‏چرا تخصص‌گرایی در هوش مصنوعی اجتناب‌ناپذیره

این نوشته تو بلاگ Hugging Face و به قلمِ تیمِ Dharma AI، ایده‌های یه مقاله‌ی علمیِ ۲۰۲۶ از Goldfeder و همکاراش (از جمله Yann LeCun) رو باز می‌کنه. حرفِ اصلی اینه که برخلافِ انتظار، هرچی سیستم‌های هوش مصنوعی قوی‌تر می‌شن، لزوماً عمومی‌تر نمی‌شن؛ بلکه بهترین نتیجه‌ها معمولاً از مدل‌هایی درمیاد که فقط روی یه حوزه‌ی مشخص تمرکز کردن.

پایه‌ی ریاضیِ این ادعا قضیه‌ی «ناهار مجانی نداریم» (Wolpert و Macready، ۱۹۹۷) هست: اگه روی همه‌ی مسئله‌های ممکن میانگین بگیری، هیچ الگوریتم عمومی‌ای از بقیه بهتر نیست. نویسنده نتیجه می‌گیره که یه الگوریتم فقط وقتی برنده می‌شه که خوب رو هدفش نشسته باشه. وقتی منابع محدوده—محاسبات، داده و زمانِ محدود—این تنش شدیدتر می‌شه: هرچی دامنه‌ی کارها بزرگ‌تر بشه، سهمِ منابع برای هر کار به صفر نزدیک می‌شه.

به گفته‌ی نویسنده، زیست‌شناسی و بازار خیلی قبل‌تر به همین نتیجه رسیده بودن. تو طبیعت هر برتری تو یه محیط، هزینه‌ای جای دیگه داره؛ برای همین موجوداتِ بازمانده نه عمومی‌ترین‌ها، بلکه منطبق‌ترین‌ها با شرایطِ محلی‌ان و آخرش متخصص‌ها جاهای خالیِ اکوسیستم رو پر می‌کنن. تو بازار هم رقابت مثلِ یه فیلتر عمل می‌کنه و استراتژی‌هایی که به آستانه‌ی عملکرد نمی‌رسن حذف می‌شن.

خودِ یادگیری ماشین هم بارها این الگو رو دوباره کشف کرده. پدیده‌ی «انتقالِ منفی» نشون می‌ده وقتی یه مدل رو همزمان روی چند کارِ ناهمخوان آموزش می‌دی، عملکردش پایین‌تر از یه مدلِ اختصاصی میاد. حتی معماریِ mixture-of-experts هم هر ورودی رو به یه زیرمجموعه‌ی تخصصیِ شبکه می‌فرسته؛ نویسنده اینو یه جور تخصص‌گراییِ درونی می‌دونه. نمونه‌ی شاخصش هم AlphaFold هست که با تمرکز روی یه کارِ خاص یه جهش ایجاد کرد.

نویسنده به یه ایرادِ رایج هم جواب می‌ده: «درسِ تلخِ» Sutton می‌گه روش‌های متکی به دانشِ حوزه، جلوی روش‌هایی که فقط محاسبات رو زیاد می‌کنن کم میارن. ولی به گفته‌ی مقاله، این با تخصص‌گرایی فرق داره: دانشِ حوزه یعنی قاعده‌ها و ویژگی‌های دستیِ کدشده، ولی تخصص‌گرایی یعنی تصمیم درباره‌ی اینکه منابع رو کجا متمرکز کنی. اسکیل‌کردن نحوه‌ی یادگیری رو عوض می‌کنه، ولی این واقعیت که تمرکز از پراکندگی بهتره رو از بین نمی‌بره.

جمع‌بندیِ مقاله اینه که تخصص‌گرایی یه سلیقه نیست، بلکه چیزیه که وقتی منابعِ محدود به فشارِ عملکرد می‌خورن، خودبه‌خود ظاهر می‌شه.

نکات کلیدی:

• قضیه‌ی «ناهار مجانی نداریم» می‌گه هیچ الگوریتم عمومی‌ای تو همه‌ی مسئله‌ها بهترین نیست
• با منابعِ محدود، تمرکز روی چند کار از پخش‌شدن روی کارهای نامحدود بهتره
• زیست‌شناسی، بازار و یادگیری ماشین جدا از هم به همین نتیجه رسیدن
• «انتقالِ منفی» و معماریِ mixture-of-experts هم نشونه‌های همین تخصص‌گرایی‌ان
• «درسِ تلخ» درباره‌ی دانشِ حوزه‌ست، نه تخصص‌گرایی—این دوتا با هم می‌تونن درست باشن