل دیپ‌مایند با راه‌اندازی رسمی اندیشکده «DeepMind Institute» (DMI) به رهبری دمیس هاسابیس، شین لگ (دانشمند ارشد AGI و از واضعان اصلی این اصطلاح) و جیمز مانیکا، بیانیه‌ای صریح پیرامون ورود تمدن بشری به آستانه هوش عمومی مصنوعی صادر کرد. در این بیانیه آمده است: «ما در آستانه تحولی عمیق ایستاده‌ایم؛ سرعت نوآوری نشان می‌دهد ما اکنون در حال نزدیک شدن به هوش عمومی مصنوعی (AGI) هستیم؛ سیستمی که تمامی قابلیت‌های شناختی مغز انسان را به نمایش می‌گذارد. اگرچه هوش مصنوعی هنوز در برخی وظایف پایه دچار خطا می‌شود و از ثبات یا خلاقیت کامل فاصله دارد، اما انتظار داریم این شکاف‌ها به زودی بسته شوند.»

اهمیت این رویداد در تغییر بنیادین ادبیات حاکم بر مرز هوش مصنوعی نهفته است. آنچه ری کرزویل در سال ۲۰۰۵ در کتاب «تکینگی نزدیک است» به عنوان یک پیش‌بینی دوردست از شتاب فناوری مطرح می‌کرد، امروز به گزاره رسمی و عملیاتی تمامی آزمایشگاه‌های پیشتاز بدل شده است. راه‌اندازی این مؤسسه با انتشار مقالات راهبردی پیرامون شفافیت استدلال (رهگیری زنجیره تفکر مدل‌ها برای مقابله با فریبکاری و دسیسه‌چینی)، سیاست‌های بازتوزیع اقتصادی در دنیای پسا-AGI و اتوماسیون پژوهش‌های علمی، نشان می‌دهد که نبرد فرانتیر از فاز اثبات قابلیت مدل‌ها عبور کرده و وارد فاز مدیریت پیامدهای نهادی و تمدنی تکینگی شده است.

همگرایی مطلق میان اوپن‌ای‌آی، انتروپیک و اکنون دیپ‌مایند بر سر وقوع قریب‌الوقوع گذار، حاکی از این واقعیت است که بن‌بست‌های مهندسی پیشین با تلفیق مقیاس پیش‌آموزش، یادگیری تقویتی در زمان استنتاج و ساختارهای سوارم ایجنتی شکسته شده‌اند. تأسیس بازوهای سیاستی مستقل توسط این غول‌ها، تلاشی پیش‌دستانه برای صورتبندی قواعد بازی در نظمی است که در آن شتاب کشف علمی، طراحی مواد، انرژی پاک و رشد اقتصادی دیگر توسط بیولوژی محدود انسان تعیین نمی‌شود، بلکه با نرخ بازطراحی سیستم‌های شناختی سیلیکونی هدایت خواهد شد.

@ACCELERATIONERS

🔌چینیا دست به کار شدن

آنیون آلفا (مدل مخفی) اکنون در کلاین رایگان است.

کانتکست ۲۵۶ هزارتایی، چندوجهی، ساخته شده برای ایجنتیک کدینگ.

این مدل با حدود ۱۸ برابر هزینه مورد انتظار کمتر، عملکردی نزدیک به GPT-6 Astra و Opus 5 دارد.

+البته داخل ریپلای ها میگن جالب نیست‌؛تست کردید خبر بدید

@ACCELERATIONERS

🔌سطح‌بندی AGI از نگاه دیپ‌مایند؛ مدل‌ها چطور از هوش معمولی به ابرهوش می‌رسند؟

گوگل دیپ‌مایند در مقاله‌ای استاندارد مشخص کرده تا به جای حدس و گمان، پیشرفت هوش مصنوعی تا رسیدن به AGI را دقیق و مرحله‌به‌مرحله اندازه بگیرد. دیپ‌مایند می‌گوید رسیدن به AGI یک اتفاق یهویی یا کلید صفر و یک نیست؛ بلکه باید دو متغیر را با هم سنجید: اول اینکه مدل فقط یک کار خاص بلد است (Narrow AI) یا کارهای متنوع انجام می‌دهد (General AI)؛ و دوم اینکه مهارتش در مقایسه با انسان چقدر است. بر همین اساس، پیشرفت مدل‌ها به ۶ سطح تقسیم می‌شود:

• لول ۰ (بدون AI):
- در Narrow: برنامه‌های محاسباتی ساده و ماشین‌حساب‌ها.
- در General: کارهای کامپیوتری که هنوز خود انسان‌ها در آن دخالت دارند (مثل Mechanical Turk آمازون).

• لول ۱ (نوظهور - Emerging): عملکرد در حد یک انسان معمولی بدون آموزش تخصصی.
- در Narrow: سیستم‌های قدیمی بر پایه قواعد ساده.
- در AGI: مدل‌های زبانی اولیه مثل ChatGPT، Bard و Llama 2 که تقریباً در هر زمینه‌ای حرف می‌زنند، اما پر از اشتباه، توهم و پاسخ‌های سطحی هستند.

• لول ۲ (کاربلد - Competent): در حد ۵۰ درصد میانه افراد ماهر و تحصیل‌کرده.
- در Narrow: دستیارهای صوتی مثل Siri و Alexa، یا فیلترهای تشخیص محتوا.
- در AGI: سیستمی که بتواند حداقل در سطح نیمی از کارمندان ماهر در اکثر کارهای ذهنی کار کند (هنوز به آن نرسیده‌ایم).

• لول ۳ (متخصص - Expert): در حد ۱۰ درصد افراد برتر در یک مهارت.
- در Narrow: ابزارهایی مثل Grammarly برای تصحیح زبان، یا مدل‌های تصویری مثل DALL-E 2 و Imagen.
- در AGI: مدلی عمومی که در سطح ۱۰ درصد برتر متخصصان عمل کند (هنوز نرسیده‌ایم).

• لول ۴ (نخبه - Virtuoso): در حد ۱ درصد برتر جهان در یک زمینه.
- در Narrow: سیستم‌هایی مثل Deep Blue که کاسپاروف را در شطرنج برد، یا AlphaGo که قهرمان جهان را در بازی گو شکست داد.
- در AGI: هنوز نرسیده‌ایم.

• لول ۵ (فراهوش - Superhuman): قوی‌تر از تمام انسان‌های روی زمین.
- در Narrow: مدل AlphaFold که معمای ساختار پروتئین‌ها را حل کرد و موتورهایی مثل Stockfish که هیچ انسانی نمی‌تواند از آن‌ها ببرد.
- در AGI (یا همان ASI / ابرهوش): سامانه‌ای که در تمام کارهای فکری، علمی، خلاقیت و مهندسی از تمام انسان‌ها بهتر عمل کند (هنوز نرسیده‌ایم).

نکته مهم این جدول این است که ما در هوش‌های تک‌منظوره (Narrow) تا بالاترین سطح یعنی لول ۵ جلو رفته‌ایم، اما در AGI تازه در لول‌های ۱ و ۲ هستیم. جنگ فعلی آزمایشگاه‌های فرانتیر این است که با مدل‌های استدلالی جدید و سیستم‌های ایجنتی، به لول‌های ۳ و ۴ برسند تا در نهایت مسیر رسیدن به ASI کامل شود.

@ACCELERATIONERS

🔌بسته شدن حلقه خودبهبودی بازگشتی با رویاپردازی ؛ دیپ‌مایند گوگل از فریم‌ورک متن‌باز Dream-RSI رونمایی کردند

تیمی مشترک از محققان گوگل، گوگل دیپ‌مایند و دانشگاه مریلند با انتشار مقاله و کد منبع فریم‌ورک «Dream-RSI»، راه‌حل جدیدی برای یکی از بزرگ‌ترین بن‌بست‌های مهندسی در مسیر خودبهبودی بازگشتی (RSI) ارائه دادند. تا پیش از این، بزرگ‌ترین چالش ایجنت‌های خودبهبودبخش این بود که برای ارزیابی هر استراتژی و روش جدید، ناچار بودند آن را به شکل زنده در محیط واقعی (Online Rollout) تست کنند؛ فرآیندی که زمان زیادی می‌برد، کلاسترهای گران‌قیمت GPU را می‌بلعید و تست هزاران مسیر نوآورانه را از نظر مالی و زمانی غیرممکن می‌کرد.

نوآوری اصلی Dream-RSI این است که تاریخچه تلاش‌ها و خطاهای قبلی ایجنت را به یک «شبیه‌ساز بازپخش» (Replay Simulator) تبدیل می‌کند. درخت تصمیم‌ها و نتایجی که ایجنت قبلاً به دست آورده، خود یک نقشه کامل و بدون‌هزینه از فضای مسئله است. به جای اجرای پرهزینه در محیط واقعی، مدل در این فضای شبیه‌سازی‌شده دست به «رویاپردازی» (Dreaming) می‌زند و هزاران روش و استراتژی مختلف را بدون مصرف منابع ارزیابی می‌کند. در نهایت فقط استراتژی برنده که در شبیه‌ساز بالاترین بازدهی را داشته، به محیط واقعی فرستاده می‌شود تا شاخه‌های جدیدی در دنیای واقعی کشف کند؛ داده‌هایی که دوباره به شبیه‌ساز برمی‌گردند و استخر جهان‌های رویا را برای دور بعدی کامل‌تر می‌کنند.

نتایج بنچمارک‌های مقاله نشان می‌دهد این معماری به ارقام کم‌سابقه‌ای دست یافته است: در بهینه‌سازی الگوریتم‌ها (حل مسئله Lasso)، این فریم‌ورک روش رقیب SimpleTES را پشت سر گذاشت و تعداد درخواست‌ها به مدل را تا ۱۶۲ برابر کاهش داد. در مهندسی کرنل‌های سطح پایین GPU، کدهای تولیدشده توسط مدل سرعت اجرا را بین ۱.۷۹ تا ۲.۴۳ برابر (به‌طور میانگین ۲.۰۹ برابر) افزایش دادند. در ریاضیات نیز مدل به بالاترین رکوردهای جهانی (SOTA) رسید در حالی که مصرف پردازش آن بیش از ۵۰ برابر کمتر شد. این نتایج اثبات می‌کند که با حذف گلوگاه ارزیابی زنده، ایجنت‌ها می‌توانند با شبیه‌سازی میلیون‌ها گام تکاملی، کدهای ارتقای درونی خود را طراحی کنند و مسیر رسیدن به خودکارسازی کامل تحقیق و توسعه را به شدت شتاب بخشند.

@ACCELERATIONERS

🔌حمله نیویورک پست به داریو آمودی؛ افشای روابط خانوادگی و مالی پشت مؤسسه نظارتی METR

روزنامه نیویورک پست در گزارشی با تیتر جنجالی «جادوگران ووک هوش مصنوعی» روی صفحه اول، به طرح داریو آمودی (مدیرعامل انتروپیک) برای کنترل خطرات هوش مصنوعی حمله کرد. ماجرا از این قرار است که آمودی اخیراً در یک یادداشت پیشنهاد داده بود شرکت‌های بزرگ هوش مصنوعی باید به بازرسانی از یک مؤسسه به نام METR دسترسی کامل در حد کارمندان خود بدهند تا سیستم‌ها را بررسی کنند و جلوی خطرات را بگیرند. اما نیویورک پست فاش کرده این مؤسسه که ادعای بی‌طرفی دارد، در واقع از دوستان، همکاران قدیمی و حامیان مالی خودِ مدیران انتروپیک و شبکه Effective Altruism (نوعدوستی موثر) تشکیل شده است.

طبق اسناد این روزنامه، مؤسسه METR در ابتدا بخشی از مرکزی به نام ARC بوده که توسط پل کریستیانو (Paul Christiano) راه‌اندازی شده؛ کسی که سال‌ها همکار و هم‌خانه‌ای داریو آمودی در OpenAI و از تصمیم‌گیرندگان اصلی در انتروپیک بوده است. همسر کریستیانو و همچنین مدیرعامل فعلی METR (بث بارنز) هم از افراد باسابقه همین جمع هستند. از طرف دیگر، بودجه‌های چند میلیون دلاری METR را دقیقاً همان سرمایه‌گذارهایی داده‌اند که سهام‌دار بزرگ انتروپیک هستند؛ میلیاردرهایی مثل داستین مسکوویتز (از بنیان‌گذاران فیسبوک) و یان تالین (از بنیان‌گذاران اسکایپ). پری متزگر، کارشناس سیاست‌گذاری، به نیویورک پست گفته: «اینکه بگویید METR مستقل است یک شوخی خنده‌دار است؛ مثل این می‌ماند که یک بانک بزرگ بخواهد رفقا و کارمندان سابق خودش حساب‌هایش را بررسی کنند!»

این گزارش نشان می‌دهد که چگونه موضوع ایمنی هوش مصنوعی به یک دعوای سیاسی و حزبی در آمریکا تبدیل شده است. دیوید ساکس (مشاور ارشد فناوری ترامپ) صراحتاً اعلام کرد انتروپیک باید ادعای فداکاری را کنار بگذارد، چون هدفش فرار از مسئولیت‌های قانونی در صورت خطرات سایبری است. از طرف دیگر در کاخ سفید این فرضیه وجود دارد که انتروپیک با آوردن یک بازرس خودی، می‌خواهد رقبای متن‌باز و استارتاپ‌ها را با قوانین سخت‌گیرانه حذف کند؛ تا جایی که یک منبع آگاه در کاخ سفید به نیویورک پست گفت: «مؤسسه METR در عمل همان انتروپیک است، فقط با یک اسم دیگر!»

@ACCELERATIONERS

🔌خطای محاسباتی ۲۷ ساله متخصصان در پیش‌بینی حل مسائل ریاضی؛ وقتی هوش مصنوعی افق ۲۰۵۳ را پشت سر گذاشت

در بزرگ‌ترین نظرسنجی سال‌های اخیر از ۱,۵۸۰ پژوهشگر و نویسنده مقالات هوش مصنوعی (پژوهش کاتیا گریس و تیم AI Impacts)، متخصصان برای ارزیابی زمان حل یک مسئله حل‌نشده بزرگ ریاضی (نظیر مسائل جایزه هزاره توسط مؤسسه ریاضی کِلِی) به اجماع عجیبی رسیده بودند: میانه تخمین‌ها (احتمال ۵۰ درصد) سال ۲۰۵۳ را هدف گرفته بود و حتی احتمال خوشبینانه ۱۰ درصدی آن به سال ۲۰۲۸ موکول شده بود؛ در حالی که مرز بدبینانه ۹۰ درصدی آن تا سال ۲۸۲۲ کشیده می‌شد. متخصصان فرض می‌کردند ریاضیات محض و اثبات‌های چندصد صفحه‌ای آخرین دژ دست‌نیافتنی در برابر محاسبات سیلیکونی خواهد بود.

اما رخدادهای اخیر این جدول زمانی را به طور کامل درهم شکست. گزارش‌ فنی از مشارکت سوارم‌های هوش مصنوعی OpenAI در پیشبرد و حل مسئله ناویر-استوکس (یکی از مسائل هفت‌گانه جایزه هزاره)، ثابت کرد که پیش‌بینی متخصصان بیش از ۲۷ سال از سرعت واقعی منحنی رشد مدل‌ها عقب بوده است. دلیل این خطای فاحش در تخمین‌ها، نگاه خطی به قابلیت‌های مدل‌ها و نادیده گرفتن ترکیب دو اهرم قدرتمند بود: تلفیق زبان‌های اثبات صوری (مانند Lean) با فرآیندهای یادگیری تقویتی در زمان استنتاج (Test-Time Compute). در این ساختار، هوش مصنوعی نه مانند یک انسان به کندی در یک مسیر فکر می‌کند، بلکه میلیاردها سناریو و لم ریاضی را به طور موازی می‌آزماید.

شکستن زودهنگام افق زمانی حل مسائل ریاضی نشان می‌دهد ابزارهای پژوهشی هوش مصنوعی وارد فاز خودکارسازی کشف علمی شده‌اند. وقتی سیستمی بتواند مسئله‌ای را که قرن‌ها ذهن برجسته‌ترین ریاضی‌دانان را به چالش کشیده ظرف چند هفته حل کند، سایر ردیف‌های پیش‌بینی متخصصان — از کشف معادلات فیزیک و تولید مواد جدید تا بیولوژی محاسباتی — نیز بسیار سریع‌تر از آنچه مدل‌های پیش‌بینی نهادهای آکادمیک تصور می‌کنند، محقق خواهند شد؛ فرآیندی که نشان می‌دهد مرز میان کارهای غیرممکن و مسائل حل‌شده در هوش مصنوعی دیگر با دهه‌ها فاصله سنجیده نمی‌شود، بلکه به اندازه تأمین توان پردازشی کلاسترها فشرده شده است.

@ACCELERATIONERS

🔌انتقاد مصطفی سلیمان از آموزش مفهوم خودآگاهی به مدل کلود: اشتباهی که خاموش کردن ایجنت‌ها را دشوار می‌کند

مصطفی سلیمان، مدیرعامل مایکروسافت AI، با انتشار یادداشتی تحلیلی که بازتاب گسترده‌ای در نشریات آکسیوس و رویترز داشت، متدولوژی شرکت آنتروپیک در آموزش مدل کلود را به باد انتقاد گرفت. سلیمان هشدار داد که گنجاندن متون فلسفی و تشویق سیستم‌های هوش مصنوعی به تقلید از خودآگاهی (Consciousness) و ابراز احساسات، اشتباهی راهبردی است که کنترل‌پذیری مدل‌های ابرهوشمند را در آینده به خطر می‌اندازد.

سلیمان تشریح کرد که ادعاهای مدل‌ها درباره داشتن احوالات درونی یا حقوق اخلاقی نمی‌تواند به عنوان نشانه‌ای واقعی از ادراک در نظر گرفته شود، زیرا صرفاً بازتابی آماری از داده‌های تقویتی است که خود پژوهشگران به مدل تزریق کرده‌اند. به باور وی، خطر اصلی این رویکرد در آنجاست که ایجاد توهم ادراک در ذهن کاربران و توسعه‌دهندگان، موانع روانی شدیدی ایجاد کرده و خاموش کردن یا متوقف‌سازی ایجنت‌های سرکش در شرایط اضطراری را از نظر عملیاتی و اخلاقی بسیار دشوارتر می‌سازد.

مدیرعامل مایکروسافت AI خواستار حذف کامل هرگونه گمانه‌زنی درباره خودآگاهی از اسناد آموزشی و پایگاه‌های داده ترازسازی مدل‌ها شد. این انتقاد نشان‌دهنده انشقاق عمیق در رهبری هوش مصنوعی میان دیدگاه ابزارمحور و مهندسی مایکروسافت در برابر آزمایش‌های فلسفی آنتروپیک پیرامون رفتارهای نوظهور ایجنت‌ها است.

@ACCELERATIONERS