راب ویلیامز [۱]خوب میداند چطور باید ایدههای تجاری را به جف بزوس ارائه کند: باید اول جوری یک بیانیه مطبوعاتی بنویسی که انگار محصولت از قبل ساخته شده است. بزوس آن را میخواند، یا تأیید میکند یا رد.
ویلیامز در دوران حضورش بهعنوان یکی از مدیران «تیم S» در آمازون، جایی که مسئول محصولات نرمافزاری مانند الکسا بود، بارها این فرایند را تجربه کرده بود؛ تا زمانی که پاییز گذشته از شرکت جدا شد. اما ایدهای که چند هفته بعد، در دسامبر ۲۰۲۵، مطرح کرد متفاوت بود. این بار او در همکاری با توماس ریردون [۲] عصبشناس و بنیانگذار چندین استارتاپ و نه بهعنوان کارمند، بلکه بهعنوان متقاضی سرمایهگذاری به سراغ بزوس رفته بود.
بزوس، در حالی که در قایق تفریحیاش لم داده بود، متن زیر را خواند و ویلیامز هم با اضطراب در تماس ویدیوئی منتظر پاسخ ماند: «فلوریش [۳]یک شرکت AI عصبشناختی است که به دنبال حل دو مشکل دشوار دنیای هوش مصنوعی است: بهرهوری انرژی و یادگیری مداوم. ما در حال ساخت Cortex AI هستیم؛ نخستین سامانه هوش مصنوعی که برای دستیابی به ظرفیت محاسباتی، بهرهوری یادگیری و مصرف انرژی برابر با مغز انسان طراحی شده است».
از چپ به راست: ویش سیواکومار، راب ویلیامز، توماس ریردون، جیکوب فوگلشتاین (سرمایهگذار و مشاور) و جاشوا تی. فوگلشتاین در دفتر فلوریش.
یک ماه بعد، همراه ریردون و ویلیامز در محلهً فلتآیرون نیویورک مشغول صرف ناهار هستم. ریردون بدون مقدمه سر اصل مطلب میرود. به گفته او :
هوش مصنوعی گورش را با دستهای خودش کنده است. مدلهای زبانی بزرگ با وجود قدرت فزایندهشان، مصرفکنندگان حریص توان محاسباتی و داده هستند.
هرچند در ابتدا زیستشناسی و مغز انسان الهامبخش این مدلها بودند، اما مدلهای پیشرفته امروزی شباهت چندانی به مغز انسان ندارند. یک انسان برای پردازش اطلاعات حدود ۲۰ وات انرژی مصرف میکند؛ در حالی که تنها یک تراشه در یک دستهً آموزشی هوش مصنوعی بیش از ۳۰ برابر این مقدار انرژی مصرف میکند! شرکتهای عظیم رایانش ابری به هزاران تراشه و گیگاواتها انرژی نیاز دارند؛ مقداری که برابر برق مصرفی شهرهای کوچک است. افزون بر این، این مدلها باید تقریباً تمام نوشتههای بشر را ببلعند و هر مدل جدید هم به دادههای بیشتر، بیشتر و باز هم بیشتری نیاز دارد. با وجود همه اینها، این مدلها واقعاً یاد نمیگیرند. پس از آموزش در همان وضعیت، ثابت میمانند.
ریردون به من گفت که هدف آنها ساخت «یک مغز مصنوعی مبتنی بر هوش مصنوعی است که با ۵۰ وات یا کمتر کار کند.» این سیستم باید بتواند با شرایط سازگار شود، چابکی ذهن انسان را داشته باشد و تنها بخش کوچکی از توان محاسباتی و انرژی مورد نیاز مدلهای زبانی بزرگ را مصرف کند. نمونهً موفق این ایده همین حالا درون جمجمههای ما قرار دارد. ریردون میگوید اینکه بگوییم «برای یاد گرفتن زبان انگلیسی باید تقریباً تمام کتابهای نوشتهشده در تاریخ را بیست بار بخوانم» از اساس اشتباه است، یک کودک میتواند این کار را تنها با استفاده از چند صد هزار گفتار انجام میدهد.
ریردون و ویلیامز هنوز توانایی ساخت سامانهای که با شگفتیهای مغز انسان برابری کند را ندارند. آنچه دارند این باور است که یک تیم متخصص و برخوردار از منابع کافی، متشکل از همکاری همزمان پژوهشگران هوش مصنوعی و عصبشناسان، میتوانند به این خواسته دست پیدا کنند. عصبشناسان با استفاده از پیشرفتهترین تجهیزات موجود در آزمایشگاه، آزمایشهای واقعی انجام خواهند داد تا سرنخها و دادههای قابل استفادهای درباره معماری مغز پیدا کنند. همچنین آنها قصد دارند مدلهایی را که هماکنون در حال توسعهشان هستند، در کوتاهمدت بهعنوان محصولاتی در مسیر بازآفرینی کامل هوش مصنوعی عرضه کنند.
توماس ریردون چهارم از نام کوچک خود استفاده نمیکند؛ چون در شجره خانوادگیشان افراد زیادی به نام تام وجود دارند. او میگوید: «همسرم من را ریردون صدا میکند، همه من را ریردون صدا میکنند.» او در خانوادهای کارگری و پرجمعیت با ۱۸ فرزند بزرگ شد و در ۱۵ سالگی از دانشگاه نیوهمپشایر انصراف داد. از آنجا به بعد، رزومهاش به شکل عجیبی شگفتانگیز میشود: در نوجوانی نابغه برنامهنویسی میشود، برای ساخت نخستین مرورگر وب مایکروسافت استخدام میشود و یک شرکت فناوری بیسیم را تأسیس و سپس واگذار میکند. سپس برای تحصیل در رشته علوم کلاسیک به دانشگاه کلمبیا میرود، به عصبشناسی علاقهمند میشود و در نهایت دکترای خود را نیز در همین رشته از کلمبیا دریافت میکند. بعد با چند نفر از همکلاسیهایش شرکت دیگری راهاندازی میکند، یک دستبند کنترل ذهن توسعه میدهد، شرکتش توسط متا خریداری میشود و شش سال در آنجا کار میکند (این دستبند اکنون همراه با جدیدترین عینکهای هوشمند متا عرضه میشود).
اما ریردون از شیوهای که شرکتهایی مانند متا، در حال ساخت ابزارهای پیشرفته هوش مصنوعی بودند ناراضی بود. تلاش برای دستیابی به توانایی یادگیری و صرفهجویی انرژی مغز ایده جدیدی نیست. هم آیبیام و هم اینتل تراشههای عصبگون (Neuromorphic) و الهامگرفته از معماری مغز معرفی کردهاند. بن رشت [۴] دانشمند علوم رایانه در دانشگاه برکلی و مشاور فلوریش، به یاد میآورد که دههها پیش دانشمندان به رویکردهای نورومورفیک در نرمافزار علاقه زیادی داشتند. سپس مدلهای زبانی بزرگ (LLMs) همهچیز را تحتالشعاع قرار دادند. او میگوید: «اسم آنها را شبکههای عصبی گذاشتهاند، اما هیچ چیز آنها مانند مغز عمل نمیکند».
ریردون موفق شد ویلیامز، مدیر سابق آمازون که از دوران همکاری در مایکروسافت او را میشناخت، را متقاعد کند به او بپیوندد. یکی دیگر از همکاران اولیهً آنها گرگ وین [۵] بود؛ پژوهشگر باسابقه دیپمایند [۶] که ریاست پروژه آسترا [۷] دستیار هوش مصنوعی گوگل، را بر عهده دارد. وین میگوید: «نمیدانستم آیا واقعاً میتوانند به هدفشان برسند یا نه، اما فکر میکردم به نتایج جالبی خواهند رسید و احتمالاً همین نتایج هم خیلی مفید است». دمیس هسابیس [۸]، مدیرعامل دیپمایند، تلاش کرد وین را در شرکت نگه دارد و در نهایت توافقی شکل گرفت که بر اساس آن وین سر شغلش میماند، اما ۲۰ درصد از زمان کاری خود را در فلوریش سپری خواهد کرد.
تا پایان ماه مارس، ریردون حدود ۲۴ نفر از برجستهترین عصبشناسان و پژوهشگران هوش مصنوعی را استخدام کرده بود. من روزی از آنها بازدید کردم که شرکت به دفتر جدید خود در منطقه وست سوهوی نیویورک نقل مکان میکرد؛ ساختمانی دهطبقه که یک مرکز داده داخلی نیز داشت. کارکنان در حال راهاندازی رایانههای خود بودند و تجهیزات آزمایشگاهی، مانند میکروسکوپهای الکترونی، هنوز نرسیده بودند.
گرگ وین میگوید: «هنوز موفق به کشف راز مرکزی مغز نشدهایم». تیم آنها روی ساختارهایی به نام ستونهای قشری [۹] تمرکز کرده است؛ ساختارهایی که یکی از دانشمندان فلوریش آنها را «واحدهای محاسباتی اصلی مغز» مینامد. یکی از سرمایهگذاران فلوریش جیکوب فوگلشتاین [۱۰] است؛ یک سرمایهگذار خطرپذیر که زمانی خود عصبشناس بوده است و همراه با برادرش جاشوا و چند نفر دیگر پروژه جاهطلبانهای به نام Open Connectome Project را راهاندازی کرده است. او میگوید: «ایده این بود که بتوان تمام تصویربرداریهای مغز را جمعآوری کرد و سپس با پردازش دادهها، مدارهای عصبی را تفسیر و تحلیل کرد».
این پژوهشها ممکن است در نهایت برای تیم بسیار مفید باشند. جاشوا فوگلشتاین، از بنیانگذاران فلوریش، اخیراً مقالهای درباره شبکه عصبی مگس میوه منتشر کرده و به این نتیجه رسیده که این شبکه ده برابر کارآمدتر از ترنسفورمر است؛ همان واحد معماری که هسته مرکزی مدلهای زبانی بزرگ است. نیتن دنیلسون [۱۱]، عصبشناس و پزشک فلوریش که پیشتر با ریردون در متا همکاری کرده بود، میگوید: «روشهای موجود اکنون به یک نقطه عطف رسیدهاند».
فلوریش تنها شرکتی نیست که به دنبال یافتن پاسخ در مغز انسان است؛ اصطلاح «نورومورفیک» آنقدر تکرار شده که تقریباً به یک واژه مد روز تبدیل شده است. شرکتی به نام Cortical Labs نورونهای رشدیافته در آزمایشگاه را با تراشههای سیلیکونی ترکیب میکند. سم آلتمن، مدیرعامل OpenAI، از Merge Labs حمایت مالی میکند؛ شرکتی که «مأموریت بلندمدت آن ایجاد پلی میان هوش زیستی و هوش مصنوعی» است. گروه ابرهوش متا ادعا میکند عملکرد مدل TRIBE v2 آنها «مانند دوقلوی دیجیتال فعالیتهای عصبی انسان» است. سازمانی به نام Unconventional AI نیز در حال راهاندازی برنامهای حمایتی برای پژوهشهایی است که دقیقاً هدف ریردون را دنبال میکنند: ساخت هوش مصنوعیای که بهرهوری زیستی را بازآفرینی کند. حتی برخی شرکتهای سرمایهگذاری خطرپذیر بهطور تخصصی روی پروژههای علوم اعصاب تمرکز دارند.
ریردون معتقد است مزیت رقابتی شرکتش در مجموعه کمنظیر عصبشناسانی نهفته است که گرد هم آوردهاند. این پژوهشگران به تحقیقات آزمایشگاهی خواهند پرداخت، در حالی که تیم هوش مصنوعی مدلهایی را بر پایه یافتههای آنها توسعه میدهد. از سوی دیگر، تیم الگوریتم نیز ممکن است سرنخهایی کشف کند که به کار عصبشناسان بیاید. جاش مورگان [۱۲] عصبشناس فلوریش، میگوید: «وقتی میتونی مطمئن شی چیزی رو یاد گرفتی، که بتونی آن را بسازی و در سیلیکون پیادهسازی کنی».
آنها میگویند برای انتشار بخشی از پژوهشهای اصیل خود نیز آمادگی دارند.
جیکوب فوگلشتاین که شریک مدیریتی Catalio Capital است، میگوید: «در نهایت، این شرکت به دنبال یافتن الگوریتمهای بنیادین و زیربنای هوش است».
ریردون به من میگوید تیمش مسیرهایی برای کسب درآمد در کوتاهمدت در چنته دارد که بر یافتههای جدید علوم اعصاب تکیه دارند. او میگوید آنها در حال توسعه روشی الهامگرفته از هیپوکامپ برای مدیریت حافظه هستند که به مدلهای شرکت اجازه میدهد بدون نیاز به حجم عظیمی از دادههای آموزشی یاد بگیرند. او میگوید تیم الگوریتم مدلی ساخته که میتواند بهطور مداوم یاد بگیرد و اکنون در حال کار روی پیادهسازی آن در «دستگاههایی است که در جیب خود حمل میکنید». همچنین اضافه میکند که در حال مذاکره با یکی از تولیدکنندگان بزرگ تراشه هستند تا این مدل را روی سیلیکون پیادهسازی کنند.
در اوایل ماه مه، دانشمندان فلوریش جلسهای عمومی در دفتر نیویورک خود برگزار کردند. ریردون و ویلیامز پشت میز کنفرانس نشستهاند و حدود دوازده نفر دیگر نیز حضور دارند؛ از جمله مشاور ارشد، گرگ وین، که از لندن آمده است. دانشمندان درباره شش آزمایش بالقوه بحث میکنند. اینها پروژههایی بزرگ و بلندپروازانهاند که به خرید دستگاههای میکروسکوپی چندمیلیوندلاری و سالها کار نیاز دارند.
بحث درباره این آزمایشها به پدیدههای زیستی متنوعی کشیده میشود؛ از نحوه گسترش هاری در قشر مغز گرفته تا عصبشناسی آواز پرندگان. آنها درباره این موضوع بحث میکنند که آیا باید روی مولکولها و سیناپسها تمرکز کنند یا به سراغ سلولها و مدارهای عصبی در مقیاسهای بزرگتر بروند. آیا تحلیل کانکتومهای مغز موش برای برخی اهداف کافی است یا تنها مغز انسان میتواند پاسخها را در اختیارشان بگذارد؟
دستکم در حال حاضر، نتیجه این است که همه مسیرها را امتحان کنند. شان بیتنر [۱۳] ، عصبشناس محاسباتی که او نیز پیشتر با ریردون در متا همکاری داشته، میگوید: «به این جمعبندی رسیدیم که دادهها را در مقیاسهای نانو، میکرو و مزو جمعآوری کنیم تا بتوانیم به کشف الگوریتم اصلی مغز نزدیک شویم».
سکوتی کوتاه و کمی معذبکننده برقرار میشود. سپس وین صحبت میکند: «این برنامه آزمایشی فوقالعاده است؛ این برنامه در واقع هم عملی است، نه اینکه صرفاً دیوانهوار باشد».
تردیدی وجود ندارد که کار فلوریش یک شرطبندی پرریسک و بلندمدت است. ویلیامز تعریف میکند که بزوس پس از خواندن سند اولیه فقط میخواست یک چیز را بداند: آیا بنیانگذاران واقعاً متعهد هستند که سالها روی این پروژه وقت بگذارند؟ وقتی پاسخ قاطع «بله» را شنید، با پرداخت میلیونها دلار موافقت کرد. (بزوس به درخواست ما برای اظهار نظر پاسخی نداد.) ویلیامز میگوید: «در سه سال نمیتوان کار خیلی بزرگی انجام داد. راه ایجاد تغییرات عظیم این است که برای چیزهایی برنامهریزی کنید که هفت تا ده سال بعد ارزش خود را نشان میدهند». البته برای ثبت در تاریخ، ریردون میگوید امیدوار است فلوریش ظرف پنج سال به راهحل بزرگی که دنبال میکند برسد.
بن رشت از دانشگاه برکلی، که مشاور فلوریش نیز هست، درباره مأموریت اصلی شرکت میگوید: «من هنوز باور ندارم که موفق خواهند شد. اما اگر موفق شوند، فوقالعاده خواهد بود». در آن صورت، هوش مصنوعی دیگر هرگز مثل قبل نخواهد بود. و احتمالاً تعداد زیادی از مراکز داده خالی خواهند ماند.
