مرزبندی توان محاسباتی در هوش مصنوعی: سازوکار استانداردهای ۱۰ به توان ۲۵ و ۱۰ به توان ۲۶ فلاپس

نهادهای ناظر جهانی نظارت بر سامانه‌های هوش مصنوعی را به یک شاخص کاملاً فنی پیوند زده‌اند: عملیات ممیز شناور یا فلاپ (FLOP). با اجرایی شدن اختیارات نظارتی گسترده اتحادیه اروپا در سال ۲۰۲۶، مجادله بر سر اینکه ۱۰ به توان ۲۵ عملیات آستانه درست است یا ۱۰ به توان ۲۶، خط مقدم سیاست‌گذاری هوش مصنوعی را شکل می‌دهد.[14]

هر فلاپ نشان‌دهنده یک محاسبه محاسباتی پایه، مانند جمع یا ضرب دو عدد اعشاری است. هنگامی که یک مدل هوش مصنوعی آموزش می‌بیند، این عملیات ریاضی را تریلیون‌ها بار روی خوشه‌های عظیمی از پردازنده‌های گرافیکی تخصصی تکرار می‌کند.[3]

شمارش این محاسبات، معیاری کمّی و عینی از مقیاس مدل پیش از استقرار و عرضه به بازار به دست می‌دهد. از آنجا که حجم پردازش آموزشی در طول تاریخ همبستگی تنگاتنگی با توانمندی‌های مدل داشته، دولت‌ها از آن به‌عنوان پالایه‌ای اولیه برای شناسایی سیستم‌های نیازمند بازرسی دقیق‌تر استفاده می‌کنند.[3]

شکاف میان حوزه‌های قضایی گوناگون چشمگیر است. اتحادیه اروپا از آستانه ۱۰ به توان ۲۵ فلاپس به بعد فرض را بر وجود ریسک سیستماتیک می‌گذارد؛ سطحی که چند نمونه از مدل‌های نسل کنونی را در بر می‌گیرد. در سوی مقابل، کالیفرنیا، نیویورک و کره جنوبی آستانه قانونی خود را ده برابر بالاتر و روی ۱۰ به توان ۲۶ فلاپس گذاشته‌اند؛ مقیاسی که مشخصاً نسل بعدی مدل‌های پیشرو را هدف گرفته است.[7][12]

ریاضیات یک فلاپ

برآورد توان پردازشی مورد نیاز برای آموزش یک مدل ترنسفورمر متراکم، به یک قاعده سرانگشتی استاندارد در صنعت متکی است. در این شیوه معمول، تعداد پارامترهای مدل در شمار توکن‌های آموزشی ضرب شده و حاصل‌ضرب نهایی در عدد شش ضرب می‌شود.[3]

ضریب شش بیانگر کل محاسبات ضروری در فرآیند یادگیری است؛ به این صورت که در مرحله رفت یا پیش‌خور تقریباً دو عملیات به ازای هر پارامتر برای هر توکن انجام می‌شود و در مرحله برگشت یا پس‌انتشار نیز حدود چهار عملیات صورت می‌گیرد.[3]

در مدل‌های مبتنی بر ترکیب متخصصان (MoE)، نحوه محاسبه اندکی تفاوت دارد. تحلیل‌گران در این حالت، به جای شمارش تمام پارامترهای کل مدل، صرفاً پارامترهایی را محاسبه می‌کنند که برای هر توکن مشخص فعال می‌شوند تا بار پردازشی واقعی منعکس شود.[3]

چنانچه توسعه‌دهندگان تعداد پارامترها یا حجم داده‌های آموزشی را آشکار نکنند، پژوهشگران ناچارند توان پردازشی را بر پایه نتایج ارزیابی‌های بنچمارک یا میزان بهره‌گیری از سخت‌افزار تخمین بزنند. چنین برآوردهای بیرونی بسیار تقریبی‌اند و خطا در آن‌ها گاه به ضریبی بیش از دو برابر می‌رسد.[3]

برای پرهیز از این ابهامات، قوانین نوین هوش مصنوعی بار گزارش‌دهی را مستقیماً بر دوش خود توسعه‌دهندگان گذاشته‌اند. با ملزم ساختن شرکت‌ها به ثبت و افشای معیارهای پردازشی خود، رگولاتورها از تخمین‌های حدسی بی‌نیاز شده و دسته‌بندی دقیقی به دست می‌آورند.[3][4]

دقت محاسبات نیز نقشی تعیین‌کننده دارد. بیشتر آزمایشگاه‌های پیشرو مدل‌های خود را با فرمت‌های با دقت پایین‌تر، همچون ممیز شناور ۸ بیتی، آموزش می‌دهند؛ فرمتی که به تراشه‌ها اجازه می‌دهد محاسبات را سریع‌تر و با مصرف انرژی کمتر به سرانجام برسانند.[10]

هنگامی که قانون‌گذاران مفهوم فلاپ را تعریف می‌کنند، عموماً هر دو نوع محاسبات اعداد صحیح و ممیز شناور را بدون در نظر گرفتن سطح دقت در بر می‌گیرند. این تعریف جامع مانع از آن می‌شود که سازندگان صرفاً با تغییر فرمت محاسباتی در جریان آموزش، آستانه‌های نظارتی را دور بزنند.[6][8]

استاندارد ۱۰ به توان ۲۵ اتحادیه اروپا

قانون هوش مصنوعی اتحادیه اروپا ساختاری دولایه برای مدل‌های هوش مصنوعی چندمنظوره ترسیم کرده است. در حالی که همه مدل‌ها موظف به رعایت اصول پایه‌ای شفافیت هستند، ماده ۵۱ این قانون برای هر مدلی که با توان پردازشی تجمعی بیش از ۱۰ به توان ۲۵ فلاپس آموزش ببیند، فرض را بر وجود ریسک سیستماتیک می‌گذارد.[4]

این آستانه به منزله ممنوعیت مطلق نیست، بلکه جرقه‌ای اداری برای آغاز نظارت موشکافانه است. ارائه‌دهندگان مدل‌هایی که از خط ۱۰ به توان ۲۵ عبور می‌کنند، موظف‌اند ظرف دو هفته کمیسیون اروپا را مطلع کرده و تعهدات سخت‌گیرانه ماده ۵۵ قانون را رعایت نمایند.[4][5]

این تعهدات شامل اجرای ارزیابی‌های پیشرفته کیفی، شناسایی و کاهش ریسک‌های سیستماتیک در پهنه اتحادیه اروپا و تضمین امنیت سایبری مدل و زیرساخت فیزیکی آن است. همچنین تأمین‌کنندگان باید هرگونه حادثه جدی را پایش و گزارش کنند.[4][5]

آستانه ۱۰ به توان ۲۵ فلاپس شماری از مدل‌های فعال امروزی را در بر می‌گیرد. مؤسسه Epoch AI تا به‌روزرسانی ژوئن ۲۰۲۵ خود، ۳۳ مدل عمومی را شناسایی کرده بود که برآورد می‌شد در این سطح یا فراتر از آن آموزش دیده‌اند؛ روندی که از مارس ۲۰۲۳ با عرضه GPT-4 آغاز شد.[3]

لایحه جامع دیجیتال هوش مصنوعی اتحادیه اروپا که در ژوئیه ۲۰۲۶ لازم‌الاجرا شد، فرض ریسک سیستماتیک ۱۰ به توان ۲۵ فلاپس را بدون هیچ تغییری حفظ کرد. دفتر هوش مصنوعی اروپا اکنون بر اجرای این قواعد نظارت دارد و انطباق کامل مدل‌های دارای ریسک سیستماتیک را، صرف‌نظر از داشتن مجوزهای متن‌باز، طلب می‌کند.[5]

چارچوب نظارتی اروپا دستکاری و تغییر مدل‌های موجود را نیز پوشش می‌دهد. چنانچه یک توسعه‌دهنده پایین‌دستی مدلی چندمنظوره را به شکلی دقیق تنظیم و بازآموزی کند که قابلیت‌های بنیادین آن دگرگون شود، از نظر قانون عرضه‌کننده جدید به شمار می‌رود و باید ارزیابی ریسک سیستماتیک را از سر بگیرد.[4]

کمیسیون اروپا زمانی تغییر را چشمگیر تلقی می‌کند که توان پردازشی صرف‌شده برای اصلاح، از یک‌سوم توان پردازشی آموزش اولیه فراتر رود. این تدبیر تضمین می‌کند سیستم‌های به‌شدت دستکاری‌شده صرفاً به این بهانه که بر شالوده‌ای قدیمی استوارند، از نظارت ۱۰ به توان ۲۵ فلاپس نگذرند.[4]

ایالات متحده و خط مرزی ۱۰ به توان ۲۶

در ایالات متحده، دولت فدرال در آغاز هدف‌گذاری خود را ده برابر فراتر قرار داد. فرمان اجرایی ۱۴۱۱۰ رئیس‌جمهور بایدن در اکتبر ۲۰۲۳، آستانه ۱۰ به توان ۲۶ فلاپس را برای مدل‌های پایه با کاربرد دوگانه تعیین کرد که گزارش‌دهی اجباری به وزارت بازرگانی را به دنبال داشت.[9]

دفتر صنعت و امنیت این کشور در سپتامبر ۲۰۲۴ دستورالعمل‌هایی را برای رسمی کردن این الزام پیشنهاد داد. طبق آن، اشخاص مشمول آمریکایی ملزم بودند گزارش‌های فصلی درباره هرگونه فرآیند آموزش هوش مصنوعی با بیش از ۱۰ به توان ۲۶ عملیات پردازشی، شامل نتایج آزمون‌های ایمنی و تمهیدات سایبری، ارائه دهند.[6]

با این همه، جغرافیای قوانین فدرال در سال ۲۰۲۵ دستخوش دگرگونی شدیدی شد. فرمان اجرایی ۱۴۱۴۸ در ۲۰ ژانویه ۲۰۲۵ دستور قبلی بایدن را باطل کرد و الزام گزارش‌دهی فدرال در سطح ۱۰ به توان ۲۶ را از میان برد؛ خلائی که مجالس قانون‌گذاری ایالتی بی‌درنگ در پی پر کردن آن برآمدند.[3]

کالیفرنیا در سپتامبر ۲۰۲۵ لایحه سنا ۵۳ با عنوان «قانون شفافیت در هوش مصنوعی پیشرو» را تصویب کرد. این قانون بر مدل‌های پایه‌ای که با بیش از ۱۰ به توان ۲۶ فلاپس آموزش می‌بینند اعمال می‌شود و توسعه‌دهندگان را به انتشار چارچوب‌های ایمنی و گزارش حوادث بحرانی به ایالت وادار می‌سازد.[11]

نیویورک نیز با تصویب «قانون RAISE» همین مسیر را پیمود و آستانه ۱۰ به توان ۲۶ فلاپس را برای تعریف مدل‌های پیشرو برگزید. مطابق متن اصلاح‌شده، شرکت‌ها باید پیش از به‌کارگیری مدل‌های تازه، گزارش‌های شفافیت ارائه داده و ارزیابی شمول قانون را بر اساس مقیاس پردازشی انجام دهند.[8]

فراتر از کالیفرنیا و نیویورک، معیار ۱۰ به توان ۲۶ فلاپس به استاندارد عملی قوانین در سطح ایالت‌های آمریکا بدل شده است. این شاخص مرزی روشن ایجاد می‌کند که استارتاپ‌های کوچک و پژوهشگران دانشگاهی را از زیر بار سنگین تکالیف قانونی آزمایشگاه‌های غول‌پیکر شرکتی رها می‌سازد.[11]

این استاندارد خوشه‌های سخت‌افزاری را نیز هدف می‌گیرد. طرح‌های فدرال و ایالتی اغلب الزاماتی برای خوشه‌های رایانشی با توان اجرای ۱۰ به توان ۲۰ عملیات در ثانیه در نظر می‌گیرند تا بر زیرساخت فیزیکی مورد نیاز برای رسیدن به مرز آموزشی ۱۰ به توان ۲۶ نیز نظارت شود.[6][9]

پذیرش جهانی و بازار آسیا

معیار ۱۰ به توان ۲۶ فلاپس در پهنه بین‌المللی نیز با استقبال روبه‌رو شده است. قانون پایه‌ای هوش مصنوعی کره جنوبی که از ۲۲ ژانویه ۲۰۲۶ اجرایی شد، وظایف مضاعفی را بر مدل‌های پیشرفته با توان پردازشی تجمعی دست‌کم ۱۰ به توان ۲۶ فلاپس تحمیل می‌کند.[12][13]

چارچوب کره جنوبی به سبب تصریح بر دامنه صلاحیت فراسرزمینی حائز اهمیت است. این قانون بر هر کسب‌وکار خارجی که اقدامات هوش مصنوعی آن بر کاربران بازار کره تأثیر بگذارد حاکم است؛ به این معنی که اگر مدل‌های فراتر از ۱۰ به توان ۲۶ توسط شعب کره‌ای یا مصرف‌کنندگان آن کشور به کار روند، شرکت مادر باید پاسخگو باشد.[12]

کره جنوبی با تثبیت مرز روی ۱۰ به توان ۲۶ فلاپس، تعهدات هوش مصنوعی پیشرفته خود را به جای استاندارد ۱۰ به توان ۲۵ اتحادیه اروپا، با رویکرد ایالت‌های آمریکا همسو کرد. این آستانه بالاتر تضمین می‌کند که تنها شمار اندکی از سازندگان پیشرو جهان با الزامات دشوار مواجه شوند.[12]

قانون پایه‌ای هوش مصنوعی کره جنوبی برای سنگین‌ترین مجازات‌های خود یک مهلت تنفس در نظر گرفته است. هرچند قانون به قوت خود باقی است، دولت اجرای جریمه‌های مستقیم را دست‌کم تا ژانویه ۲۰۲۷ به تعویق انداخته تا به شرکت‌ها فرصت ایجاد سازوکارهای انطباق با مدل‌های ۱۰ به توان ۲۶ را بدهد.[12][13]

این دوره تنفس بازتابی از استراتژی فراگیرتر کشورهای آسیایی در ایجاد توازن میان ایمنی و رشد صنعتی است. چارچوب کره جنوبی با سرمایه‌گذاری‌های سنگین در زیرساخت داده و پرورش استعداد همراه است تا مطمئن شود آستانه ۱۰ به توان ۲۶ مانع پویایی زیست‌بوم بومی نوآوری نخواهد شد.[12]

دیگر بازیگران آسیایی مسیرهای متفاوتی را برگزیده‌اند. قانون توسعه هوش مصنوعی ژاپن مصوب ۲۰۲۵ به جای آستانه‌های پردازشی صلب، بر راهنماها و چارچوب‌های داوطلبانه تکیه دارد؛ در حالی که چین همچنان به اجرای مقررات هدفمند با مشارکت چند نهاد ادامه می‌دهد که تمرکزشان بر کاربردهای ویژه است نه مقیاس محاسباتی خام.[13]

هزینه مالی توان پردازشی

تفاوت میان ۱۰ به توان ۲۵ و ۱۰ به توان ۲۶ فلاپس فقط یک صفر روی کاغذ نیست؛ بلکه جهشی عظیم در هزینه‌کرد مالی است. آموزش چنین مدلی نیازمند خوشه‌های وسیعی از سخت‌افزارهای تخصصی است که ماه‌ها بی‌وقفه کار می‌کنند و حجم سرسام‌آوری از برق را می‌بلعند.[10]

تحلیل‌گران صنعت برآورد می‌کنند که رساندن یک مدل به آستانه ۱۰ به توان ۲۵ اتحادیه اروپا، بین ۷ تا ۱۰ میلیون دلار هزینه منابع پردازشی در بر دارد. این رقم در دسترس استارتاپ‌های دارای سرمایه مناسب و شرکت‌های تثبیت‌شده فناوری است و بخش بزرگی از صنعت را پوشش می‌دهد.[10]

در نقطه مقابل، گذر از مرز ۱۰ به توان ۲۶ فلاپس نیازمند ۷۰ تا ۱۰۰ میلیون دلار هزینه صرفاً برای توان پردازشی آموزش است. این مانع مالی بزرگ، توسعه مدل‌های ۱۰ به توان ۲۶ را منحصر به گروه برگزیده‌ای از آزمایشگاه‌های برخوردار از سرمایه هنگفت و ارائه‌دهندگان بزرگ خدمات ابری می‌کند.[10]

پیشینه قانون‌گذاری در کالیفرنیا این واقعیت مالی را به‌روشنی بازمی‌تاباند. در پیش‌نویس‌های اولیه، آستانه ۱۰ به توان ۲۶ فلاپس صراحتاً با این شرط همراه بود که هزینه آموزش مدل حداقل ۱۰۰ میلیون دلار باشد تا قانون تنها پروژه‌های پرهزینه جهان را هدف بگیرد.[11]

با بهبود کارآمدی سخت‌افزارها و نوسان بهای تراشه‌ها، تناظر مالی توان پردازشی ممکن است دستخوش تغییر شود. با این وجود، اختلاف ۱۰ برابری تضمین می‌کند که مدل‌های ۱۰ به توان ۲۶ در آینده نزدیک همچنان قلمرو اختصاصی غول‌های پیشرو بمانند.[10][11]

چرا توان محاسباتی دیگر شاخص دقیقی نیست؟

با وجود رواج گسترده در سیاست‌گذاری‌ها، محاسبه صرف پردازش پیش‌آموزش روزبه‌روز به شاخصی نامعتبرتر برای سنجش توانایی‌های واقعی مدل تبدیل می‌شود. هنگامی که قانون هوش مصنوعی اروپا تدوین می‌شد، پیش‌آموزش تا ۹۹ درصد از کل توان محاسباتی را تشکیل می‌داد و شاخصی اتکاپذیر به حساب می‌آمد.[2]

توسعه نوین هوش مصنوعی اکنون وابستگی شدیدی به روش‌های پس‌آموزش پیدا کرده است. تکنیک‌هایی مانند تقطیر دانش، تولید داده‌های ترکیبی و آموزش استدلال، بخش قابل‌توجهی از توان محاسباتی را می‌بلعند و جهش‌های مهارتی شگرفی می‌آفرینند، اما در آستانه‌های ساده مبتنی بر پیش‌آموزش نادیده گرفته می‌شوند.[2]

توان پردازشی صرف‌شده برای آموزش استدلال هر ۳ تا ۵ ماه تقریباً ۱۰ برابر شده است؛ رشدی که شتاب سالانه پردازش پیش‌آموزش را بسیار پشت سر می‌گذارد. اگر این روند بپاید، پس‌آموزش به‌زودی سهم عمده کل توان محاسباتی مدل‌های پیشرو را به خود اختصاص خواهد داد.[2]

این دگرگونی یک نقطه کور نظارتی پدید می‌آورد. مدلی در آینده ممکن است تنها با کسری از توان پردازشی پیش‌آموزشِ تعیین‌شده در آستانه‌ها تعلیم ببیند، اما به قابلیت‌هایی دست یابد که بسیار فراتر از اهداف قانون‌گذار است و عملاً از تور نظارت بگریزد.[2]

علاوه بر این، بهره‌وری الگوریتمی بی‌وقفه رو به بهبود است. پژوهشگران پیوسته معماری‌ها و شیوه‌های آموزشی نوینی کشف می‌کنند که با فلاپس کمتر عملکرد بالاتری استخراج می‌کند؛ امری که همبستگی تاریخی میان مقیاس پردازش خام و هوشمندی نهایی سیستم را سست می‌سازد.[2]

آینده آستانه‌های محاسباتی

رگولاتورها کم‌کم به کاستی‌های آستانه‌های پردازشی ایستا پی برده‌اند. لایحه ۵۳ کالیفرنیا صراحتاً محاسبات صرف‌شده برای تنظیم دقیق بعدی، یادگیری تقویتی یا دیگر تغییرات اساسی را در محاسبه ۱۰ به توان ۲۶ فلاپس گنجانده تا پیشرفت‌های مرحله پس‌آموزش را نیز به حساب آورد.[11]

قانون هوش مصنوعی اتحادیه اروپا نیز تمهیداتی برای بازنگری در آستانه ۱۰ به توان ۲۵ فلاپس با توجه به جهش‌های فنی پیش‌بینی کرده است. کمیسیون اروپا همچنین می‌تواند مدلی را بر پایه توانمندی‌ها یا آثار ملموس آن دارای ریسک سیستماتیک اعلام کند که مسیری جایگزین برای طبقه‌بندی به دست می‌دهد.[4]

کارشناسان سیاست‌گذاری چارچوب‌های جایگزینی پیشنهاد کرده‌اند؛ مانند آستانه‌های متحرکی که همگام با مرزهای دانش جابه‌جا می‌شوند. این رویکرد می‌تواند مرز نظارتی را به جای یک عدد ثابت که در گذر زمان کارایی خود را از دست می‌دهد، بر درصدی مشخص از پرمحاسبه‌ترین مدل‌های روز بنا نهد.[3]

پیشنهادهای دیگر بر این باورند که شمارش توان پردازشی باید صرفاً غربال اولیه‌ای کم‌هزینه باشد و ریسک واقعی مدل با سنجش‌های کیفی و میدانی عیار بخورد. این الگوی تلفیقی، عینیتِ شمارش فلاپ را با دقتِ آزمون‌های تجربی پیوند می‌زند.[3]

در حال حاضر، آستانه‌های توان محاسباتی پابرجا هستند زیرا به‌کارگیری‌شان کم‌هزینه است، مناقشه بر سر آن‌ها دشوار است و پیش از عرضه مدل قابل اندازه‌گیری هستند. این معیارها همچنان سنگ‌بنای حکمرانی جهانی هوش مصنوعی بوده و واقعیت مقرراتی پیشرفته‌ترین آزمایشگاه‌های جهان را رقم می‌زنند.[3][14]