Sam Altman kontratakuje: Sceptycyzm wobec skalowania opóźnił rozwój AI o lata

Sam Altman, dyrektor generalny OpenAI, nie zamierza wycofywać się z wyścigu zbrojeń w dziedzinie dużych modeli językowych (LLM). Podczas wystąpienia na Uniwersytecie Stanforda lider technologii generatywnej uderzył w ton rozliczeniowy. Sugeruje on, że całe pokolenie badaczy spowolniło postęp w dziedzinie sztucznej inteligencji. Powód? Zbyt pewne siebie zakładanie, że zwiększanie mocy obliczeniowej i zasobów danych ma swoje nieprzekraczalne granice.

Spór ten nabiera szczególnego tempa teraz, gdy OpenAI forsuje gigantyczne inwestycje infrastrukturalne, opiewające nawet na 1,4 biliona dolarów. Altman w swoich ostatnich obserwacjach przekonuje, że inteligencja modeli rośnie proporcjonalnie do logarytmu zasobów, a koszty ich obsługi spadają drastycznie — nawet dziesięciokrotnie każdego roku. To fundament strategii, która ma doprowadzić firmę do setek miliardów dolarów przychodu przed końcem dekady.

Spór o sufit możliwości

Altman odniósł się bezpośrednio do krytyków takich jak Yann LeCun z Mety, który wielokrotnie określał obecną architekturę LLM mianem „ślepej uliczki”. Zdaniem szefa OpenAI, przywiązanie do konkretnych stanowisk badawczych stało się dla niektórych kwestią tożsamości, co utrudnia obiektywną analizę danych. „Nie widzę żadnych oznak spowolnienia tego procesu” – ucina Altman, podkreślając, że strategia praw skalowania wciąż dostarcza wyników, o jakich sceptykom się nie śniło.

Dla lidera OpenAI zakłady przeciwko dalszemu skalowaniu modeli to błąd strategiczny. Podobnego zdania jest Dario Amodei z Anthropic. Tworzy się wspólny front największych laboratoriów przeciwko akademickim teoretykom, którzy od lat wieszczą rychły upadek paradygmatu LLM. To nie tylko walka o rację, ale o miliardy dolarów wpompowywane w centra danych i setki milionów akceleratorów graficznych.

Dowód w matematyce

Argumentem przeważającym szalę mają być konkretne osiągnięcia naukowe. Altman ujawnił, że jeden z modeli OpenAI zdołał niedawno obalić hipotezę matematyczną, która przez lata pozostawała nierozwiązana. To wydarzenie wywołało konsternację w środowisku naukowym i podważyło dogmat, jakoby AI potrafiła jedynie przetwarzać istniejącą wiedzę. „Jasne jest, że te systemy są zdolne do odkrywania nowych informacji” – stwierdził Altman, wskazując na wyższość maszyn w ściśle określonych, wąskich dziedzinach.

Ekonomiczny wymiar tej ewolucji jest równie uderzający. Koszt użycia modelu GPT-4o w przeliczeniu na token okazał się około 150 razy niższy niż w przypadku pierwotnej wersji GPT-4. To pokazuje, że skalowanie nie oznacza wyłącznie większych maszyn, ale też drastyczną demokratyzację dostępu do inteligencji obliczeniowej.

Gdzie kończy się moc obliczeniowa?

Mimo optymizmu, szef OpenAI zachowuje rzadką dozę realizmu w kwestii zadań długofalowych. O ile LLM błyszczą w zadaniach analitycznych, o tyle w procesach wymagających wieloetapowego planowania wciąż wypadają gorzej od ludzi. To właśnie te „długie horyzonty” pozostają ostatnim bastionem, którego samo dodawanie procesorów GPU może nie przezwyciężyć tak szybko, jak chcieliby tego entuzjaści.

Pojawiają się też bariery fizyczne. Altman przyznaje, że ograniczenia w budowie ogromnych centrów danych i dostępność energii mogą zahamować tempo rozwoju. Mimo to jego wizja pozostaje niezachwiana: prognozuje, że do 2035 roku ludzkość zyska dostęp do zbiorowej mocy intelektualnej porównywalnej z możliwościami całej dzisiejszej populacji.