آنتروپیک با کمک هوش مصنوعی، سرعت توسعه مدل‌های خود را دو برابر کرد
ارزیابی تازه مؤسسه مستقل METR نشان می‌دهد سرعت پیشرفت مدل‌های هوش مصنوعی آنتروپیک طی یک سال گذشته تقریباً دو برابر شده و بخش عمده این شتاب احتمالاً از کمک هوش مصنوعی به فرایند تحقیق و توسعه این شرکت ناشی می‌شود. با این حال، حذف بخش بزرگی از شواهد گزارش به درخواست آنتروپیک، امکان بررسی مستقل نتایج را برای عموم محدود کرده است.
به گزارش توسعه برند؛ شرکت آنتروپیک با استفاده گسترده از هوش مصنوعی در فرایند تحقیق و توسعه خود، به شتاب قابل‌توجهی در پیشرفت مدل‌هایش رسیده است. ارزیابی تازه مؤسسه مستقل Model Evaluation and Threat Research (METR) نشان می‌دهد این شرکت در اکتبر ۲۰۲۶، قابلیت‌های مدل‌های خود را در انجام وظایف مشخص، تقریباً با دو برابر سرعت دوره یک سال قبل بهبود داده است.
این ارزیابی که بر اساس بررسی داده‌های داخلی آنتروپیک و گفت‌وگو با کارکنان این شرکت انجام شده، نشان می‌دهد هوش مصنوعی دیگر صرفاً ابزاری برای کمک به برنامه‌نویسی، خلاصه‌سازی پژوهش‌ها یا انجام وظایف روزمره نیست، بلکه به بخشی از فرایند ساخت و بهبود نسل‌های بعدی مدل‌های هوش مصنوعی تبدیل شده است.
با این حال، موضوع مهم گزارش فقط سرعت پیشرفت آنتروپیک نیست. بخش عمده شواهدی که می‌توانست جزئیات این شتاب را برای عموم روشن کند، با درخواست آنتروپیک از نسخه عمومی گزارش حذف شده است. همین مسئله پرسش‌هایی درباره امکان نظارت مستقل بر روند توسعه هوش مصنوعی ایجاد کرده است.
پیشرفت دو ساله در یک سال
بر اساس ارزیابی METR، امتیاز مدل‌های آنتروپیک در شاخصی که برای سنجش توانایی مدل‌ها در انجام وظایف مشخص به کار می‌رود، از اکتبر ۲۰۲۵ با سرعتی حدود ۱.۹ برابر نرخ رشد پیشین افزایش یافته است. بازه اطمینان آماری این برآورد بین ۱.۵ تا ۲.۸ برابر گزارش شده است.
به بیان دیگر، آنتروپیک در یک سال گذشته تقریباً به اندازه دو سال پیشرفت تاریخی خود در این شاخص پیشرفت کرده است. البته پژوهشگران تأکید کرده‌اند که این برآورد با عدم‌قطعیت همراه است و نباید آن را به تمام انواع توانایی‌های هوش مصنوعی یا عملکرد واقعی مدل‌ها در همه موقعیت‌ها تعمیم داد.
یکی از یافته‌های مهم این بررسی آن است که افزایش سرعت پیشرفت را نمی‌توان صرفاً با افزایش توان محاسباتی مورد استفاده برای آموزش مدل‌ها توضیح داد. پژوهشگران METR معتقدند استفاده گسترده از هوش مصنوعی در فعالیت‌های تحقیق و توسعه، احتمالاً نقش اصلی را در این شتاب ایفا کرده است.
هوش مصنوعی چگونه به توسعه نسل بعدی خود کمک می‌کند؟
بررسی METR نشان می‌دهد بخش قابل‌توجهی از پیشرفت آنتروپیک به کمک ابزارهای هوش مصنوعی به پژوهشگران انسانی حاصل شده است. در این وضعیت، محققان همچنان هدایت اصلی فرایند را بر عهده دارند، اما از مدل‌های پیشرفته برای انجام سریع‌تر بخش‌هایی از کار تحقیقاتی استفاده می‌کنند.
بر اساس نظرسنجی‌های غیررسمی و مصاحبه‌های انجام‌شده با کارکنان آنتروپیک، برخی از افرادی که از قدرتمندترین مدل داخلی این شرکت استفاده می‌کردند، بهره‌وری خود را حدود ۱۲ برابر بیشتر از زمانی ارزیابی کرده‌اند که بدون کمک هوش مصنوعی کار می‌کردند. این رقم تقریباً دو برابر میزان افزایش بهره‌وری گزارش‌شده توسط کارکنان در استفاده از مدل داخلی قبلی با نام Mythos ۵ بوده است.
“”توسعه برند را در اینستاگرام و تلگرام و لینکدین دنبال کنید””
البته این ارقام بر پایه خوداظهاری کارکنان و نظرسنجی‌های داخلی به دست آمده‌اند و به‌تنهایی معیار قطعی برای اندازه‌گیری بهره‌وری نیستند.
گزارش همچنین تأکید می‌کند که هنوز نمی‌توان از یک آزمایشگاه کاملاً خودکار هوش مصنوعی صحبت کرد. بخش عمده کمک‌ها همچنان در قالب همکاری میان پژوهشگران و ابزارهای هوش مصنوعی انجام می‌شود. با این حال، نشانه‌هایی وجود دارد که سهم فعالیت‌های مستقل هوش مصنوعی در فرایند تحقیق و توسعه می‌تواند در آینده نزدیک افزایش یابد.
این روند می‌تواند یک چرخه شتاب‌گیرنده ایجاد کند: مدل‌های قدرتمندتر به پژوهشگران کمک می‌کنند سریع‌تر کار کنند، پژوهش سریع‌تر به ساخت مدل‌های بهتر منجر می‌شود و مدل‌های جدید نیز توانایی بیشتری برای کمک به توسعه نسل بعدی خواهند داشت.
سه مدل منتشرنشده و نگرانی درباره شتاب بیشتر
در بخش دیگری از ارزیابی، به سه مدل منتشرنشده آنتروپیک اشاره شده که فرایند آموزش آن‌ها بین ماه‌های ژوئیه تا اکتبر ۲۰۲۶ به پایان رسیده است. این اطلاعات تصویری محدود اما مهم از سرعت توسعه مدل‌های پیشرفته این شرکت ارائه می‌کند.
پژوهشگران METR همچنین اعلام کرده‌اند که در بررسی‌های خود نشانه روشنی از وجود موانع جدی در زمینه توان محاسباتی، داده‌های آموزشی یا پیشرفت الگوریتمی پیدا نکرده‌اند که بتواند در کوتاه‌مدت سرعت توسعه را به‌طور جدی محدود کند.
البته آن‌ها تأکید کرده‌اند که در ارزیابی این موانع با عدم‌قطعیت روبه‌رو هستند و نبود شواهد روشن به معنای نبود قطعی محدودیت‌ها نیست.
نگرانی اصلی این است که اگر هوش مصنوعی بتواند بخش‌های بیشتری از فرایند تحقیق و توسعه را به‌صورت مستقل انجام دهد، شتاب فعلی نیز افزایش پیدا کند. در چنین شرایطی، سرعت پیشرفت مدل‌ها ممکن است از توانایی انسان‌ها و نهادهای نظارتی برای بررسی و کنترل پیامدهای آن پیشی بگیرد.
چرا شفافیت گزارش آنتروپیک زیر سؤال رفت؟
METR برای انجام این ارزیابی، از ۱۲ اوت تا ۲۹ اکتبر ۲۰۲۶ به مدت حدود ۱۱ هفته با دسترسی گسترده به برخی داده‌های داخلی آنتروپیک، شاخص‌های عملکرد مدل‌ها و اطلاعات مربوط به فرایند تحقیق و توسعه این شرکت را بررسی کرد. پژوهشگران همچنین با کارکنان مرتبط گفت‌وگو کردند و به اطلاعاتی درباره آموزش مدل‌ها، توان محاسباتی، عملکرد داخلی و سهم هوش مصنوعی در فعالیت‌های پژوهشی دسترسی داشتند.
با وجود این دسترسی، آنتروپیک حق حذف اطلاعات محرمانه از نسخه عمومی گزارش را برای خود محفوظ نگه داشته بود. به گفته METR، این شرکت بیش از نیمی از شواهدی را که پژوهشگران برای توضیح دقیق‌تر یافته‌های خود مهم می‌دانستند، از نسخه عمومی حذف کرد.
بخشی از اطلاعات مربوط به اندازه‌گیری‌های میانی توانایی مدل‌ها، برآورد پیشرفت الگوریتمی، سهم دقیق هوش مصنوعی در مراحل مختلف توسعه و پیش‌بینی عملکرد مدل‌های آینده نیز در گزارش عمومی منتشر نشد. برخی درخواست‌های اطلاعاتی پژوهشگران هم از سوی آنتروپیک پذیرفته نشد.
“”توسعه برند را در اینستاگرام و تلگرام و لینکدین دنبال کنید””
آنتروپیک دلیل این محدودیت‌ها را جلوگیری از انتشار اطلاعاتی اعلام کرده که ممکن است به رقبا در سرعت بخشیدن به توسعه مدل‌های هوش مصنوعی کمک کند.
با این حال، METR معتقد است این محدودیت‌ها توانایی عموم برای ارزیابی مستقل نتایج را کاهش داده است. وقتی بخش مهمی از شواهد در اختیار عموم قرار نمی‌گیرد، خوانندگان ناچارند بیش از حد به تفسیر و قضاوت پژوهشگران اعتماد کنند، بدون آنکه بتوانند تمام داده‌های مبنای نتیجه‌گیری را بررسی کنند.
METR درباره محدودیت‌های یافته‌های خود چه می‌گوید؟
پژوهشگران این مؤسسه تأکید کرده‌اند که نتایج گزارش را نباید اثبات قطعی نزدیک بودن خودبهبودی کامل و مستقل هوش مصنوعی دانست. آن‌ها چند عامل را مطرح کرده‌اند که ممکن است باعث شده باشد میزان شتاب پیشرفت بیش از واقعیت برآورد شود.
برای مثال، بخش زیادی از داده‌های بررسی‌شده به وظایفی مربوط است که تعریف و ارزیابی آن‌ها آسان‌تر است. بنابراین ممکن است سرعت پیشرفت در این وظایف با سرعت بهبود عملکرد مدل‌ها در موقعیت‌های پیچیده و واقعی یکسان نباشد. همچنین احتمال دارد برخی عوامل غیرمرتبط با هوش مصنوعی نیز در افزایش سرعت پیشرفت آنتروپیک نقش داشته باشند.
از سوی دیگر، پژوهشگران احتمال می‌دهند که سرعت واقعی شتاب حتی بیشتر از برآورد گزارش باشد، زیرا برخی شواهد مهم درباره افزایش اخیر سرعت پیشرفت از نسخه عمومی حذف شده‌اند و ارزیابی توانایی مدل‌ها نیز با فاصله زمانی از زمان واقعی توسعه انجام می‌شود.
در مجموع، یافته‌های METR نشان می‌دهد هوش مصنوعی به‌تدریج از یک ابزار کمکی به یکی از عوامل اصلی پیشرفت نسل‌های بعدی خود تبدیل می‌شود. این تحول در کنار افزایش سرعت توسعه مدل‌ها، اهمیت نظارت مستقل، دسترسی پژوهشگران به شواهد و شفافیت شرکت‌های فعال در این حوزه را بیش از گذشته برجسته می‌کند.
