ابداع فناوری ارتباط بدون هیچ کلامی میان مدلهای هوش مصنوعی!

در تحول احتمالی که میتواند آینده هوش مصنوعی را بازتعریف کند، تیمی از ریاضیدانان روس که در یک شرکت استارتاپی به نام «موستیک» (Mostik) فعالیت میکنند، روشی جدید توسعه دادهاند که به مدلهای مختلف هوش مصنوعی امکان میدهد ب
ترجمهٔ قیاس از الرأي — منبع اصلی
در تحول احتمالی که میتواند آینده هوش مصنوعی را بازتعریف کند، تیمی از ریاضیدانان روس که در یک شرکت استارتاپی به نام «موستیک» (Mostik) فعالیت میکنند، روشی جدید توسعه دادهاند که به مدلهای مختلف هوش مصنوعی امکان میدهد بدون نیاز به تولید متون واسطه، با یکدیگر ارتباط برقرار کنند. بر اساس گزارش مجله «وایرد» (Wired)، این رویکرد شبیه به نوعی «همآگاهی ماشینی» بین ماشینها است.
در یک نمایش عملی، این تیم دو مدل متفاوت را به هم متصل کردند: GLM-5.2 با ۷۵۳ میلیارد پارامتر و Qwen-3.5 با ۴ میلیارد پارامتر. طبق اعلام شرکت موستیک، این سیستم هیبریدی با هزینهای حدود ۲۰ برابر کمتر از اجرای تنها مدل بزرگتر GLM-5.2 کار میکند و کیفیتی را ارائه میدهد که بین نتایج دو مدل اصلی قرار دارد.
ایده اصلی در پشت این فناوری، دور زدن روش سنتی تعامل مدلهای زبانی بزرگ از طریق متن است؛ روشی که در آن یک مدل پاسخ تولید میکند و مدل دیگر آن را دریافت و مجدداً پردازش میکند. «موستیک» پیشنهاد میکند که اطلاعات مستقیماً از طریق نمایشهای ریاضی داخلی مدلها منتقل شود، که این مرحله را به طور کامل حذف میکند. هدف این رویکرد، حل چالش ادغام کارآمد مدلهای تخصصی متعدد و اجتناب از بار محاسباتی ناشی از تبدیلهای مکرر متنی است که منجر به از دست رفتن اطلاعات و اتلاف منابع میشود.
با این حال، این فناوری هنوز با ابهاماتی روبرو است، زیرا تیم منتشرکننده نه مقاله علمی، نه کد منبع، و نه روششناسی محاسبه هزینه را منتشر کرده است و همچنین معیار مشخصی برای مقایسه بین «GLM» و «Qwen» ارائه نداده است. گزارش «وایرد» اشاره میکند که شرکت هنوز جزئیات فنی دقیقی ارائه نکرده و ادعاهای آن توسط هیچ نهاد مستقلی تأیید نشده است که شک و تردیدهایی را درباره نوآوری واقعی این فناوری ایجاد میکند. مشخص نیست که آیا فناوری «موستیک» یک نوآوری واقعی است یا صرفاً بازنمایی مجدد مفاهیم موجود مانند تقطیر دانش یا ارتباط از طریق فضای تعبیه (Embedding Space).
پژوهش علمی در «موستیک» توسط پروفسور استانیسلاو اسمیرنوف، برنده مدال فیلدز در سال ۲۰۱۰ و استاد دانشگاه ژنو، هدایت میشود. اسمیرنوف بیان میکند که یکی از وظایف اصلی، یافتن یک زبان ریاضی مشترک است که به مدلهای مختلف اجازه دهد نمایشهای داخلی یکدیگر را درک کنند.
ناظران اشاره میکنند که انتشار دادههای استاندارد، باز کردن بخشی از سیستم، یا جذب سرمایهگذاری کلان میتواند به اثبات اعتبار این ادعاها کمک کند. در هر صورت، این تحول توجهها را به تلاش مستمر برای یافتن روشهای کارآمدتر برای بهرهبرداری از تعدد مدلهای هوش مصنوعی جلب میکند؛ چالشی که بزرگترین شرکتهای فناوری جهان با آن روبرو هستند.