جنسن هوانگ، مدیرعامل انویدیا، اعلام کرده است که هوش مصنوعی عمومی (AGI) فرا رسیده است. او این ادعا را در پستی در شبکه اجتماعی X در تاریخ ۶ سپتامبر ۲۰۲۶ مطرح کرد و مدل جدید GPT-6 Astra از شرکت OpenAI را به عنوان شاهدی بر این مدعا معرفی نمود.
نکته قابل توجه این است که چه کسی این ادعا را مطرح می‌کند. فردی که اعلام می‌کند خط پایان هوش مصنوعی طی شده است، همان کسی است که سخت‌افزار مورد نیاز برای این رقابت را نیز می‌فروشد.
وال استریت، از سوی خود، کمتر به درستی یا نادرستی ادعای هوانگ در مورد هوش مصنوعی عمومی علاقه‌مند است. این بازار بیشتر به تأثیر این ادعا بر تقاضا برای تراشه‌ها، حافظه و تجهیزات شبکه اهمیت می‌دهد.
محور اصلی استدلال هوانگ، مدل GPT-6 Astra است که OpenAI از حدود ۳ سپتامبر ۲۰۲۶ شروع به عرضه آن کرده است. OpenAI این مدل را به عنوان “هوشمندترین و همسوترین مدل خود” معرفی کرده است.
پست هوانگ جزئیاتی را برجسته کرد که به ترازنامه شرکتش نزدیک است. مدل Astra با استفاده از بیش از ۱۰۰,۰۰۰ پردازنده گرافیکی Nvidia Grace Blackwell آموزش دیده است.
این پست سپتامبر ناگهانی نبود. هوانگ ماه‌ها بود که پیام هوش مصنوعی عمومی را آماده می‌کرد.
او در تاریخ ۲۳ مارس ۲۰۲۶ در پادکست Lex Fridman، دیدگاه مستقیمی را ارائه داد: “من فکر می‌کنم ما به هوش مصنوعی عمومی دست یافته‌ایم.”
او این اظهارات را با اذعان به اینکه عوامل هوش مصنوعی فعلی هنوز محدودیت‌هایی دارند، همراه کرد.
سپس، در تماس سود و زیان انویدیا در تاریخ ۲۶ اوت ۲۰۲۶، هوانگ گفت که هوش مصنوعی عمومی برای بسیاری از وظایف حاصل شده است، در حالی که ایده نقاط عطف رسمی هوش مصنوعی عمومی را بی‌معنی خواند.
تحلیلگران گلدمن ساکس و مورگان استنلی به روایت هوش مصنوعی عمومی واکنش مثبتی نشان دادند. استدلال آن‌ها بر هزینه‌های سرمایه‌ای متمرکز است، نه فلسفه.
دیدگاه آن‌ها این است که داستان هوش مصنوعی عمومی می‌تواند منجر به افزایش هزینه‌ها برای زیرساخت‌های هوش مصنوعی شود. نام‌هایی که در لیست‌های تحت نظر آن‌ها قرار دارند، منعکس‌کننده این تفکر هستند. انویدیا (NVDA) در صدر قرار دارد و شرکت‌های Broadcom (AVGO) و Micron نیز در کنار آن هستند.
اگر آزمایشگاه‌های هوش مصنوعی و حامیان آن‌ها ایده ورود سیستم‌های در سطح هوش مصنوعی عمومی را بپذیرند، فشار برای تأمین ظرفیت محاسباتی افزایش می‌یابد. اتکای مدل Astra به بیش از ۱۰۰,۰۰۰ پردازنده گرافیکی Grace Blackwell، نمونه‌ای ملموس از آنچه که آموزش پیشرفته امروزی نیاز دارد، ارائه می‌دهد.
این پویایی توضیح می‌دهد که چرا توجه تحلیلگران به تأمین‌کنندگان زیرساخت‌ها معطوف می‌شود، نه شرکت‌های نرم‌افزاری هوش مصنوعی. تولیدکنندگان سخت‌افزار زمانی که مدل‌ها آموزش می‌بینند، پول دریافت می‌کنند، صرف نظر از اینکه نتایج بعدی چگونه ارزیابی شوند.
با این حال، خطرات واقعی در تکیه بیش از حد بر این روایت وجود دارد. اولین خطر، اعتبار است. هوانگ منافع آشکاری در خوش‌بینی هوش مصنوعی دارد و سرمایه‌گذاران باید ادعاهای او را با در نظر گرفتن این موضوع بسنجند.
خطر سوم، تمرکز است. فرضیه سرمایه‌گذاری که توسط تحلیلگران گلدمن ساکس و مورگان استنلی توصیف شده است، بر رشد مداوم در هزینه‌های سرمایه‌ای استوار است. هرگونه کندی در این هزینه‌ها، سهامی را که در حال حاضر به عنوان ذینفع معرفی می‌شوند، تحت تأثیر قرار خواهد داد.
