۱۲ اصطلاح جدید که به گفته آنتروپیک، پیش از سرمایه‌گذاری در این شرکت باید بدانید
برای آشنایی با اصطلاحات رایج در دنیای شرکت‌ها، یک سطح معمول از زبان تخصصی کسب‌وکار وجود دارد؛ اما در صفحات ابتدایی دفترچه عرضه اولیه سهام آنتروپیک که به‌تازگی ثبت شده است، با سطح پیچیده‌تری از این اصطلاحات روبه‌رو می‌شویم.
اگر قصد دارید در روز عرضه اولیه سهام آنتروپیک یا در هر زمان دیگری در این شرکت سرمایه‌گذاری کنید، باید با اصطلاحات تخصصی شرکتی که در اسناد آن به کار رفته‌اند آشنا باشید. به احتمال زیاد این واژه‌ها را در نشست‌های اعلام نتایج مالی، گزارش‌های فصلی و سالانه شرکت و کنفرانس‌های بانکداری سرمایه‌گذاری نیز خواهید شنید.
احتمالاً هنگام ورود رقیب این شرکت، اوپن‌ای‌آی، به بورس در مقطعی از سال ۲۰۲۷ نیز اصطلاحات مشابهی به گوش خواهد رسید.
بر اساس دفترچه عرضه اولیه، درآمد آنتروپیک در نیمه نخست سال ۲۰۲۶ به ۱۶٫۳ میلیارد دلار رسید؛ درحالی‌که این رقم در مدت مشابه سال قبل ۱٫۱ میلیارد دلار بود. بااین‌حال، این سند از زیان خالص ۸۰٫۷ میلیارد دلاری شرکت در نیمه نخست سال نیز حکایت دارد و نشانه‌هایی از تداوم هزینه‌کرد سنگین برای هوش مصنوعی در سال‌های آینده ارائه می‌کند.
گزارش‌ها حاکی از آن است که بانکداران سرمایه‌گذاری در پی ارزش‌گذاری بسیار بالایی برای عرضه سهام آنتروپیک هستند؛ رقمی در حدود ۱٫۵ تا ۲ تریلیون دلار.
ممکن است سهام آنتروپیک پیش از پایان ماه نوامبر وارد بازار بورس شود.
آنتروپیک در صفحات ابتدایی دفترچه عرضه اولیه خود در مجموع ۳۹ اصطلاح را فهرست کرده است. برخی از آن‌ها، مانند «هوش مصنوعی»، روشن و قابل‌فهم‌اند؛ اما درک بسیاری از اصطلاحات دیگر به دانش تخصصی نیاز دارد. یاهو فایننس ۱۲ اصطلاحی را انتخاب کرده است که ممکن است برای خوانندگان ناآشنا باشند؛ فهرستی که می‌تواند هنگام عرضه اولیه سهام آنتروپیک به کار سرمایه‌گذاران بیاید.
چرخه عامل هوش مصنوعی (Agent loop): به فرایند تکرارشونده‌ای گفته می‌شود که در آن یک عامل هوش مصنوعی وظیفه‌ای دریافت می‌کند، اقدامی انجام می‌دهد ــ مانند برنامه‌ریزی یک پروژه، اجرای کد یا فراخوانی یک ابزار ــ و سپس نتیجه را بررسی می‌کند تا گام بعدی خود را تعیین کند. این چرخه تا تکمیل وظیفه ادامه می‌یابد. چرخه عامل، الگوی اجرایی اصلی در رفتار هوش مصنوعی عامل‌محور است.
هوش مصنوعی کاربردی (Applied AI): به حوزه‌ای تخصصی و یکی از کارکردهای سازمانی گفته می‌شود که بر به‌کارگیری مستقیم قابلیت‌های هوش مصنوعی در محیط‌های عملیاتی کسب‌وکار تمرکز دارد تا نیازهای مشخص مشتریان را برآورده کند. تیم‌های هوش مصنوعی کاربردی، از جمله مهندسانی که به‌صورت مستقیم در محل فعالیت مشتری مستقر می‌شوند، با شرکت‌ها همکاری می‌کنند تا راهکارهای سفارشی، گردش‌کارهای تخصصی و پیاده‌سازی‌های متناسب با حوزه فعالیت هر مشتری را طراحی و اجرا کنند. این راهکارها با سامانه‌ها و فرایندهای اختصاصی همان مشتری سازگار می‌شوند.
ضرایب افزایش توان محاسباتی (Compute multipliers): به بهبودهای الگوریتمی و روش‌شناختی در آموزش مدل‌ها و اجرای استنتاج گفته می‌شود که خروجی مؤثر حاصل از مقدار مشخصی توان محاسباتی را افزایش می‌دهند.
هوش مصنوعی مبتنی بر قانون اساسی (Constitutional AI): روشی برای آموزش مدل‌های هوش مصنوعی است که از مجموعه‌ای از اصول مکتوب استفاده می‌کند. آنتروپیک این مجموعه را «قانون اساسی کلود» می‌نامد و در حال حاضر آن را بر چهار اولویت سازمان داده است: ایمنی گسترده، رعایت اصول اخلاقی در سطحی گسترده، پایبندی به دستورالعمل‌های شرکت و کمک‌رسانی واقعی. در این روش، مدل‌ها پاسخ‌های خود را بر اساس این اصول ارزیابی می‌کنند، مورد نقد قرار می‌دهند و بازنگری می‌کنند. به این ترتیب، رفتار مدل را می‌توان با استفاده از اصولی قابل ممیزی تعریف و کنترل کرد، نه اینکه صرفاً به دستورالعمل‌های ثابت و مبتنی بر قواعد یا ارزیابی انسانی متکی بود.
پنجره زمینه (Context window): به حداکثر مقدار متن، کد یا محتوای دیگری گفته می‌شود که یک مدل هوش مصنوعی می‌تواند در یک درخواست پردازش کند. این ظرفیت بر حسب توکن اندازه‌گیری می‌شود و دستورالعمل‌ها، سابقه گفت‌وگو، ورودی کاربر و خروجی مدل را در بر می‌گیرد.
استدلال درهم‌تنیده (Interleaved thinking): به قابلیتی گفته می‌شود که در آن مدل هوش مصنوعی، میان فراخوانی‌های متوالی ابزارها در یک پاسخ واحد، مراحل مجزای استدلال را اجرا می‌کند؛ به‌جای آنکه تمام فرایند استدلال خود را به یک مرحله برنامه‌ریزی در ابتدای کار محدود کند.
تفسیرپذیری مکانیکی (Mechanistic interpretability): زیرشاخه‌ای از پژوهش‌های تفسیرپذیری است که بر مهندسی معکوس محاسبات داخلی شبکه‌های عصبی تمرکز دارد. این حوزه برخلاف روش‌هایی که رفتار مدل را صرفاً از روی ورودی‌ها و خروجی‌های آن استنباط می‌کنند، می‌کوشد ویژگی‌ها و مدارهای مشخص درون مدل را که موجب شکل‌گیری رفتار آن می‌شوند شناسایی کند. هدف این است که بتوان فرایند استدلال مدل را در سطح سازوکارهای داخلی آن بررسی و ممیزی کرد و نقاط ضعف احتمالی، از جمله رفتارهای فریبکارانه یا ناایمن را که ممکن است در آزمون‌های استاندارد آشکار نشوند، تشخیص داد.
هماهنگ‌سازی چندعاملی (Multi-agent orchestration): به معماری‌ای گفته می‌شود که در آن چند عامل هوش مصنوعی برای انجام یک وظیفه مشترک با یکدیگر همکاری می‌کنند. یک عامل وظیفه هماهنگی را بر عهده می‌گیرد و سایر عامل‌ها بخش‌های مختلف کار را به‌صورت موازی انجام می‌دهند. این ساختار امکان اجرای فعالیت‌های پیچیده‌تر و بلندمدت‌تری را فراهم می‌کند که یک عامل به‌تنهایی قادر به انجام آن‌ها نیست.
تزریق دستور (Prompt injection): روشی خصمانه است که در آن دستورالعمل‌های مخرب را در محتوایی قرار می‌دهند که قرار است مدل هوش مصنوعی آن را پردازش کند؛ برای مثال، در وب‌سایت‌ها، اسناد یا خروجی ابزارها. هدف این است که رفتار موردنظر مدل نادیده گرفته شود یا تحت تأثیر قرار گیرد؛ معمولاً بدون آنکه کاربر از این دست‌کاری آگاه باشد.
کاربران حرفه‌ای مصرف‌کننده (Prosumers): به کاربران فردی گفته می‌شود که برای انجام کارهای دانش‌محور، اشتراک ابزارهای هوش مصنوعی را خریداری می‌کنند.
یادگیری تقویتی (Reinforcement learning): روشی در یادگیری ماشین است که در آن مدل با انجام اقدامات، دریافت بازخوردهایی موسوم به پاداش و تنظیم رفتار خود، یاد می‌گیرد یک وظیفه را انجام دهد. هدف مدل، بیشینه‌کردن مجموع پاداش‌هایی است که در طول زمان به دست می‌آورد. در توسعه امروزی هوش مصنوعی، یادگیری تقویتی به‌طور گسترده برای اصلاح رفتار مدل پس از مرحله پیش‌آموزش به کار می‌رود؛ از جمله برای بهبود مفیدبودن، دقت و پایبندی به دستورالعمل‌های ایمنی.
یادگیری تقویتی از بازخورد انسانی (RLHF): به نوع مشخصی از یادگیری تقویتی گفته می‌شود که در آن ارزیابان انسانی پاسخ‌های مدل را امتیازدهی می‌کنند و از این امتیازها به‌عنوان سیگنال پاداش برای هدایت فرایند آموزش استفاده می‌شود.
برای دنبال‌کردن مطالب برایان سوزی، او را در ایکس با شناسه @BrianSozzi، اینستاگرام و لینکدین دنبال کنید. برای ارسال پیشنهادهای خبری، می‌توانید به نشانی [email protected] به او ایمیل بزنید.