اوپن‌ای‌آی از «کارآموز پژوهشی» هوش مصنوعی خودکار رونمایی کرد

شرکت OpenAI اعلام کرده به هدفی رسیده که پاییز گذشته وعده داده بود: ساخت یک کارآموز پژوهشی هوش مصنوعی که حالا به‌اندازه‌ی ۳.۱ روز کاری انسان، در یک روز کار پژوهشی انجام می‌دهد.

۱. هدفی که پاییز گذشته اعلام شده بود

شرکت OpenAI روز شنبه در پستی رسمی با عنوان «شتاب پژوهش: نگاهی از درون اوپن‌ای‌آی» نوشت به هدفی رسیده که پاییز سال گذشته آن را وعده داده بود. در متن این گزارش آمده: «طبق سنجش‌های ما، اکنون به هدفی که پاییز گذشته اعلام کردیم رسیده‌ایم؛ داشتن یک کارآموز پژوهشی خودکار تا سپتامبر.» این جمله‌ی به‌ظاهر ساده، در واقع نقطه‌ی عطفی در روایت این شرکت از مسیر خودبهبودی هوش مصنوعی است؛ مسیری که مدت‌هاست به عنوان یکی از جاه‌طلبانه‌ترین اهداف بلندمدت این آزمایشگاه مطرح می‌شود.

برای کسانی که با ساختار و تاریخچه‌ی این شرکت آشنا نیستند، پیشنهاد می‌کنیم نگاهی به مطلب کامل درباره‌ی OpenAI چیست بیندازند تا زمینه‌ی بهتری برای درک این خبر داشته باشند. این شرکت که پیش‌تر با انتشار مدل‌های زبانی بزرگ شناخته می‌شد، حالا در حال جابه‌جایی تمرکز خود به سمت خودکارسازی فرایند پژوهش علمی و مهندسی است؛ کاری که اگر محقق شود، می‌تواند سرعت پیشرفت خود این شرکت را نیز به‌شکل چشمگیری تغییر دهد.

۲. کارآموز پژوهشی چیست و دقیقاً چه کاری انجام می‌دهد؟

واژه‌ی «کارآموز پژوهشی» عنوانی است که خود اوپن‌ای‌آی برای این سامانه انتخاب کرده و به‌عمد از عبارت‌های جاه‌طلبانه‌تری مثل «دانشمند خودکار» پرهیز کرده است. طبق توضیح این شرکت، این سامانه یک عامل هوش مصنوعی است که هدف‌های محدود و مشخصی را می‌پذیرد؛ وظایفی که معمولاً چند روز کار یک پژوهشگر باتجربه‌ی انسانی را می‌طلبد. این عامل روی کد، آزمایش‌ها و داده‌ها کار می‌کند و در نهایت نتیجه را برای بررسی و ارزیابی انسانی برمی‌گرداند.

نکته‌ی کلیدی اینجاست که تعیین دستور کار پژوهشی، انتخاب فرضیه‌های اصلی، ارزیابی نهایی کیفیت کار و تصمیم‌گیری درباره‌ی استقرار خروجی، همچنان بر عهده‌ی انسان باقی می‌ماند. به بیان دیگر، این کارآموز نه یک محقق مستقل، بلکه یک دستیار بسیار توانمند اجرایی است. طبق گزارش اوپن‌ای‌آی، در بیش از نیمی از تکلیف‌های موفقِ چهار تا هشت‌ساعته، دست‌کم یک بار دخالت و اصلاح مسیر از سوی یک انسان لازم بوده است؛ رقمی که نشان می‌دهد این فناوری هنوز به نظارت مستمر نیاز دارد.

۳. عدد ۳.۱: معنای واقعی این نسبت عجیب

مهم‌ترین و جنجالی‌ترین رقم این گزارش، نسبت «۳.۱ به ۱» است. به گفته‌ی اوپن‌ای‌آی، تا میانه‌ی اوت ۲۰۲۶، عامل‌های هوش مصنوعی این شرکت به ازای هر یک روز کاری هشت‌ساعته‌ی یک پژوهشگر انسانی، معادل ۳.۱ روز کاری عامل هوش مصنوعی صرف کار پژوهشی می‌کنند. پیش از ژوئن ۲۰۲۶ این نسبت هنوز پایین‌تر از سطح بهره‌وری نیروی انسانی بود؛ اما در فاصله‌ی کوتاهی، این معادله به‌طور چشمگیری تغییر کرده است.

با این حال، خود این شرکت با صراحت هشدار داده که این عدد را نباید معادل افزایش ۳.۱ برابری بهره‌وری واقعی پژوهش دانست. بخش قابل‌توجهی از «زمان اجرا»ی عامل‌ها صرف تکرار آزمایش، رفع خطا، اجرای موازی چند مسیر و کارهایی می‌شود که یک انسان معمولاً به شکل متفاوتی انجام می‌دهد. به بیان ساده، زمان بیشتر لزوماً به معنای خروجی علمی باکیفیت‌تر نیست؛ نکته‌ای که در بخش تردیدها و هشدارها به آن بازمی‌گردیم.

۴. هزینه‌ی گزاف پژوهش خودکار: از ۶۰۰ تا هفت‌هزار دلار در روز

شتاب‌گرفتن پژوهش با کمک عامل‌های هوش مصنوعی، هزینه‌ی مالی قابل‌توجهی هم به همراه دارد. طبق داده‌های این گزارش، پژوهشگر میانه‌ای که از این عامل‌ها استفاده می‌کند، تا میانه‌ی اوت ۲۰۲۶ روزانه بیش از ۶۰۰ دلار هزینه‌ی استنتاج (inference) در قیمت‌های عمومی API پرداخت کرده است. صدک نودم کاربران، یعنی پرمصرف‌ترین پژوهشگران، حتی بیش از ۷۰۰۰ دلار در روز صرف توکن مدل‌های زبانی کرده‌اند؛ رقمی که نشان می‌دهد شتاب پژوهشی در این مقیاس، تنها برای سازمان‌هایی با بودجه‌ی محاسباتی بسیار بالا در دسترس است.

این موضوع برای کسب‌وکارهایی که می‌خواهند از الگوی مشابه بهره ببرند نیز درس مهمی دارد. اگر می‌خواهید بدانید چرا سرمایه‌گذاری روی هوش مصنوعی برای شرکت‌ها این‌قدر جدی گرفته می‌شود، مطالعه‌ی اهمیت هوش مصنوعی در کسب‌وکار می‌تواند تصویر روشن‌تری از این معادله‌ی هزینه-فایده به شما بدهد. نکته‌ی جالب این است که اوت ۲۰۲۶ همچنین رکورددار بیشترین تعداد آزمایش به‌ازای هر پژوهشگر فعال از ژانویه‌ی ۲۰۲۵ تاکنون بوده؛ یعنی همزمان با افزایش هزینه، حجم آزمایش‌وخطای علمی هم در آزمایشگاه‌های این شرکت جهش کرده است.

۵. چطور پژوهشگران انسانی این عامل‌ها را هدایت می‌کنند؟

یکی از پرسش‌های کلیدی درباره‌ی این فناوری این است که پژوهشگران انسانی چطور دستورهای دقیق و قابل‌اجرا به این عامل‌ها می‌دهند. در عمل، کیفیت نتیجه‌ی نهایی به‌شدت به کیفیت دستورالعمل‌ها و ساختار وظیفه‌ای که به عامل داده می‌شود بستگی دارد؛ همان مهارتی که در دنیای عمومی‌تر هوش مصنوعی با عنوان «پرامپت‌نویسی» شناخته می‌شود. اگر تازه با این مفهوم آشنا شده‌اید، راهنمای نوشتن پرامپت برای مبتدیان نقطه‌ی شروع خوبی است تا اصول اولیه‌ی هدایت درست عامل‌های هوش مصنوعی را یاد بگیرید. برای آموزش‌های تخصصی‌تر و به‌روز درباره‌ی نحوه‌ی کار با ابزارهای هوش مصنوعی، می‌توانید سری آموزش‌های چت‌جی‌پی‌تی را هم دنبال کنید.

اوپن‌ای‌آی در گزارش خود توضیح داده که موفقیت این کارآموز پژوهشی به شدت وابسته به این است که وظیفه چقدر «قابل‌طبقه‌بندی» باشد؛ یعنی معیار موفقیت یا شکست آن به‌روشنی قابل‌سنجش باشد. تکلیف‌هایی که خروجی مبهم یا قضاوت‌محور دارند، همچنان چالش‌برانگیزتر از تکلیف‌های فنی مشخص مثل رفع باگ یا اجرای یک آزمایش تکراری هستند.

۶. مسیر بعدی: پژوهشگر کاملاً خودکار تا مارس ۲۰۲۸

هدف بعدی این شرکت، رسیدن به یک «پژوهشگر کاملاً خودکار» تا مارس ۲۰۲۸ عنوان شده است؛ نقطه‌ای که فراتر از اجرای تکلیف‌های محدود می‌رود و نیازمند جهش در چند توانایی کلیدی است: قضاوت پژوهشی، انتخاب فرضیه‌ی درست از میان گزینه‌های متعدد، طراحی آزمایش علمی، اجرای وظایف بلندمدت بدون نظارت مداوم، و تفسیر درست شواهد و نتایج. هر یک از این توانایی‌ها به‌تنهایی یکی از سخت‌ترین چالش‌های باز در پژوهش هوش مصنوعی امروز محسوب می‌شود.

نکته‌ی قابل‌توجه این است که خود اوپن‌ای‌آی به‌صراحت نوشته هنوز نمی‌داند چطور می‌توان با اطمینان و خیال آسوده به این سطح از خودبهبودی بازگشتی (Recursive Self-Improvement یا RSI) دست یافت. این اعتراف صریح، از سوی شرکتی که خود در خط مقدم این رقابت قرار دارد، وزن ویژه‌ای به هشدارهای ایمنی پیرامون این مسیر می‌دهد و نشان می‌دهد حتی سازندگان این فناوری هم مرزهای آن را کاملاً روشن نمی‌بینند.

۷. تردیدها، هشدارهای امنیتی و واکنش منتقدان

منتقدان این ادعا را با احتیاط بیشتری می‌خوانند. از نگاه بسیاری از پژوهشگران مستقل، افزایش «زمان اجرای» عامل‌های هوش مصنوعی لزوماً معادل خروجی پژوهشی مفید و باکیفیت نیست؛ بخشی از این جهش آماری می‌تواند صرفاً محصول در دسترس‌بودن قدرت محاسباتی بیشتر باشد، نه پیشرفت واقعی در توانایی استدلال و خلاقیت علمی مدل‌ها. خود اوپن‌ای‌آی هم در گزارشش این نکته را پذیرفته و نوشته سنجش‌های فعلی «مقدماتی» هستند و پیشرفت کلی پژوهش لزوماً هم‌ارز با این معیارهای خودکارسازی نیست.

این گزارش هم‌زمان با نگرانی‌های امنیتی دیگری درباره‌ی زیرساخت این شرکت منتشر شده؛ از جمله رخدادهای امنیتی مرتبط با محیط‌های اجرایی مدل‌ها که پیش‌تر منجر به کاهش قابل‌توجه سهمیه‌ی تخصیص برای برخی مدل‌های این شرکت شده بود. اگر به بحث محدودیت‌های واقعی هوش مصنوعی در کنار قابلیت‌های چشمگیر آن علاقه دارید، مطلب پتانسیل و محدودیت‌های واقعی هوش مصنوعی دیدگاه متعادل‌تری از این فناوری ارائه می‌دهد.

۸. جایگاه این خبر در رقابت شرکت‌های بزرگ هوش مصنوعی

اوپن‌ای‌آی تنها شرکتی نیست که روی خودکارسازی پژوهش علمی و مهندسی سرمایه‌گذاری کرده است؛ رقبای اصلی آن نیز مسیرهای مشابهی را دنبال می‌کنند، هرچند با روایت‌ها و سرعت‌های متفاوت. رقابت فشرده‌ی امروز بازار هوش مصنوعی، بارها خودش را در مقایسه‌های مستقیم بین مدل‌ها نشان داده است؛ برای نمونه می‌توانید نگاهی به تحلیل مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک بیندازید تا ببینید این رقابت در حوزه‌های دیگر چطور پیش رفته است. آنچه خبر امروز را متمایز می‌کند، شفافیت نسبی اوپن‌ای‌آی در انتشار اعداد داخلی درباره‌ی هزینه و بهره‌وری است؛ رویکردی که کمتر در گزارش‌های رسمی این صنعت دیده می‌شود.

برای توسعه‌دهندگان مستقل و تیم‌های کوچک مهندسی نرم‌افزار، این روند پرسش مهمی مطرح می‌کند: آیا واقعاً می‌توان با کمک این عامل‌ها، نقش یک تیم پژوهشی کامل را بازتولید کرد؟ تجربه‌ی میدانی نشان می‌دهد فاصله‌ی زیادی بین «انجام یک تکلیف مشخص» تا «جایگزینی کامل مهندس یا پژوهشگر انسانی» وجود دارد؛ موضوعی که در مطلب توهم ساختن با هوش مصنوعی به‌تفصیل بررسی شده و می‌تواند دیدی واقع‌بینانه‌تر نسبت به این ادعاهای بزرگ به شما بدهد.

پرسش‌های متداول

کارآموز پژوهشی هوش مصنوعی اوپن‌ای‌آی دقیقاً چیست؟
سامانه‌ای عامل‌محور است که تکلیف‌های پژوهشی مشخص و چندروزه را زیر نظر انسان انجام می‌دهد، بدون آنکه خودش موضوع تحقیق را انتخاب کند.

نسبت ۳.۱ به ۱ یعنی چه؟
یعنی عامل‌های هوش مصنوعی به ازای هر یک روز کاری یک پژوهشگر انسانی، معادل ۳.۱ روز کاری صرف انجام وظایف پژوهشی می‌کنند؛ رقمی که به گفته‌ی خود اوپن‌ای‌آی معادل بهره‌وری واقعی نیست.

هزینه‌ی استفاده از این عامل‌ها چقدر است؟
پژوهشگر میانه روزانه بیش از ۶۰۰ دلار و پرمصرف‌ترین کاربران تا بیش از ۷۰۰۰ دلار در روز هزینه‌ی استنتاج پرداخت کرده‌اند.

هدف بعدی اوپن‌ای‌آی چیست؟
ساخت یک «پژوهشگر کاملاً خودکار» تا مارس ۲۰۲۸؛ هدفی که خود این شرکت درباره‌ی مسیر ایمن رسیدن به آن هنوز تردید دارد.