پژوهشگران دانشگاهی هوش مصنوعی با تغییر قابلتوجهی روبهرو شدهاند: هستهٔ نوآوری و توسعهٔ مدلهای پیشرفته از فضای دانشگاهی به آزمایشگاههای مرزی شرکتهای بزرگ منتقل شده و بسیاری از ابزارها، دادهها و دانش فنی پشت درهای بسته قرار گرفتهاند.
تمرکز پژوهش از دانشگاه به شرکتهای خصوصی
در گردهمایی برنامه AI2050 از جمله موارد تکرارشونده، اشاره به متمرکز شدن پژوهشهای چهار سال اخیر بر مدلهای زبان بزرگ بود. شرکتها حجم عظیمی از توان محاسباتی و مجموعههای داده را در اختیار دارند و دانشگاهها اغلب توان تأمین GPU و زیرساخت لازم برای آموزش مدلهای سطحاول را ندارند. علاوه بر این، شرکتهایی مانند OpenAI و Anthropic جزئیات معماری و فرایندهای آموزشی خود را منتشر نمیکنند که مانع بازتولید و بررسی علمی میشود.
محدودیتهای مالی و دسترسی
بودجه و دسترسی به ابزارهای پژوهشی دو مانع اصلی هستند. کمکهای مالی و بورسهایی مانند AI2050 ممکن است در کوتاهمدت یاریرسان باشند اما برای پروژههای عمیق و طولانیمدت ناکافیاند. استفادهٔ مکرر از APIهای تجاری برای بررسی رفتار مدلها نیز هزینهبر است و میتواند توان یک پروژهٔ دانشگاهی را فرسایش دهد. در نتیجه، بسیاری از پژوهشها به دلیل نبود زیرساخت محلی و شفافیت در فرایند آموزش متوقف یا محدود میشوند.
گرایش به موضوعاتی که شرکتها دنبال نمیکنند
بخشهایی از جامعهٔ پژوهشی تصمیم گرفتهاند روی پرسشهایی تمرکز کنند که احتمالاً از منظر تجاری جذابیت کمی دارند. Anjalie Field از دانشگاه جانز هاپکینز اشاره میکند که شرکتها معمولاً پروژههایی را دنبال میکنند که بازگشت مالی دارند؛ پژوهشهایی با ریسک یا نتایج متفاوت از تصویر عمومی شرکت کمتر حمایت میشوند. مثالهایی عملی شامل بررسی تبعیض در پاسخدهی مدلها نسبت به پرسشهایی است که بیشتر از سوی زنان مطرح میشوند.
پژوهشگران غیرـمدلزبانی و چالش دیدهنشدن
گروهی از دانشگاهیان روی مدلهای تخصصی برای تحلیل دادهها، پیشبینیهای علمی یا شبیهسازی سیستمهای فیزیکی کار میکنند و لزوماً از مدلهای زبان بزرگ استفاده نمیکنند. این حوزهها اغلب در جذب بودجه و توجه عمومی دچار مشکلاند، زیرا تصویر عام از «هوش مصنوعی» به مدلهای زبان بزرگ و پرمصرف انرژی محدود شده است. با وجود موفقیتهای صنعتی تیمهایی مانند سازندهٔ AlphaFold، ساختار حمایتی پایدار برای پروژههای تخصصی بهطور کامل فراهم نیست.
پیوند دانشگاه و صنعت؛ فرصتی دوطرفه
بخشی از دانشگاهیان مرخصی گرفتهاند تا در آزمایشگاههای مرزی کار کنند و برخی بورسها ترکیب دانشگاه و همکاری صنعتی را فراهم ساختهاند. این پیوندها میتوانند دسترسی به منابع را افزایش دهند، اما همزمان مسائل اخلاقی، تضاد منافع و جهتگیری پژوهش را به بحث میگذارند. حفظ استقلال علمی و شفافیت در قراردادها از الزامات کلیدی است.
تهدیدها و نقاط امید
- برخی مدلها قادر شدهاند مسائل پژوهشی واقعی، از جمله در ریاضیات، حل کنند؛ این پیشرفتها پرسشهایی دربارهٔ نقش انسان در برخی شاخههای نظری مطرح میکند.
- علم تجربی که نیازمند جمعآوری دادههای میدانی و آزمونهای طولانیمدت است، کمتر در برابر خودکارسازی آسیبپذیر باقی میماند و ارزش مستقل خود را حفظ میکند.
- پژوهشگرانی مانند Tim Dettmers روی روشهایی برای اجرای سریعتر و کمهزینهتر مدلها کار میکنند که میتواند دسترسی مؤسسات پژوهشی به محاسبات گسترده را آسانتر سازد.
راهکارها و اقدامات پیشنهادی
برای تقویت توان پژوهشی دانشگاهها باید راهکارهای ساختاری و عملی طراحی شود. موارد زیر اولویتهای عملی و قابل اجرا را نشان میدهد:
- انعقاد قراردادهای دسترسی مشروط به زیرساخت محاسباتی و داده، با بندهای شفاف دربارهٔ شفافیت پژوهشی و مالکیت نتایج.
- حمایت مالی بلندمدت برای پژوهشهای پایه و غیرتجاری از سوی دولتها و مؤسسات خیریه.
- ایجاد کنسرسیومهای محاسباتی دانشگاهی-همکاریمحور برای اشتراک GPU و منابع ذخیرهسازی بهصورت هزینهکمتر و مقیاسپذیر.
- تقویت استانداردهای بازتولید علمی: گزارش دقیق معماری، مجموعههای داده و پروتکلهای آموزشی یا ارائهِ بنچمارکهای مستقل.
- توسعهٔ برنامههای آموزشی و فرصتهای شغلی ترکیبی که انتقال دانش بین دانشگاه و صنعت را تسهیل کنند بدون از دست رفتن استقلال پژوهشی.
نتیجهگیری و چشمانداز
گذار کنونی ممکن است شکل پژوهش دانشگاهی را بازتعریف کند. دانشگاهها که امروز با کمبود GPU و محدودیت دسترسی مواجهاند، میتوانند از طریق قراردادهای نوآورانه، کنسرسیومهای اشتراکی و حمایت مالی پایدار، نقش مستقل و نقادانهٔ خود را در توسعهٔ ایمن و اخلاقی هوش مصنوعی حفظ و تقویت کنند؛ این مسیر نیازمند زمان، ارادهٔ جمعی و سیاستگذاری هوشمند است.
