Adaption Labs، استارتاپ جدید Sara Hooker، باور دارد که روش سنتی افزایش مقیاس مدل‌های زبانی بزرگ (LLM) دیگر پاسخگوی نیازهای هوش مصنوعی نیست. این شرکت قصد دارد سیستم‌های AI بسازد که بتوانند از تجربیات واقعی یاد بگیرند و عملکرد خود را به شکل مستمر بهبود دهند.
Sara Hooker، مدیرعامل Adaption Labs و پیش‌تر از اعضای ارشد Cohere و Google Brain، در مصاحبه‌ای با TechCrunch گفت: «فرمول سنتی افزایش اندازه مدل‌ها دیگر باعث هوش واقعی نمی‌شود. AI باید بتواند از محیط و تجربیات واقعی یاد بگیرد.»
محدودیت‌های روش‌های سنتی
روش‌های قدیمی مانند پیش‌آموزش گسترده (pretraining) مدل‌ها را تنها بر اساس داده‌های گذشته آموزش می‌دهند و توانایی یادگیری لحظه‌ای را محدود می‌کنند. Hooker توضیح می‌دهد که بسیاری از مدل‌های بزرگ AI حتی با افزایش مقیاس، نمی‌توانند از تجربیات واقعی درس بگیرند: «سیستم‌های فعلی فقط خطای خود را تکرار می‌کنند، اما ما قصد داریم AI بتواند سریعاً اصلاح شود و سازگار باشد.»
چشم‌انداز Adaption Labs
Adaption Labs بر این باور است که یادگیری تطبیقی می‌تواند راهکاری مؤثرتر و کم‌هزینه‌تر نسبت به افزایش مقیاس مدل‌ها باشد. این رویکرد می‌تواند به توسعه سیستم‌های هوشمندتر و مقرون‌به‌صرفه‌تر منجر شود و کنترل AI را در اختیار شرکت‌های کوچک‌تر و کاربران نهایی قرار دهد.
Hooker پیش‌تر در Cohere Labs تجربه آموزش مدل‌های کوچک AI برای شرکت‌ها را داشته و قصد دارد با رویکرد یادگیری تطبیقی، محدودیت‌های مقیاس‌پذیری سنتی را پشت سر بگذارد.
واکنش صنعت و آینده هوش مصنوعی
تحقیقات جدید نشان می‌دهد که بزرگترین مدل‌های AI ممکن است به نقطه بازده نزولی رسیده باشند و راهکارهای جدیدی برای بهبود عملکرد ضروری است. Adaption Labs با تمرکز بر یادگیری تطبیقی، قصد دارد نشان دهد که یادگیری از تجربه واقعی می‌تواند نه‌تنها مؤثرتر بلکه بسیار کارآمدتر باشد و آینده هوش مصنوعی را تغییر دهد.
این استارتاپ در حال جذب سرمایه اولیه و توسعه تیم جهانی خود است تا قابلیت‌های یادگیری تطبیقی را به شرکت‌ها و کاربران ارائه دهد.
