بدأ الذكاء الاصطناعي في بناء الجيل التالي منه
يتنافس Gemini 4 Neon من Google وGPT-6.2 Astra وSol من OpenAI على ما يتجاوز ذكاء النماذج. فكلاهما يسعى إلى إنجاز المهام على نحو أفضل باستخدام عدد أقل من الرموز وبتكاليف أقل.
لكن التطور الأهم هو ما ورد في بطاقة النظام الجديدة من OpenAI.
يُعد GPT-6.2 Astra أول نموذج تطلقه OpenAI خارجيًا وتقيّمه عند مستوى «عالٍ» في مجال التحسين الذاتي للذكاء الاصطناعي. وتُظهر تقييماته الداخلية أنه يستطيع توفير 42.9% من وقت التدريب الأساسي في مهمة تدريب نموذج صغير، وسدّ 74.8% من فجوة الأداء في مهمة ما بعد التدريب.
هذا ليس تحسينًا ذاتيًا تكراريًا مستقلًا. فما زال الباحثون البشر يحددون الأهداف، ويختارون الأفكار، ويقيّمون النتائج.
ويحدد Mark Chen وJohn Schulman عنق الزجاجة المتبقي بأنه الذائقة البحثية: أي معرفة الأفكار المهمة، لا مجرد تنفيذ التجارب بسرعة أكبر.
أطروحتي: أصبح البحث في الذكاء الاصطناعي نفسه مصدرًا جديدًا للطلب على الحوسبة، ومضاعفًا جديدًا للإنتاجية.
المعيار الاقتصادي ليس عدد الرموز المُولّدة ولا التجارب المُنفّذة، بل تكلفة تحقيق تحسّن موثّق في قدرات النموذج.
كلما زادت أتمتة البحث، ازدادت قيمة التقييم المستقل وإمكانية إعادة إنتاج النتائج والرقابة، لا العكس.
قد تكون دورة الذكاء الاصطناعي التالية مدفوعة بأنظمة تساعد على بناء الأنظمة التي ستخلفها. لكن القدرة على التحقق من تلك التحسينات هي ما سيحدد مدى السرعة التي يمكن بها تسريع هذه الدورة بأمان.
#stocks
$GOOGL.US
يتنافس Gemini 4 Neon من Google وGPT-6.2 Astra وSol من OpenAI على ما يتجاوز ذكاء النماذج. فكلاهما يسعى إلى إنجاز المهام على نحو أفضل باستخدام عدد أقل من الرموز وبتكاليف أقل.
لكن التطور الأهم هو ما ورد في بطاقة النظام الجديدة من OpenAI.
يُعد GPT-6.2 Astra أول نموذج تطلقه OpenAI خارجيًا وتقيّمه عند مستوى «عالٍ» في مجال التحسين الذاتي للذكاء الاصطناعي. وتُظهر تقييماته الداخلية أنه يستطيع توفير 42.9% من وقت التدريب الأساسي في مهمة تدريب نموذج صغير، وسدّ 74.8% من فجوة الأداء في مهمة ما بعد التدريب.
هذا ليس تحسينًا ذاتيًا تكراريًا مستقلًا. فما زال الباحثون البشر يحددون الأهداف، ويختارون الأفكار، ويقيّمون النتائج.
ويحدد Mark Chen وJohn Schulman عنق الزجاجة المتبقي بأنه الذائقة البحثية: أي معرفة الأفكار المهمة، لا مجرد تنفيذ التجارب بسرعة أكبر.
أطروحتي: أصبح البحث في الذكاء الاصطناعي نفسه مصدرًا جديدًا للطلب على الحوسبة، ومضاعفًا جديدًا للإنتاجية.
المعيار الاقتصادي ليس عدد الرموز المُولّدة ولا التجارب المُنفّذة، بل تكلفة تحقيق تحسّن موثّق في قدرات النموذج.
كلما زادت أتمتة البحث، ازدادت قيمة التقييم المستقل وإمكانية إعادة إنتاج النتائج والرقابة، لا العكس.
قد تكون دورة الذكاء الاصطناعي التالية مدفوعة بأنظمة تساعد على بناء الأنظمة التي ستخلفها. لكن القدرة على التحقق من تلك التحسينات هي ما سيحدد مدى السرعة التي يمكن بها تسريع هذه الدورة بأمان.
#stocks
$GOOGL.US