جنسن هوانگ دوباره اعلام کرد: انویدیا به AGI دست یافته است

هوانگ می‌گوید AGI دیگر اهمیتی ندارد

جنسن هوانگ دوباره گفت انویدیا به AGI رسیده است؛ اما بلافاصله این دستاورد را «بی‌معنا» دانست

مدیرعامل انویدیا بار دیگر مدعی شد که این شرکت برای بسیاری از وظایف به هوش عمومی مصنوعی رسیده است؛ بااین‌حال معتقد است در شرایط فعلی، بحث درباره اینکه «چه کسی به AGI رسیده» اهمیت چندانی ندارد و آنچه واقعاً مهم است، توانایی هوش مصنوعی برای انجام کار مفید و تولید ارزش اقتصادی است.

جنسن هوانگ، بنیان‌گذار و مدیرعامل انویدیا، بار دیگر بحث قدیمی و جنجالی هوش عمومی مصنوعی یا AGI را به صدر اخبار فناوری بازگرداند.

هوانگ در جریان نشست اعلام نتایج مالی سه‌ماهه دوم سال مالی ۲۰۲۷ انویدیا، در پاسخ به پرسشی درباره پیش‌بینی OpenAI برای دستیابی به AGI، گفت که از نگاه او برای بسیاری از وظایف، انویدیا همین حالا به AGI دست یافته است.

اما بخش جالب‌تر اظهارات او بلافاصله بعد از این ادعا مطرح شد: هوانگ گفت تمام این نقاط عطف و تلاش برای تعیین لحظه دقیق رسیدن به AGI، «در این مرحله بی‌معنا» هستند.

این موضع در نگاه اول متناقض به نظر می‌رسد؛ چگونه ممکن است مدیرعامل یکی از مهم‌ترین شرکت‌های صنعت AI از دستیابی به AGI سخن بگوید و چند ثانیه بعد اهمیت خود این دستاورد را زیر سؤال ببرد؟

پاسخ هوانگ در واقع به یکی از بزرگ‌ترین مشکلات فعلی صنعت هوش مصنوعی برمی‌گردد: هیچ تعریف واحد و مورد توافقی از AGI وجود ندارد.

هوانگ: برای بسیاری از وظایف، همین حالا به AGI رسیده‌ایم

اظهارات هوانگ در بخش پرسش‌وپاسخ نشست مالی انویدیا مطرح شد؛ جایی که یکی از تحلیلگران درباره تأثیر احتمالی AGI و بهبود بازگشتی یا Recursive Self-Improvement بر تقاضای صنعت برای پردازنده‌های هوش مصنوعی سؤال کرد.

هوانگ در پاسخ توضیح داد که به اعتقاد او، هوش مصنوعی در حال عبور از مرحله‌ای است که انسان باید دائماً آن را تحریک و هدایت کند.

به گفته او، بخش بزرگی از فعالیت‌های AI اکنون به سمت سیستم‌های Agentic AI حرکت کرده است؛ سیستم‌هایی که می‌توانند به‌صورت مداوم در پس‌زمینه فعالیت کنند، وظایف مختلف را انجام دهند و در برخی موارد از نتایج عملکرد قبلی خود برای بهبود عملکرد بعدی استفاده کنند.

هوانگ در توضیح این روند گفت که عامل‌های هوش مصنوعی می‌توانند پس از اجرای یک وظیفه، عملکرد خود را بررسی کنند، مهارت‌هایشان را به‌روزرسانی کنند و در اجرای بعدی عملکرد بهتری داشته باشند.

او سپس به جمله جنجالی خود رسید:

«به بسیاری از روش‌ها و برای بسیاری از وظایف، می‌توانیم بگوییم که همین حالا به AGI دست یافته‌ایم.»

اما هوانگ بلافاصله اضافه کرد:

«فکر می‌کنم تمام این نقاط عطف و این چیزها، در این مرحله بی‌معنا هستند.»

به این ترتیب، هوانگ در واقع تلاش نمی‌کند یک «تاریخ رسمی» برای تولد AGI تعیین کند؛ بلکه می‌گوید توانایی‌های عملی AI به اندازه‌ای پیشرفت کرده‌اند که چسبیدن به یک برچسب مشخص، اهمیت خود را از دست داده است.

پس از نظر هوانگ چه چیزی واقعاً اهمیت دارد؟

هوانگ در ادامه صحبت‌هایش معیار متفاوتی برای سنجش پیشرفت هوش مصنوعی ارائه کرد.

از نگاه او، سه اتفاق اهمیت بسیار بیشتری از اعلام رسمی دستیابی به AGI دارند:

اول: هوش مصنوعی باید بتواند کارهای مفید و مولد انجام دهد.

دوم: این فعالیت‌ها باید بتوانند ارزش اقتصادی ایجاد کنند و به اصطلاح هوانگ، «توکن‌های سودآور» تولید کنند.

سوم: اگر افزایش توان محاسباتی باعث شود AI بتواند توکن‌های بیشتری تولید کند و خدمات بیشتری ارائه دهد، در نهایت درآمد و سود بیشتری نیز ایجاد خواهد شد.

هوانگ در بیانیه رسمی نتایج مالی انویدیا نیز همین نگاه اقتصادی را با عبارت متفاوتی بیان کرد:

«هوش مصنوعی به نقطه عطف خود رسیده است. در حال انجام کارهای مفید است. توکن‌های آن مولد و سودآور هستند. اکنون، محاسبات به درآمد تبدیل شده است.»

این جمله در واقع کلید فهم نگاه فعلی هوانگ به AI است.

برای مدیرعامل انویدیا، سؤال اصلی دیگر این نیست که آیا یک مدل را می‌توان «AGI» نامید یا خیر؛ بلکه این است که این سیستم چه مقدار کار واقعی انجام می‌دهد و چه مقدار ارزش اقتصادی ایجاد می‌کند.

عامل‌های هوش مصنوعی؛ چیزی که هوانگ را بیشتر از AGI هیجان‌زده می‌کند

در صحبت‌های هوانگ، یک مفهوم مهم‌تر از AGI به چشم می‌خورد: عامل‌های هوش مصنوعی یا AI Agents.

هوانگ معتقد است جهان به سمت وضعیتی حرکت می‌کند که شرکت‌ها دیگر صرفاً چند مدل AI را در اختیار کارکنان خود قرار نمی‌دهند، بلکه مجموعه بزرگی از عامل‌های هوشمند به‌صورت مداوم وظایف مختلف را انجام خواهند داد.

او حتی نمونه‌ای از آینده احتمالی انویدیا را مطرح کرد.

انویدیا اکنون حدود ۴۰ هزار کارمند دارد؛ اما هوانگ تصور می‌کند در آینده یک شرکت ممکن است در کنار نیروی انسانی خود، صدها هزار یا حتی میلیون‌ها عامل هوش مصنوعی داشته باشد که به‌صورت شبانه‌روزی کار می‌کنند.

هوانگ گفت:

«در آینده، شرکت‌ها تعداد زیادی عامل خواهند داشت؛ ۴۰۰ هزار عامل، ۴ میلیون عامل. این عامل‌ها دائماً در حال اجرا خواهند بود، در پس‌زمینه کار خواهند کرد و با عامل‌های دیگر همکاری خواهند داشت.»

این تصویر شاید از نظر هوانگ، معنای عملی‌تری از رسیدن به AGI داشته باشد.

اگر AI بتواند به‌جای پاسخ دادن به یک سؤال، یک فرآیند کامل کاری را از ابتدا تا انتها اجرا کند، ارزش اقتصادی آن به‌مراتب بیشتر خواهد شد.

آیا این عامل‌ها واقعاً خودشان را بهبود می‌دهند؟

یکی دیگر از بخش‌های قابل‌توجه صحبت‌های هوانگ، اشاره او به نوعی خودبهبود بازگشتی بود.

او توضیح داد که برخی عامل‌های AI پس از پایان هر وظیفه می‌توانند عملکرد خود را بررسی کنند و اطلاعات مربوط به نحوه انجام بهتر آن کار را در قالب مهارت یا دستورالعمل به‌روزرسانی کنند.

در نتیجه، اجرای بعدی همان وظیفه می‌تواند با اطلاعات بیشتری انجام شود.

هوانگ این فرآیند را نوعی Self-Improvement با دانه‌بندی نسبتاً درشت توصیف کرد؛ یعنی نه لزوماً همان چیزی که در ادبیات علمی از «خودبهبود بازگشتی کامل» تصور می‌شود، اما فرآیندی که در آن سیستم از تجربه‌های قبلی خود برای عملکرد بهتر در آینده استفاده می‌کند.

این نکته اهمیت دارد، زیرا هوانگ دقیقاً از همین پیشرفت‌ها برای توضیح اینکه چرا معتقد است برای برخی وظایف، می‌توان از همین حالا صحبت از AGI کرد استفاده می‌کند.

این اولین بار نیست که هوانگ می‌گوید AGI رسیده است

اظهارات جدید هوانگ در واقع تکرار حرفی است که او چند ماه قبل نیز مطرح کرده بود.

در مارس ۲۰۲۶، جنسن هوانگ در گفت‌وگو با لکس فریدمن درباره زمان احتمالی دستیابی به AGI، جمله‌ای بسیار صریح گفت:

«فکر می‌کنم اکنون است. فکر می‌کنم به AGI دست یافته‌ایم.»

این اظهارنظر در آن زمان نیز واکنش‌های زیادی ایجاد کرد؛ زیرا هوانگ برخلاف بسیاری از مدیران شرکت‌های AI، AGI را صرفاً یک هدف دوردست نمی‌دانست و معتقد بود برخی سیستم‌های موجود از آستانه موردنظر عبور کرده‌اند.

اما مسئله بلافاصله مطرح شد:

هوانگ دقیقاً چه چیزی را AGI می‌نامد؟

تعریف لکس فریدمن چه بود؟

در همان گفت‌وگو با لکس فریدمن، مجری پادکست تلاش کرد تعریف مشخص‌تری برای AGI ارائه کند.

یکی از معیارهای پیشنهادی فریدمن این بود که یک سیستم بتواند عملاً شغل یک انسان را انجام دهد؛ و حتی فراتر از آن، بتواند یک شرکت فناوری موفق با ارزشی بیش از یک میلیارد دلار را راه‌اندازی، رشد و مدیریت کند.

این تعریف، AGI را به یک آزمون اقتصادی بسیار مشخص تبدیل می‌کند.

اما حتی چنین آزمونی نیز با مشکلات جدی مواجه است.

آیا یک سیستم اگر بتواند برنامه‌نویسی کند اما نتواند روابط انسانی را مدیریت کند، AGI است؟

اگر بتواند یک شرکت را اداره کند اما در یک حوزه علمی خاص شکست بخورد، چه؟

اگر در هزاران کار عملکردی بهتر از انسان داشته باشد اما در برخی وظایف ساده اشتباه کند، آیا هنوز می‌توان آن را AGI نامید؟

همین پرسش‌ها نشان می‌دهند که مرز مشخص و جهانی برای AGI وجود ندارد.

هوانگ خودش هم درباره محدودیت‌های این ادعا عقب‌نشینی کرده بود

نکته جالب این است که هوانگ در همان دوره، اظهارنظر دیگری داشت که نشان می‌داد خودش نیز نسبت به معیارهای بسیار بلندپروازانه AGI محتاط است.

وقتی بحث به این سناریو رسید که آیا تعداد زیادی عامل هوش مصنوعی می‌توانند از صفر یک شرکت مانند انویدیا را بسازند، هوانگ احتمال آن را عملاً صفر دانست.

این تفاوت نشان می‌دهد که میان «AI بسیار توانمند در مجموعه بزرگی از وظایف» و هوش عمومی شبیه انسان در تمام ابعاد همچنان فاصله وجود دارد.

بنابراین می‌توان گفت تعریف هوانگ از AGI در اظهارات اخیر، بیشتر عمل‌گرا و وظیفه‌محور است تا تعریف کلاسیک و جامع از هوش عمومی.

مشکل اصلی: اصلاً AGI یعنی چه؟

در طول سال‌های اخیر، تقریباً هر شرکت بزرگ هوش مصنوعی تعریف متفاوتی از AGI ارائه کرده است.

برخی آن را سیستمی می‌دانند که در طیف وسیعی از وظایف شناختی با انسان برابری می‌کند.

برخی دیگر معیار اقتصادی را ترجیح می‌دهند؛ یعنی AI باید بتواند بخش بزرگی از فعالیت‌های اقتصادی ارزشمند را بهتر از انسان انجام دهد.

گروهی نیز از اصطلاحاتی مانند Superintelligence، Powerful AI یا Personal Superintelligence استفاده می‌کنند.

به همین دلیل، ممکن است یک شرکت ادعا کند به AGI رسیده است، در حالی که شرکت دیگری با همان سطح از توانایی، همچنان آن سیستم را «AGI» محسوب نکند.

حتی در میان مدیران ارشد صنعت نیز درباره تعریف این مفهوم اختلاف نظر وجود دارد.

داریو آمودی: AGI یک اصطلاح بازاریابی است

یکی از صریح‌ترین منتقدان مفهوم AGI، داریو آمودی، مدیرعامل Anthropic است.

آمودی در اظهارات قبلی خود گفته بود که اصطلاح AGI برای او تعریف دقیقی ندارد و حتی آن را نوعی اصطلاح بازاریابی توصیف کرده است. او ترجیح می‌دهد به جای AGI از عباراتی مانند «هوش مصنوعی قدرتمند» یا Powerful AI استفاده کند.

این دیدگاه با حرف جدید هوانگ، با وجود تفاوت در ادبیات، یک نقطه اشتراک مهم دارد:

هر دو نفر معتقدند چسبیدن بیش از حد به برچسب AGI ممکن است ما را از سنجش واقعی توانایی سیستم‌ها دور کند.

تفاوت اینجاست که هوانگ با وجود بی‌معنا دانستن این نقطه عطف، همچنان می‌گوید برای بسیاری از وظایف می‌توان گفت AGI همین حالا به دست آمده است.

آمودی اساساً ترجیح می‌دهد وارد چنین بازی تعریفی نشود.

پس چرا شرکت‌های AI همچنان درباره AGI صحبت می‌کنند؟

اینجا موضوع کمی پیچیده‌تر می‌شود.

اگر AGI تعریف مشخصی ندارد، چرا OpenAI، انویدیا و دیگر شرکت‌های بزرگ همچنان آن را به‌عنوان یک هدف مهم مطرح می‌کنند؟

پاسخ را باید تا حدی در قدرت اقتصادی و رسانه‌ای این واژه جست‌وجو کرد.

AGI به‌عنوان یک مفهوم، تصویری بسیار قدرتمند از آینده ایجاد می‌کند: ماشینی که می‌تواند طیف گسترده‌ای از فعالیت‌های فکری انسان را انجام دهد.

اما همین جذابیت باعث شده این اصطلاح گاهی بیشتر از آنکه یک معیار علمی دقیق باشد، به یک نقطه مرجع برای روایت پیشرفت صنعت AI تبدیل شود.

به همین دلیل است که مدیران مختلف می‌توانند از یک اصطلاح واحد استفاده کنند اما منظورهای کاملاً متفاوتی داشته باشند.

شاید هوانگ عمداً می‌گوید «AGI بی‌معناست»

با کنار هم گذاشتن اظهارات هوانگ، یک تصویر جالب شکل می‌گیرد.

او از یک طرف می‌گوید:

«برای بسیاری از وظایف، به AGI رسیده‌ایم.»

و از طرف دیگر:

«این نقاط عطف در این مرحله بی‌معنا هستند.»

این دو جمله الزاماً متناقض نیستند.

هوانگ در واقع می‌گوید اگر AGI را مجموعه‌ای از توانایی‌ها بدانیم، بسیاری از این توانایی‌ها اکنون وجود دارند؛ اما اگر بخواهیم یک لحظه مشخص را به‌عنوان «روز تولد AGI» تعیین کنیم، این کار چندان معنایی ندارد.

از نگاه او، تحول واقعی همین حالا در حال رخ دادن است و معیار مناسب‌تر، میزان کاری است که AI می‌تواند انجام دهد.

پشت این نگاه، یک منطق اقتصادی بسیار مهم وجود دارد

این موضوع برای انویدیا اهمیت ویژه‌ای دارد.

انویدیا فروشنده اصلی زیرساخت محاسباتی مورد نیاز موج فعلی هوش مصنوعی است. هرچه مدل‌ها و عامل‌ها پیچیده‌تر شوند و هرچه تعداد آن‌ها افزایش پیدا کند، تقاضا برای پردازش نیز بیشتر خواهد شد.

هوانگ در گزارش مالی اخیر دقیقاً روی همین موضوع تأکید کرد.

انویدیا در سه‌ماهه دوم سال مالی ۲۰۲۷ به ۹۶.۲ میلیارد دلار درآمد رسید که نسبت به سال قبل ۱۰۶ درصد رشد داشت. درآمد بخش دیتاسنتر نیز به ۸۹ میلیارد دلار رسید و ۱۱۷ درصد افزایش یافت.

در چنین شرایطی، برای انویدیا حتی مهم‌تر از اینکه «AGI چه زمانی رسماً اعلام می‌شود»، این است که AI به‌طور مداوم به محاسبات بیشتر نیاز داشته باشد.

و اگر میلیون‌ها عامل هوش مصنوعی قرار باشد ۲۴ ساعته در پس‌زمینه فعالیت کنند، این نیاز می‌تواند به شکل چشمگیری افزایش پیدا کند.

هوانگ: آینده متعلق به میلیون‌ها عامل AI است

این شاید مهم‌ترین بخش صحبت‌های اخیر هوانگ باشد.

تصویر آینده‌ای که او ترسیم می‌کند، لزوماً جهانی نیست که در آن یک «هوش مصنوعی واحد» به سطح هوش عمومی برسد.

در عوض، ممکن است با جهانی مواجه شویم که در آن میلیون‌ها عامل تخصصی و نیمه‌خودمختار دائماً در حال فعالیت هستند.

عامل‌هایی برای برنامه‌نویسی، تحلیل داده، امنیت سایبری، بازاریابی، طراحی، تحقیقات علمی، مدیریت مالی و صدها فعالیت دیگر.

در این مدل، سؤال اصلی دیگر این نیست که:

«آیا یک AI به هوش انسان رسیده است؟»

بلکه این است:

«چند عامل AI می‌توانند به‌صورت هم‌زمان چه مقدار کار اقتصادی انجام دهند؟»

از نگاه هوانگ، صنعت اکنون دقیقاً در همین مرحله قرار دارد.

AGI شاید همین حالا رسیده باشد؛ یا شاید هنوز فاصله زیادی داریم

در نهایت، اظهارنظر جنسن هوانگ را نباید به‌عنوان اثبات علمی دستیابی به AGI تفسیر کرد.

هیچ اجماع علمی وجود ندارد که انویدیا یا هر شرکت دیگری به AGI دست یافته باشد.

آنچه وجود دارد، یک اختلاف اساسی درباره تعریف این مفهوم است.

اگر AGI را سیستمی بدانیم که بتواند در طیف بسیار گسترده‌ای از وظایف فکری عملکردی هم‌سطح یا فراتر از انسان داشته باشد، هنوز می‌توان درباره فاصله سیستم‌های فعلی با چنین هدفی بحث کرد.

اما اگر AGI را مجموعه‌ای از توانایی‌های عملی بدانیم که در بسیاری از حوزه‌ها بتوانند کارهای مفید و اقتصادی انجام دهند، ادعای هوانگ قابل‌فهم‌تر می‌شود.

به همین دلیل، شاید مهم‌ترین بخش سخنان او نه عبارت «ما به AGI رسیده‌ایم»، بلکه جمله بعدی باشد:

«این نقاط عطف در این مرحله بی‌معنا هستند.»

زیرا در دنیای واقعی، مهم‌تر از اینکه یک مدل چه برچسبی دریافت کند، این است که چه کاری می‌تواند انجام دهد، چقدر مستقل عمل می‌کند و چه میزان ارزش واقعی ایجاد می‌کند.

و اگر پیش‌بینی هوانگ درباره حرکت جهان به سمت میلیون‌ها عامل هوش مصنوعی درست باشد، شاید بزرگ‌ترین تحول AI نه در لحظه‌ای که یک شرکت رسماً اعلام می‌کند «AGI رسید»، بلکه در زمانی رخ دهد که عامل‌های هوشمند به بخشی دائمی از اقتصاد جهانی تبدیل شوند.

در آن صورت، ممکن است روزی به گذشته نگاه کنیم و متوجه شویم که بحث درباره اینکه «دقیقاً چه زمانی AGI به دنیا آمد»، از خودِ تغییری که AI در اقتصاد و زندگی انسان ایجاد کرده بود، اهمیت بسیار کمتری داشته است.

منبع : متن رسمی گزارش مالی NVIDIA – Q2 FY2027

منبع : Transcript رسمی تماس مالی NVIDIA

منبع : مصاحبه جنسن هوانگ با لکس فریدمن درباره AGI

 

در مجله سایبرلایف بخوانید