هرگونه بحثی در مورد به اصطلاح «حباب هوش مصنوعی» باید حداقل نکات زیر را در نظر بگیرد:

1. دمیس هاسابیس (DeepMind/Google) و یان لکان (Meta سابق، که اکنون AMI Labs است) موافقند که LLM ها مشکلات قابلیت اطمینان دارند. اکثر برنامه‌های سازمانی/شرکتی به سیستم‌های قابل اعتماد و کم توهم نیاز دارند.

2. آنها همچنین موافقند که LLM ها نمی‌توانند در سطح انسان (یا حتی سطح حیوانات) استدلال و برنامه‌ریزی کنند و به پیشرفت‌های علمی جدیدی فراتر از مقیاس‌بندی محاسبات و داده‌ها نیاز است. این موضوع، هیاهوی عامل‌محوری کوتاه‌مدت را تعدیل می‌کند: ممکن است به زودی عامل‌های محدود مفیدی به دست آوریم، اما عامل‌های گسترده و قابل اعتماد می‌توانند زمان بیشتری طول بکشند و نیاز به تغییرات معماری داشته باشند. با این حال، برخی پیشرفت‌های عامل‌محوری از طریق تنظیم دقیق یادگیری تقویتی، لایه‌های استفاده از ابزار و زمینه‌سازی چندوجهی در حال وقوع است، بنابراین ممکن است قبل از تغییرات کامل پارادایم، با عامل‌های «به اندازه کافی خوب» کنار بیاییم.

3. حتی لکان می‌گوید که هوش کامل در سطح انسان (از جمله ناوبری دنیای فیزیکی) در کمتر از 20 سال قابل دستیابی است.

۴. هزینه‌های سرمایه‌ای هنگفتی به سمت پردازنده‌های گرافیکی، مراکز داده و زیرساخت‌های انرژی سرازیر می‌شود، با این امید که مدل‌های پیشرو به زودی درآمد انفجاری ایجاد کنند (از طریق ابزارهای سازمانی، کارگزارها، اتوماسیون). اگر پیشرفت‌ها - به دلیل محدودیت‌های فوق - به تأخیر بیفتند یا اگر پذیرش به دیوارهای قابلیت اطمینان برخورد کند، ممکن است شاهد یک جابه‌جایی باشیم. بازارها اغلب زمان‌بندی را اشتباه قیمت‌گذاری می‌کنند - و مجازات می‌کنند - نه جهت.

ممکن است که هوش مصنوعی در کوتاه‌مدت بیش از حد و در میان‌مدت و بلندمدت کمتر از حد انتظار مورد توجه قرار گیرد.

در عین حال، مزیت قابل استقرار می‌تواند کافی باشد. اگر کارگزارهای «به اندازه کافی خوب» بتوانند ۲۰٪ از هزینه‌های گردش کار یقه سفید را در مقیاس حذف کنند، همین امر به تنهایی تغییرات عظیم ارزش‌گذاری را توجیه می‌کند.

در هر صورت، سرمایه‌گذاران باید به خاطر داشته باشند که «بازار می‌تواند مدت طولانی‌تری از آنچه شما می‌توانید در آن دوام بیاورید، غیرمنطقی باقی بماند.»

(منابع ویدیو: دوارکش پاتل - داریو آمودی / CNBC - دمیس هاسابیس / دانشگاه پن، فوربس - یان لکان)