چند پیش‌بینی درباره آینده هوش مصنوعی و کار
کال نیوپورت، نویسنده کتاب کار عمیق و بازدهی آهسته
یکی از موضوعات اصلی این خبرنامه، تلاش برای پرورش کاری پایدار و معنادار در عصر دیجیتال است. با توجه به این هدف، نمی‌توان از مواجهه با پتانسیل‌های به‌شدت مخرب هوش مصنوعی اجتناب کرد.
در سال‌های اخیر، در نقش‌های خودم به‌عنوان نظریه‌پرداز دیجیتال و خبرنگار حوزه فناوری، وقت زیادی را صرف تحقیق و نوشتن درباره این موضوع کرده‌ام، بنابراین به نظرم مفید آمد که همه افکار فعلی‌ام درباره تقاطع هوش مصنوعی و کار را در یک جا گردآوری کنم.
البته باید یادآور شوم که این پیش‌بینی‌ها ممکن است تغییر کنند (حتی به‌طور قابل توجه)، چون این حوزه ذاتاً غیرقابل پیش‌بینی است و همچنان در حال تحول است، اما اینها بهترین حدس‌های فعلی من درباره وضعیت کنونی، آینده نزدیک و احتمالاً حباب‌های پیرامون این فناوری هستند.
بیایید شروع کنیم…
---
جایگاه فعلی هوش مصنوعی
وقتی هوش مصنوعی مولد (Generative AI) چند سال پیش به شکلی چشم‌گیر ظاهر شد، بیشتر افراد تصور می‌کردند اولین کاربرد مهم آن تولید متن خواهد بود. به‌عنوان مثال، انتظار می‌رفت کاربران کسب‌وکار به‌زودی بخش عمده‌ای از ارتباطات خسته‌کننده روزمره خود، مانند خلاصه جلسات، ایمیل‌ها و گزارش‌ها را به ابزارهای هوش مصنوعی بسپارند.
بخش زیادی از این پیش‌بینی عملی شده است، به‌ویژه در مورد ارتباطات طولانی و کاربردی که کیفیت آن اهمیت چندانی ندارد. برای مثال، من اخیراً در یک گردهمایی مردان شرکت کردم و واضح بود که برگزارکننده از ChatGPT برای نوشتن ایمیل نهایی که برنامه آخر هفته را خلاصه می‌کرد، استفاده کرده بود. چراکه نه؟ این کار را به‌خوبی انجام داده و در زمان صرفه‌جویی کرده است.
با این حال، به‌طور فزاینده‌ای روشن می‌شود که برای اکثر مردم، نوشتن در زندگی روزمره مشکل بزرگی نیست که نیازمند حل توسط هوش مصنوعی باشد، البته این موضوع مانع فراگیر شدن کاربرد مورد نظر شده است (یک نظرسنجی از کاربران اینترنت نشان داد که فقط حدود 5.4 درصد از ChatGPT برای نوشتن ایمیل‌ها و نامه‌ها استفاده کرده‌اند؛ این درصد شامل کسانی است که شاید فقط یک یا دو بار این قابلیت را امتحان کرده‌اند و بعد آن را کنار گذاشته‌اند). اما کاربردی که به جای آن جهش کرده و هیجان‌انگیزترین و محبوب‌ترین استفاده از این ابزارها شده، جست‌وجوی هوشمند است. اگر سؤالی دارید، به جای مراجعه به گوگل، می‌توانید از نسخه‌های جدیدی از ChatGPT یا Claude استفاده کنید. این مدل‌ها می‌توانند وب را جست‌وجو کرده و اطلاعات جمع‌آوری کنند، اما بر خلاف موتورهای جست‌وجوی سنتی، توانایی دارند اطلاعات را پردازش کرده و فقط آنچه را برای شما اهمیت دارد، خلاصه کنند. آیا می‌خواهید اطلاعات در قالب خاصی مثل جدول یا نمودار ارائه شود؟ مدل‌های پیشرفته مثل GPT-4o می‌توانند این کار را انجام دهند و مراحل اضافی را حذف کنند.
جست‌وجوی هوشمند اولین کاربرد موفق عصر هوش مصنوعی مولد است، زیرا مانند هر برنامه موفق دیگری، فعالیتی را که اکثر مردم قبلاً انجام می‌دادند، یعنی جست‌وجو در وب، به تجربه‌ای بهتر و تقریباً جادویی تبدیل کرده است. این تجربه شبیه فتح دفترچه‌های حساب کاغذی توسط صفحه‌های گسترده الکترونیکی یا جایگزینی ایمیل با پیغام صوتی و فکس است. تقریباً ۹۰ درصد نمونه‌هایی که اکنون در اینترنت می‌بینم که افراد در مورد پتانسیل هوش مصنوعی هیجان‌زده‌اند، مربوط به همین جست‌وجوی هوشمند است.
این تغییر رفتاری در داده‌ها نیز دیده می‌شود. نظرسنجی اخیر Future نشان داد که ۲۷ درصد پاسخ‌دهندگان آمریکایی به جای موتور جست‌وجوی سنتی، از ابزارهای هوش مصنوعی مانند ChatGPT استفاده کرده‌اند. از منظر اقتصادی، این تغییر مهم است. اوایل همین ماه، سهام آلفابت (شرکت مادر گوگل) پس از اعلام یک مدیر اپل مبنی بر کاهش استفاده از جست‌وجوی گوگل در مرورگر سافاری طی دو ماه گذشته (که احتمالاً به‌دلیل افزایش استفاده از ابزارهای هوش مصنوعی است) افت کرد.
به خاطر داشته باشید، جست‌وجوی وب کسب‌وکار بسیار بزرگی است و گوگل فقط در سال ۲۰۲۳ بیش از ۱۷۵ میلیارد دلار از تبلیغات جست‌وجو درآمد کسب کرده است. به نظر من، تبدیل‌شدن به گوگل جدید در جست‌وجو بهترین شانس برای شرکتی مانند OpenAI است تا به سوددهی برسد، حتی اگر این هدف به اندازه ساخت AGI یا خودکارسازی کامل کارهای دانش‌محور جذاب نباشد (درباره این موارد بعداً بیشتر می‌گویم).
موفقیت بزرگ دیگر هوش مصنوعی مولد در حال حاضر، برنامه‌نویسی کامپیوتری است. افراد با دانش ابتدایی برنامه‌نویسی اکنون می‌توانند با کمک ابزارهایی مانند ChatGPT نمونه‌های اولیه قابل استفاده از برنامه‌های ساده بسازند و پروژه‌های پیشرفته‌تر را با کمک دستیارهای هوش مصنوعی مانند Roo Code انجام دهند. این امر برای ساخت سریع ابزارهای شخصی یا اثبات مفهومی برای محصول آینده بسیار مفید است. برای مثال، مرکز رشد فناوری Y Combinator اعلام کرد که در دوره زمستان ۲۰۲۵، یک‌چهارم استارتاپ‌ها بیش از ۹۵ درصد کدهای محصول خود را با کمک هوش مصنوعی تولید کرده‌اند.
اما تا چه حد می‌توان به این کدنویسی خودکار امیدوار بود؟ اخیراً پژوهشگری به نام جودا دیمنت Judah Diament گفت توانایی کاربران مبتدی برای ساخت برنامه‌های ساده چیز جدیدی نیست. بیش از چهار دهه است سیستم‌هایی مانند HyperCard، VisualBasic و Flash برای این منظور وجود داشته‌اند. او توضیح داد: «البته همه اینها وقتی به مشکلات پیچیده یا غیرمعمول می‌رسند که در هر محصول نرم‌افزاری واقعی و قابل فروش لازم است، شکست می‌خورند.»
این دیدگاه باعث واکنش‌های منفی زیادی شد (مثل هر نوع شک‌گرایی به هوش مصنوعی این روزها)، اما دیامنت اشتباه نمی‌کند. با وجود اظهارنظرهای اغراق‌آمیز اخیر رهبران فناوری، بسیاری از برنامه‌نویسان حرفه‌ای نگران نیستند که شغل‌شان توسط مدل‌های زبانی قابل جایگزینی باشد، زیرا بخش بزرگی از کار آنها طراحی معماری مبتنی بر تجربه و اشکال‌زدایی است که مهارت‌هایی جداگانه و پیچیده‌اند و هنوز راه‌حل هوش مصنوعی مناسبی برای آنها وجود ندارد.
با این حال، توسعه‌دهندگان نرم‌افزار به‌طور گسترده‌ای از هوش مصنوعی استفاده می‌کنند، البته نه برای نوشتن کد از صفر، بلکه به‌عنوان ابزارهای کمکی. ابزارهایی مانند GitHub Copilot مستقیماً در محیط‌های کاری آنها ادغام شده‌اند و جست‌وجوی فراخوان‌ها یا کدهای خسته‌کننده را ساده‌تر می‌کنند. این افزایش بهره‌وری چشم‌گیر است و برنامه‌نویسی بدون کمک هوش مصنوعی به‌زودی کاهش می‌یابد.
---
کاربرد بزرگ بعدی هوش مصنوعی
سیستم‌های مبتنی بر مدل‌های زبانی می‌توانند به‌صورت شگفت‌انگیزی به دستورات پاسخ دهند، اما اگر فقط بر خروجی‌ها تمرکز کنیم، ارزش مهم دیگر این مدل‌ها را دست‌کم گرفته‌ایم؛ توانایی آنها در درک زبان انسانی. گفتنی است توانایی پردازش زبان طبیعی (NLP) قرار است نحوه استفاده ما از نرم‌افزار را متحول کند.
برای مثال، مایکروسافت با محصول «Copilot» که با «GitHub Copilot» فرق دارد، در حال پیشبرد پروژه‌ای است که با کمک هوش مصنوعی رابط‌های زبان طبیعی برای نرم‌افزارهای محبوب فراهم می‌آورد. به جای یادگیری دنباله‌های پیچیده کلیک و تنظیمات برای انجام کاری در برنامه‌ها، شما می‌توانید فقط بگویید: «هی Copilot، می‌تونی همه ردیف‌های این صفحه گسترده را که مبلغ دلار در ستون C کمتر از ۱۰ دلار است، حذف کنی، بعد بقیه را بر اساس نام‌های ستون A مرتب کنی؟ همچنین فونت خیلی کوچیکه، کمی بزرگ‌ترش کن.»
ارائه امکانات و قابلیت‌های پیشرفته نرم‌افزار به کاربران مبتدی، می‌تواند باعث افزایش چشم‌گیر بهره‌وری آنان شود. به‌علاوه، مدل‌هایی که این دستورات را درک می‌کنند، لازم نیست به بزرگی و پیچیدگی مدل‌های پیشرفته‌ای باشند که شرکت‌های بزرگ برای نمایش تکنولوژی‌شان استفاده می‌کنند. احتمالاً آن‌قدر کوچک‌اند که بتوانند به‌صورت محلی روی دستگاه‌ها اجرا شوند و هزینه و مصرف انرژی بسیار کمتری داشته باشند.
این کاربرد را دست‌کم نگیرید. شاید مانند جست‌وجوی هوشمند، به اندازه AGI یا خودکارسازی کامل جذاب نباشد، اما به‌تدریج مطمئن می‌شوم که ظرف حدود نیم‌دهه آینده، دستورات شفاهی و غیررسمی به یکی از رابط‌های اصلی دنیای محاسبات تبدیل خواهند شد.
---
عامل‌ها (Agents) چه می‌شوند؟
یکی از داستان‌های جذاب پیرامون هوش مصنوعی در حال حاضر، نزدیک‌شدن عامل‌هایی است که قرار است بخش‌های بیشتری از کارهای روزانه، به‌ویژه در حوزه‌های دانش‌محور را اتوماتیک کنند که پیش‌تر گمان می‌رفت دست‌نخورده باقی بمانند.
گزارش‌های اخیر نشان می‌دهند عامل‌ها بخش بزرگی از استراتژی درآمدی OpenAI در آینده نزدیک هستند. این شرکت پیش‌بینی می‌کند که مشتریان کسب‌وکار حاضر خواهند بود تا ۲۰ هزار دلار در ماه برای دسترسی به ربات‌های تخصصی که می‌توانند کارهای حرفه‌ای کلیدی انجام دهند، پرداخت کنند. این پیش‌بینی باعث شد ایلان ماسک بگوید: «اگر می‌خواهید کاری انجام دهید که شبیه یک سرگرمی باشد، می‌توانید شغل داشته باشید، اما در غیر این صورت، هوش مصنوعی و ربات‌ها هر کالا و خدماتی را که بخواهید، فراهم خواهند کرد.»
اما پیشرفت در ساخت این عامل‌ها اخیراً کُند شده است. برای فهم علت، لازم است نگاهی به وضعیت فعلی فناوری هوش مصنوعی مولد بیندازیم.
مدتی پیش، قانونی به نام «قوانین مقیاس» وجود داشت که می‌گفت با افزایش اندازه مدل‌های زبانی، توانایی‌های آنها به‌طور چشم‌گیری افزایش می‌یابد.
برای مدتی این قانون درست بود؛ GPT-2 بهتر از GPT بود، GPT-3 بهتر از GPT-2 و GPT-4 پیشرفت بزرگی نسبت به GPT-3 بود. امید بود که با افزایش اندازه مدل‌ها، سیستمی به دست بیاید که چیزی شبیه AGI باشد و بتواند پایه‌ای برای عامل‌هایی باشد که هر کار ممکن را خودکار کنند.
اما اخیراً این قوانین مقیاس در حال شکست‌خوردن هستند. شرکت‌ها هنوز سرمایه‌های عظیمی برای ساخت مدل‌های بزرگ‌تر و آموزش آنها روی GPUهای بیشتر و داده‌های بزرگ‌تر خرج می‌کنند، ولی عملکرد مدل‌ها به اندازه گذشته جهش نمی‌کند. به همین دلیل GPT-5 که انتظار می‌رفت عرضه شود، هنوز عرضه نشده و هفته گذشته Meta اعلام کرد انتشار بزرگ‌ترین مدلش را به تعویق می‌اندازد، چون تفاوت قابل توجهی با نسخه قبلی ندارد.
در پاسخ به شکست قوانین مقیاس، صنعت به سمت رویکرد دیگری رفته؛ تنظیم (tuning) مدل‌های موجود با استفاده از یادگیری تقویتی. مثلاً اگر بخواهید مدلی بسازید که در ریاضی خیلی خوب باشد، تعدادی دکترای ریاضی را با نرخ ۱۰۰ دلار در ساعت استخدام می‌کنید تا مجموعه‌ای از مسائل ریاضی همراه با پاسخ‌های گام‌به‌گام بسازند. سپس مدل موجودی مثل GPT-4 را با این مسائل تغذیه می‌کنید و با یادگیری تقویتی به آن نشان می‌دهید کدام بخش‌های پاسخ درست یا غلط هستند. با گذشت زمان، این مدل تنظیم‌شده در حل این نوع خاص مسائل بهبود می‌یابد.
این تکنیک دلیل انتشار مدل‌های متعدد با نام‌های گیج‌کننده توسط OpenAI است که هر کدام برای تخصص‌های مختلف بهینه شده‌اند. آنها ترجیح می‌دادند مدلی مثل GPT-5 بسازند که در همه کارها خوب باشد، اما این اتفاق هنوز رخ نداده است.
این رویکرد توسعه ابزارهای جالبی را ارائه می‌دهد، ولی پراکنده و نامطمئن‌تر از آن چیزی است که وقتی به قوانین مقیاس اعتقاد داشتیم، انتظار می‌رفت. بخشی از مشکل این است که این روش نیازمند یافتن داده مناسب برای هر وظیفه است. برخی مسائل مثل ریاضی، برنامه‌نویسی و استدلال منطقی به‌خوبی برای تنظیم مناسب‌اند، چون می‌توان آنها را با جفت‌های سؤال و جواب توصیف کرد. اما بسیاری از فعالیت‌های کسب‌وکاری پیچیده و خاص هستند و به همین دلیل بسیاری از فعالیت‌های مفید احتمالاً در آینده قابل خودکارسازی توسط عامل‌های زبانی نخواهند بود.
قبلاً گفته‌ام که تست تورینگ واقعی زمان ما، سیستمی است که بتواند صندوق ورودی ایمیل من را کاملاً خالی کند؛ هدفی که نیازمند تسلط بر چندین وظیفه پیچیده است. متأسفانه، به این زودی‌ها نمی‌توانیم انتظار داشته باشیم که هوش مصنوعی این تست را بگذراند.
---
آیا AGI به ابرهوش نزدیک است؟
مجله Free Press اخیراً مقاله‌ای منتشر کرد با عنوان «هوش مصنوعی معنای انسان‌بودن را تغییر می‌دهد. آیا ما آماده‌ایم؟» این مقاله احساس رایجی را که در سال‌های اخیر در سیلیکون‌ولی ترویج شده، خلاصه می‌کند؛ اینکه هوش مصنوعی در آستانه تغییر همه‌چیز به شکلی غیرقابل تصور است.
به گفته مقاله؛ «سم آلتمن»، مدیرعامل OpenAI، اخیراً گفته GPT-5 از همه ما باهوش‌تر خواهد بود. «داریو آمودی»، مدیرعامل Anthropic، سیستم‌های قدرتمند آینده را «کشوری از نابغه‌ها در یک مرکز داده» توصیف کرده است. این پیش‌بینی‌ها رادیکال نیستند. و به‌زودی به وقوع خواهند پیوست.
اما نکته این است که این پیش‌بینی‌ها رادیکال هستند. بسیاری از شرکت‌ها تلاش کردند معادل GPT-5 را بسازند، اما دریافتند افزایش اندازه مدل‌ها نتایج مورد انتظار را نمی‌دهد. همان‌طور که توضیح داده شد، آنها مجبورند مدل‌های فعلی را برای کارهای خاص تنظیم کنند. این کار می‌تواند دموی جذاب و محصول تولید کند، اما مسیر مناسبی برای دستیابی به سیستمی نابغه که به‌صورت کلی از انسان‌ها باهوش‌تر باشد، نیست.
اگر دقیق‌تر به سخنان پیشگویان هوش مصنوعی در ماه‌های اخیر نگاه کنیم، متوجه می‌شویم که در دنیای پس از قوانین مقیاس، آنها دیگر داستان قانع‌کننده‌ای برای تحقق پیش‌بینی‌های خود ندارند. برای مثال، ویدئوی اخیر «نیک بوستروم» که پیش‌بینی می‌کند ابرهوش ممکن است ظرف کمتر از دو سال رخ دهد، تأکید می‌کند که این اتفاق نیازمند «گشودن قفل‌های» مهمی در صنعت است، به این معنی که هنوز نمی‌دانیم چگونه چنین سیستم‌هایی بسازیم، ولی شاید کسی راه‌حلی پیدا کند! «گِری مارکوس»، منتقد هوش مصنوعی، این پیش‌بینی را با طنز نقد کرده و می‌گوید: «از نظر من، شاید فقط با گشودن یک قفل و سه تا شش هفته پرواز با نیروی ذهن، سفرهای بین‌ستاره‌ای، جاودانگی یا ابر هوش تحقق پیدا کنند.»
---
جمع‌بندی
1. هوش مصنوعی مولد در حال حاضر برای جست‌وجوی هوشمند و کدنویسی مفید است. این کاربردها به شکل واقعی درآمدزایی دارند و تغییرات ملموسی ایجاد کرده‌اند.
2. مدل‌های زبانی نقش مهمی در ایجاد رابط‌های طبیعی‌تر برای نرم‌افزارهای موجود خواهند داشت، ولی این تغییر به‌آرامی و در طول چند سال رخ خواهد داد.
3. ساخت عامل‌های هوش مصنوعی برای خودکارسازی کارهای دانش‌محور پیچیده به خاطر شکست قوانین مقیاس دشوار شده و این پروژه‌ها بیشتر به تنظیم دقیق مدل‌ها وابسته‌اند.
4. پیش‌بینی رسیدن به AGI یا ابرهوش در کوتاه‌مدت بسیار نامطمئن است و نمی‌توان به این زودی‌ها به وقوع آن امیدوار بود.
5. آینده کار و نقش انسان در آن به‌شدت تحت تأثیر این فناوری‌ها خواهد بود، اما نه به شکلی که ناگهان همه‌چیز دگرگون شود.
---