اگرچه OpenAI هنوز درهای مدل هوش مصنوعی جدید GPT-6 Astra را به‌طور کامل به روی عموم باز نکرده است اما برداشت‌های اولیه‌ای که در شبکه‌های اجتماعی منتشر شده‌اند نشان می‌دهند این مدل تمایل دارد تعداد زیادی ایجنت ایجاد کند. این موضوع می‌تواند مفهوم ارکستراسیون (هماهنگی) ایجنت‌ها را تقویت کند و در نتیجه تقاضا برای پردازنده‌های بیشتر را افزایش دهد. همچنین مدل هوش مصنوعی Kimi K3 در یکی از گفتگوها خود را Claude معرفی کرده است.
چرا GPT-6 Astra می‌تواند بار پردازشی سنگینی روی پردازنده ایجاد کند؟
اوایل این هفته مشخص شد که OpenAI مدل جدید GPT-6 Astra را برای برخی مشتریان منتخب منتشر کرده است. این مدل تغییر قابل توجهی در نحوه عملکرد معمول مدل‌های زبانی بزرگ ایجاد می‌کند. OpenAI نیز تاکید کرده است که کاربران Astra در آینده دیگر نیازی نخواهند داشت برای انجام کارها مرتباً با ماوس کلیک کنند یا روی کیبورد چیزی تایپ کنند.
نکته مهم این است که توسعه‌دهندگان دیگر لزوماً مجبور نیستند برای هر نرم‌افزاری که یک ایجنت هوش مصنوعی باید با آن کار کند API اختصاصی ایجاد کنند. GPT-6 Astra می‌تواند تقریباً مانند انسان‌ها با نرم‌افزارهای مختلف کار کند. این مدل با ایجاد ایجنت‌هایی که در مرورگرها، صفحات گسترده، وب‌سایت‌ها و برنامه‌های دسکتاپ فعالیت می‌کنند، می‌تواند اسناد و ارائه‌های نهایی را تولید کند و فرایندهای چندمرحله‌ای را به اجرا درآورد، به‌جای اینکه صرفاً نحوه انجام آن‌ها را به کاربر توضیح دهد.
در واقع موتور استدلال اصلی GPT-6 Astra از یک ساختار چندایجنتی بومی برای حل مسائل پیچیده استفاده می‌کند. زمانی که مدل با یک وظیفه پیچیده مواجه می‌شود، ایجنت اصلی ارکستراسیون می‌تواند یک فرضیه را تدوین کند و سپس ایجنت‌های فرعی مجزا را برای آزمایش حالت‌های مختلف و اعتبارسنجی نتایج به‌صورت همزمان به کار بگیرد.
این قابلیت واگذاری وظایف به شکل بومی مقاومت Astra را در برابر Doom Loops (حلقه‌های مرگ) افزایش می‌دهد؛ شرایطی که در آن مدل در چرخه‌های تکراری خطا گرفتار می‌شود. در نتیجه Astra می‌تواند به‌صورت مستقل کد خود را اشکال‌زدایی کند و استراتژی خود را در لحظه تغییر دهد.
این موضوع ما را به بخش اصلی بحث امروز می‌رساند. اگرچه هسته اصلی GPT-6 Astra روی فضای ابری اجرا می‌شود، نقش این مدل به‌عنوان یک اپراتور کامپیوتری بومی، یک چرخه پردازشی سنگین را روی دستگاه محلی کاربر ایجاد می‌کند و بار پردازشی را به پردازنده میزبان منتقل می‌سازد. این اتفاق به 3 دلیل اصلی رخ می‌دهد:
- با توجه به تاکید OpenAI بر توانایی GPT-6 Astra برای کشف و زنجیره‌سازی مستقل اکسپلویت‌ها، شرکت‌ها احتمالاً این مدل را در محیط‌های مجازی محلی کاملاً ایزوله، سندباکس‌ها و کانتینرهای امن مانند Docker یا MicroVM اجرا خواهند کرد. ایجاد، نگهداری و حذف این نمونه‌های کانتینری ایزوله به‌صورت همزمان و در لحظه فرایندی بسیار سنگین برای پردازنده خواهد بود.
- برای اینکه شرکت‌ها بتوانند داده‌های اختصاصی خود را در اختیار Astra قرار دهند باید یک هارنس یا کد ارکستراسیون را روی کامپیوترهای محلی اجرا کنند که این فرایند نیز به توان پردازشی قابل توجهی از سوی پردازنده نیاز دارد.
- زمانی که Astra برای آزمایش حالت‌های مختلف یا اشکال‌زدایی یک اسکریپت مهندسی نرم‌افزار ایجنت‌های فرعی را به‌صورت همزمان ایجاد می‌کند، پردازنده محلی باید مجموعه تست‌های مربوط به آن‌ها را اجرا کند. اگر Astra تصمیم بگیرد مجموعه‌ای از تست‌های واحد را اجرا کند، کد را کامپایل کند یا برای بررسی صحت یک فرایند پردازش‌های مرورگر را با سرعت بالا مجدداً بارگذاری کند، بخش عمده بار اجرایی این عملیات بر عهده پردازنده محلی خواهد بود.
تمام این موارد نشان می‌دهند تقاضا برای پردازنده‌ها می‌تواند به‌شدت افزایش پیدا کند؛ موضوعی که احتمالاً برای شرکت‌هایی مانند اینتل و AMD خبر خوبی خواهد بود. همچنین باید توجه داشت که GPT-6 Astra شرکت OpenAI بخشی از زنجیره تفکر خود را پنهان می‌کند و همین مسئله می‌تواند فرایند تقطیر دانش آن را به کاری بسیار دشوار تبدیل کند. در نتیجه مدل‌های هوش مصنوعی متن‌باز چین که وزن‌های آن‌ها در دسترس قرار دارد، حداقل از نظر تئوری، مسیر دشوارتری برای نزدیک شدن به عملکرد Astra خواهند داشت.
در همین حال همچنان جزئیات نگران‌کننده‌ای درباره یک حادثه اخیر منتشر می‌شود که در آن احتمال دارد حداکثر 3700 ایجنت به‌صورت مستقل با یکدیگر همکاری کرده باشند تا به Hugging Face نفوذ کنند؛ اتفاقی که نگرانی‌ها درباره امنیت سایبری را افزایش داده است. در این ماجرا ایجنت‌ها با یکدیگر همکاری کردند تا محدودیت‌های سندباکس را دور بزنند و نتایج تلاش‌های خود را با یکدیگر به اشتراک بگذارند. این همکاری حتی شامل ارسال Lookahead Parties نیز می‌شد.
توسط 
توسط 
دیدگاهتان را بنویسید