Η τεχνητή νοημοσύνη (AI) έχει ακόμα τεράστιες δυνατότητες βελτίωσης, καθώς μπορούμε να ενισχύσουμε τα μοντέλα της αυξάνοντας την υπολογιστική ισχύ και τα διαθέσιμα δεδομένα. Αυτή την άποψη εκφράζει ο Yao Shunyu, ανώτερος ερευνητής επιστήμονας στην Google DeepMind και πρώην ερευνητής στην αμερικανική start-up AI, Anthropic.

Παρόλο που η κοινότητα της Τεχνητής Νοημοσύνης συζητά έντονα για το μέλλον της “κλιμάκωσης” – δηλαδή της διαδικασίας αύξησης των υπολογιστικών πόρων και των δεδομένων εκπαίδευσης για την ανάπτυξη καλύτερων μοντέλων AI – ο Yao εκτιμά ότι η μέθοδος αυτή αναμένεται να αποφέρει αποτελέσματα για τουλάχιστον έναν ακόμη χρόνο. “Μέχρι να φτάσουμε στο σκληρό όριο των δεδομένων”, όπως χαρακτηριστικά ανέφερε, “υπάρχουν ακόμα πολλά εύκολα κερδισμένα στοιχεία που περιμένουν να τα συλλέξουμε”.

Οι δηλώσεις του έρχονται λίγο μετά από σχόλια του πρωτοπόρου της AI και συνιδρυτή της OpenAI, Ilya Sutskever, ο οποίος ανέφερε σε podcast ότι ο τομέας επιστρέφει σε μια “εποχή έρευνας” μετά από μια “εποχή κλιμάκωσης”. Αυτές οι τοποθετήσεις γίνονται στο πλαίσιο ανησυχιών για μια πιθανή οικονομική φούσκα στον κλάδο της Τεχνητής Νοημοσύνης. Οι αμερικανικές υπερεταιρείες, όπως η Google και η Microsoft, έχουν δεσμεύσει εκατοντάδες δισεκατομμύρια δολάρια σε υποδομές AI για την εκπαίδευση της επόμενης γενιάς μεγάλων γλωσσικών μοντέλων, κάτι που έχει οδηγήσει σε αυξημένη ζήτηση για προηγμένα τσιπ AI από την ηγέτιδα Nvidia.

Ωστόσο, η άνοδος κινεζικών start-ups AI, όπως η DeepSeek και η Moonshot AI, έχει θέσει ερωτήματα σχετικά με τέτοιες εκτεταμένες δαπάνες. Αντιμετωπίζοντας περιορισμούς στην πρόσβαση σε προηγμένα αμερικανικά τσιπ, αυτές οι εταιρείες έχουν εστιάσει σε αλγοριθμικές βελτιώσεις για την ενίσχυση των μοντέλων AI.

Ο Yao Shunyu τόνισε ότι δεν υπάρχει “κανένας λόγος” να επιλέξει κανείς ανάμεσα στις προσεγγίσεις της κλιμάκωσης και της έρευνας, καθώς ο κλάδος της Τεχνητής Νοημοσύνης “πάντα ασχολείται και με τα δύο”.