تُبطأ تقدم الذكاء الاصطناعي بسبب فائض البيانات غير المفيدة — هناك الكثير منها

الاستنتاج الرئيسي: للانتقال من ChatGPT إلى الروبوتات “الحية”، لا يكفي مجموعات البيانات الضخمة فحسب، بل يلزم وجود معلومات ذات جودة عالية وذات صلة.

تؤكد Fortune أن صناعة الذكاء الاصطناعي على أعتاب عصر جديد – الذكاء الفيزيائي ونماذج العالم المحيط. يجب أن تكون هذه الأنظمة قادرة على التوجيه في الفضاء الحقيقي: السير على الطريق، طي الغسيل أو المساعدة في التدخلات الجراحية المعقدة. لذلك لا تحتاج إلى بيانات “قابلة للتحميل” فحسب، بل مجموعات غنية ومتعددة الأبعاد من المعلومات.

لماذا جودة البيانات حاسمة
1. الزائدة والغير مفيدة

في ظل الهوس حول الذكاء الاصطناعي ظهر العديد من الشركات الناشئة (Scale AI, Surge AI, Mercor) التي تسعى لجمع أكبر عدد ممكن من البيانات. يؤدي ذلك إلى تراكم حجم هائل من الملفات “الفراغية” التي لا تساهم في تدريب النماذج. إذا لم يتمكن الباحثون من تصفيتها، سيظل إمكانات الذكاء الاصطناعي الفيزيائي غير مستغلة.

2. تعقيد المشكلات متعددة الأبعاد

فهم العالم المعقد يتطلب كميات أكبر من البيانات، لكنها صعبة الوصول إليها بشدة. لذلك يلجأ المهندسون إلى النمذجة: إنشاء إعادة بناء افتراضية للسيناريوهات الحقيقية لتوليد أمثلة تدريبية للروبوتات والمركبات المستقلة.

3. مخاطر مجموعات منخفضة الجودة

قد تؤدي البيانات غير الجيدة إلى نتائج غير متوقعة. مثال على ذلك إيقاف دعم OpenAI لتطبيق الفيديو Sora: لم تستطع النموذج التعامل مع الفيزياء، مما أعاق التوقعات الواقعية.

كيفية معالجة المشكلة
- أدوات التنظيف

يحتاج خبراء التعلم الآلي إلى تقنيات تقوم تلقائياً بحذف البيانات الزائدة، تحليلها، تطبيعها وتصحيح مجموعاتها. سيمكن ذلك استخراج المعلومات القيمة من “الضوضاء”.

- التركيز على الجودة

العامل المحدد حاليًا هو نقص البيانات ذات الجودة العالية. الشركات التي تفهم هذا أولاً وتبدأ بالاستثمار في جمع ومعالجة هذه البيانات ستكون رائدة في إنشاء أنظمة ذكاء اصطناعي تعمل فعليًا.

وبالتالي، لا يمكن الانتقال من نماذج نصية إلى روبوتات قادرة على العمل في العالم الحقيقي بدون نهج منهجي لجودة بيانات التدريب. تؤكد Fortune أن هذا العامل هو ما سيحدد مستقبل الذكاء الفيزيائي.