پیشرفت کلاد شتاب گرفته؛ عدد ۱٫۹ برابر واقعاً برای کار شما چه معنایی دارد؟

سریعترشدن پیشرفت هوش مصنوعی، بهخودیخود یعنی کار شما سریعتر تمام میشود؟ نه لزوماً. گزارش تازه METR درباره آنتروپیک، سازنده کلاد، از شتاب پیشرفت توانایی مدلها خبر میدهد؛ اما تبدیل این نتیجه به وعده «دو برابرشدن بهرهوری» برای کارمند، برنامهنویس یا تحلیلگر مالی، به شواهد دیگری نیاز دارد. پیش از پرداخت هزینه یک ابزار یا تغییر روش کار، باید دید عدد گزارش دقیقاً چه چیزی را اندازه گرفته است.
فهرست مطالب
عدد ۱٫۹ برابر درباره کلاد دقیقاً چه میگوید؟
در ارزیابی METR از شتاب تحقیقوتوسعه آنتروپیک، منتشرشده در ۵ نوامبر ۲۰۲۶، برابر با ۱۴ آبان ۱۴۰۵، شیب پیشرفت شاخص توانایی AECI از اکتبر ۲۰۲۵ حدود ۱٫۹ برابر دوره قبلی برآورد شده است. بازه اطمینان ۹۵درصدی این برآورد ۱٫۵ تا ۲٫۸ برابر است. این شاخص نسخه آنتروپیک از شاخص توانایی Epoch است و مدلهای داخلی منتشرنشده را هم در بر میگیرد.
ارزیابی از ۱۲ اوت تا ۲۹ اکتبر انجام شده؛ تاریخ انتشار گزارش، تاریخ وقوع یک جهش یکروزه نیست. METR نقش AI را مهم میداند، اما عوامل غیرهوشمصنوعی و عدمقطعیت در نسبتدادن علت را نیز مطرح میکند. بخشی از شواهد عمومی نیست؛ آنتروپیک محرمانگی اطلاعات رقابتی را دلیل محدودکردن انتشار بعضی جزئیات میداند. این محدودیت امکان بررسی مستقل کامل را کاهش میدهد، ولی بهتنهایی اثبات نادرستی نتیجه نیست.
سه عددی که نباید به جای یکدیگر بنشینند
بحث اصلی بر سر تفاوت سه پرسش است: مدلها با چه سرعتی بهتر میشوند؟ یک مدل مشخص در آزمون چقدر خوب جواب میدهد؟ و شما با آن مدل، کار مشخص خودتان را با چه کیفیتی تحویل میدهید؟ این سه پرسش مرتبطاند، اما پاسخ مشترک ندارند.
- سرعت پیشرفت: تغییر توانایی مدلها در طول زمان را توصیف میکند؛ واحد آن «زمان صرفهجوییشده شما» نیست.
- نتیجه آزمون: به مجموعه سؤالها، شرایط اجرا و معیار نمرهدهی وابسته است. آزمون مناسب برنامهنویسی لزوماً کیفیت خواندن صورت مالی فارسی را نشان نمیدهد.
- نتیجه کار: باید با خروجی قابل قبول برای همان کار سنجیده شود؛ مثلاً استخراج درست رقم فروش از یک گزارش، همراه با صفحه منبع و واحد پول.

بنابراین نمیتوان عدد ۱٫۹ را در ساعت کاری، درآمد یا دقت تحلیل بازار ضرب کرد. چنین محاسبهای حتی اگر ظاهر دقیقی داشته باشد، تبدیل واحد معتبری نیست. برای مخاطب ایرانی که بین چند ابزار و هزینه اشتراک آنها انتخاب میکند، مهمترین پرسش این است: «کدام بخش از کار واقعی من بهتر انجام میشود؟»
یک مثال مالی: پاسخ قانعکننده یا پاسخ قابل رسیدگی؟
فرض کنید میخواهید از یک گزارش عمومی شرکت، فروش دوره جاری و دوره مشابه سال قبل را استخراج کنید. مدل ممکن است متنی روان درباره رشد شرکت بنویسد؛ اما اگر رقم تلفیقی را با رقم شرکت اصلی مقایسه کند یا میلیون ریال را تومان بخواند، روانی متن ارزشی برای تصمیم مالی ایجاد نمیکند. این یک مثال آموزشی است، نه گزارش آزمایش انجامشده روی کلاد.
برای چنین کاری، خروجی قابل قبول باید سه شرط داشته باشد: رقم با سند اصلی منطبق باشد، دوره و واحد یکسان باشد و مسیر رسیدن به پاسخ روشن بماند. حتی درستبودن محاسبه رشد فروش نیز بهتنهایی به معنای ارزندگی سهم یا مناسببودن خرید آن نیست؛ پرسش سرمایهگذاری متغیرهای دیگری دارد.

خود آنتروپیک چه معیار عملی پیشنهاد میکند؟
راهنمای رسمی ارزیابی کلاد بر معیارهای مشخص، قابل اندازهگیری و مرتبط با کاربرد تأکید میکند. ارزیابی باید نمونههای واقعی کار و موارد دشوار را در بر بگیرد؛ قیمت، تأخیر پاسخ و حفظ حریم خصوصی نیز میتوانند در کنار صحت پاسخ سنجیده شوند. این راهنمای استفاده است، نه تأیید مستقل نتیجه گزارش METR.
پیش از ارتقای ابزار، یک مجموعه کوچک از کارهای عمومی و غیرمحرمانه خودتان کنار بگذارید و معیار قبولی را از قبل بنویسید. مثال ساده، استخراج چند عدد از گزارشهای منتشرشده همراه با شماره صفحه است. ورودی و شرایط دو ابزار را یکسان نگه دارید؛ پاسخ ناقص را صرفاً بهخاطر لحن مطمئن قبول نکنید. یک بار موفقیت هم برای نتیجهگیری درباره همه کارها کافی نیست.
اگر مسئله شما هزینه اصلاح خروجی است، بررسی هزینه پنهان بازبینی پاسخهای هوش مصنوعی به همین بخش از تصمیم میپردازد. اینجا پرسش مقدماتیتر است: آیا شاخصی که در خبر دیدهاید، اصلاً همان چیزی را میسنجد که قصد خریدش را دارید؟
آیا این گزارش دلیل کافی برای خرید اشتراک یا اعتماد به تحلیل مالی است؟
بهتنهایی خیر. شتاب پژوهش میتواند نشانه مهمی از مسیر فناوری باشد؛ انتخاب ابزار، به نسخه در دسترس، نیاز مشخص، قیمت و کیفیت خروجی همان کار وابسته است. گزارش پیشرفت مدل نه توصیه خرید اشتراک است، نه گواه سودآوری معامله و نه مجوز سپردن تصمیم مالی به پاسخ یک چتبات. برای تصمیم عملی، بهجای بزرگترین عدد تیتر، دنبال نزدیکترین آزمون به کار خودتان باشید.






