نگرانی از نجوا به فریاد تبدیل شده است، با تمامی تغییراتش بر روی یک موضوع نگران‌کننده: «مغز شما در چت‌جی‌پی‌تی». «هوش مصنوعی شما را کندذهن‌تر می‌کند». «هوش مصنوعی تفکر انتقادی را از بین می‌برد». زمانی، ترس از هوشی سرکش بود که ما را نابود کند، شاید در حین تبدیل کردن سیاره به کارخانه گیره کاغذ. اکنون که چت‌بات‌ها نیز مانند گوگل، از معجزه به امری عادی تبدیل می‌شوند، اضطراب نیز تغییر کرده است، از آخرالزمان به زوال. معلمان، به ویژه، می‌گویند که نشانه‌های این زوال را مشاهده می‌کنند. اصطلاح آن ناخوشایند اما مناسب است: مهارت‌زدایی.
این نگرانی به هیچ وجه خیالی نیست. کودکانی که برای خلاصه‌سازی نمایش شب دوازدهم (Twelfth Night) به جیمنای (Gemini) روی می‌آورند، شاید هرگز یاد نگیرند که خودشان با شکسپیر دست و پنجه نرم کنند. وکلای آینده‌داری که از هاروی هوش مصنوعی (Harvey AI) برای تحلیل حقوقی استفاده می‌کنند، ممکن است نتوانند قدرت تفسیری را که پیشینیانشان بدیهی می‌دانستند، توسعه دهند. در یک مطالعه اخیر، چندین صد نفر از شرکت‌کنندگان بریتانیایی یک آزمون استاندارد تفکر انتقادی دادند و در مورد استفاده از هوش مصنوعی برای یافتن اطلاعات یا تصمیم‌گیری مورد مصاحبه قرار گرفتند. کاربران جوان‌تر بیشتر به فناوری متکی بودند و در آزمون نمرات پایین‌تری کسب کردند. نتیجه اصلی این بود: استفاده کن وگرنه از دست می‌دهی. مطالعه دیگری پزشکان را هنگام انجام کولونوسکوپی بررسی کرد: پس از سه ماه استفاده از یک سیستم هوش مصنوعی برای کمک به شناسایی پولیپ‌ها، آنها در تشخیص پولیپ‌ها بدون کمک، کمتر ماهر شدند.
اما پازل واقعی این نیست که آیا مهارت‌زدایی وجود دارد یا نه – که آشکارا وجود دارد – بلکه ماهیت آن چیست. آیا همه اشکال مهارت‌زدایی مخرب هستند؟ یا انواعی وجود دارد که می‌توانیم با آنها زندگی کنیم و حتی ممکن است مورد استقبال قرار گیرند؟ مهارت‌زدایی یک اصطلاح کلی برای از دست دادن مهارت‌های بسیار متفاوت است: برخی پرهزینه، برخی بی‌اهمیت، و برخی به طرز عجیبی مولد. برای درک آنچه در خطر است، باید به دقت به روش‌هایی نگاه کنیم که مهارت با ورود فناوری‌های جدید از بین می‌رود، محو می‌شود یا تغییر شکل می‌دهد.
چت‌بات‌های ما جدید هستند: معماری «ترنسفورمر» (Transformer) که بر آن تکیه دارند، در سال ۲۰۱۷ اختراع شد و چت‌جی‌پی‌تی تنها پنج سال بعد به صورت عمومی عرضه شد. اما ترس از اینکه یک فناوری جدید ممکن است ذهن را کند کند، باستانی است. در کتاب فایدروس (Phaedrus)، که به قرن چهارم پیش از میلاد بازمی‌گردد، سقراط افسانه‌ای را بازگو می‌کند که در آن خدای مصری، توت (Thoth)، هدیه نوشتن را به پادشاه تاموس (Thamus) پیشنهاد می‌دهد – «دستوری برای حافظه و خرد». تاموس بی‌تفاوت است. او هشدار می‌دهد که نوشتن کاری برعکس خواهد کرد: فراموشی را پرورش می‌دهد، به مردم اجازه می‌دهد تا زحمت یادآوری را با نشانه‌های روی پاپیروس معامله کنند و ظاهر درک را با خود درک اشتباه بگیرند. سقراط با تاموس هم‌عقیده است. او گلایه می‌کند که کلمات نوشته‌شده هرگز به سؤالات خاص شما پاسخ نمی‌دهند؛ به همه به یک شیوه، خردمند و نادان، پاسخ می‌دهند؛ و هنگام سوءتفاهم ناتوان هستند.
البته، دلیل اینکه ما همه این‌ها را می‌دانیم – دلیل اینکه این رویداد مدام در تاریخ‌های ویگی فناوری (Whiggish histories of technology) ظاهر می‌شود – این است که افلاطون آن را نوشت. با این حال، منتقدان نوشتن کاملاً اشتباه نمی‌کردند. در فرهنگ‌های شفاهی، خوانندگان حماسه‌ها را در ذهن خود حمل می‌کردند؛ داستان‌گویان می‌توانستند قرن‌ها نسب‌نامه را به درخواست بازگو کنند. نوشتن چنین مهارت‌هایی را غیرضروری کرد. اکنون می‌توانستید ایده‌ها را بدون درگیر شدن با آنها درک کنید. گفتگو پاسخ می‌طلبد: توضیح، اعتراض، بازبینی. (گاهی «بسیار درست است، سقراط» کافی بود، اما باز هم.) در مقابل، خواندن به شما امکان می‌دهد در درخشش دیگری غرق شوید، در حالی که سرتان را تکان می‌دهید و هرگز خود را در برابر آن محک نمی‌زنید.
اما چیزی که از یک زاویه یک فقدان به نظر می‌رسد، از زاویه‌ای دیگر می‌تواند یک دستاورد باشد. نوشتن قلمروهای ذهنی جدیدی را گشود: تفسیر، فقه، تاریخ قابل اعتماد، علم. والتر جی. اونگ (Walter J. Ong)، محقق شفاهی و سوادآموزی، آن را به وضوح بیان کرد: «نوشتن فناوری‌ای است که فکر را بازسازی می‌کند.» این الگو آشناست. وقتی ملوانان استفاده از سدس (sextants) را آغاز کردند، مهارت قدیمی ناوبری با ستاره‌ها را کنار گذاشتند، یعنی خواندن دقیق ستارگان که زمانی آنها را با اطمینان به خانه هدایت می‌کرد. بعدها، ناوبری ماهواره‌ای به مهارت‌های سدس پایان داد. داشتن یک مدل تی (Model T) زمانی به معنای کار اضافی به عنوان مکانیک بود – دانستن نحوه تعمیر لوله‌ها، تنظیم زمان‌بندی احتراق با گوش، و روشن کردن مجدد موتور ماشین پس از توقف. موتورهای بسیار قابل اعتماد امروزی اسرار خود را پنهان می‌کنند. خط‌کش‌های محاسباتی جای خود را به ماشین‌حساب‌ها، و ماشین‌حساب‌ها به کامپیوترها دادند. هر بار، مهارت فردی کاهش یافت، اما عملکرد کلی پیشرفت کرد.
این یک الگوی اطمینان‌بخش است – چیزی از دست می‌رود، چیز دیگری به دست می‌آید. اما برخی از دستاوردها با هزینه‌های عمیق‌تری همراه هستند. آنها نه تنها آنچه مردم می‌توانند انجام دهند، بلکه آنچه آنها خود را می‌دانند نیز متزلزل می‌کنند.
در دهه ۱۹۸۰، شوشانا زوبوف (Shoshana Zuboff)، روانشناس اجتماعی، مدتی را در کارخانه‌های خمیر کاغذ در جنوب ایالات متحده گذراند که از کنترل دستی به کنترل کامپیوتری تغییر می‌کردند. اپراتورهایی که زمانی با لمس کردن خمیر («آیا لغزنده است؟ آیا چسبناک است؟») قضاوت می‌کردند، اکنون در اتاق‌های تهویه‌شده می‌نشستند و به اعدادی که روی صفحه‌نمایش‌ها اسکرول می‌شدند نگاه می‌کردند؛ مهارت‌های قدیمی آنها بدون استفاده و بی‌ارزش مانده بود. یکی از آنها به زوبوف گفت: «انجام کارم از طریق کامپیوتر، حس متفاوتی دارد. مثل این است که سوار یک اسب بزرگ و قدرتمند هستی، اما کسی پشت سرت روی زین نشسته و افسار را در دست دارد.» سیستم جدید سریع‌تر، تمیزتر و ایمن‌تر بود؛ همچنین معنای کار را نیز از بین برد.
ریچارد سنت (Richard Sennett)، جامعه‌شناس، تحولی مشابه را در یک نانوایی در بوستون ثبت کرد. در دهه ۱۹۷۰، کارگران آنجا مردان یونانی بودند که با بینی و چشم خود قضاوت می‌کردند که نان چه زمانی آماده است و به حرفه خود افتخار می‌کردند؛ در دهه ۱۹۹۰، جانشینان آنها با یک صفحه لمسی روی کنترل‌کننده‌ای به سبک ویندوز کار می‌کردند. نان به یک آیکون روی صفحه تبدیل شد – رنگ آن از داده‌ها استخراج می‌شد، نوع آن از یک منوی دیجیتالی انتخاب می‌شد. کاهش مهارت‌ها به کاهش هویت انجامید. نان هنوز خوب بود، اما کارگران آشپزخانه می‌دانستند که دیگر واقعاً نانوا نیستند. یکی از آنها به سنت گفت، نیمه‌شوخی: «نانوایی، کفاشی، چاپ – هر چه را بگویی، من مهارتش را دارم.» منظورش این بود که او واقعاً به هیچ مهارتی نیاز نداشت.
حوزه فرهنگی، قطعاً، عقب‌نشینی طولانی از لمس داشته است. در خانه‌های طبقه متوسط اروپا در قرن نوزدهم، دوست داشتن موسیقی معمولاً به معنای نواختن آن بود. سمفونی‌ها به سالن پذیرایی نه با استریو، بلکه با تنظیم پیانو می‌رسیدند – چهار دست، یک کیبورد، سمفونی شماره ۱ اثر برامس (Brahms) به بهترین شکل ممکن در خانه اجرا می‌شد. این کار به مهارت نیاز داشت: خواندن نت، تسلط بر تکنیک، و تداعی یک ارکستر با انگشتان دست. برای شنیدن موسیقی مورد نظر، باید تمرین می‌کردید.
سپس گرامافون رایج شد و پیانوهای سالن پذیرایی شروع به خاک خوردن کردند. دستاوردها واضح بودند: شما می‌توانستید خود ارکستر را به اتاق نشیمن خود بیاورید، دامنه شنوایی خود را از قطعات پیش پا افتاده سالن به آثار دبوسی (Debussy)، اشتراوس (Strauss)، سیبلیوس (Sibelius) گسترش دهید. علاقه‌مند به موسیقی مدرن شاید کمتر یک اجراکننده بود اما، به نوعی، بیشتر یک شنونده بود. با این حال، گستردگی به بهای عمق تمام می‌شد. تمرین یک قطعه به شما حس عمیقی از ریزه‌کاری‌ها و ظرایف آن می‌داد. آیا فرزند شما با گرامافون براق چنین حسی پیدا می‌کرد؟
این حس بیگانگی – یک گام دورتر از واقعیت بودن – هر زمان که ابزار قدرتمند جدیدی می‌رسد، ظاهر می‌شود. از قرن هفدهم، خط‌کش محاسباتی (slide rule) نیاز به تخصص در ریاضیات ذهنی را کاهش داد؛ قرن‌ها بعد، ماشین‌حساب جیبی در میان برخی مهندسان نگرانی‌هایی ایجاد کرد که از از بین رفتن حس عددی می‌ترسیدند. این نگرانی‌ها بی‌اساس نبودند. فشار دادن دکمه «Cos» روی صفحه‌کلید به شما یک عدد می‌داد، اما معنای پشت آن می‌توانست از بین برود. حتی در حوزه‌های تخصصی‌تر نیز این نگرانی ادامه داشت. ویکتور وایسکوپف (Victor Weisskopf)، فیزیکدان ام‌آی‌تی (MIT)، از اتکای فزاینده همکارانش به شبیه‌سازی‌های کامپیوتری ناراحت بود. او زمانی که همکارانش چاپ‌های خود را به او می‌دادند، به آنها گفت: «کامپیوتر پاسخ را می‌فهمد، اما من فکر نمی‌کنم شما پاسخ را بفهمید.» این ناراحتی یک پادشاه مصری بود، نسخه دیجیتال آن، که متقاعد شده بود خروجی با بینش اشتباه گرفته می‌شود.
در آنچه زوبوف «عصر ماشین هوشمند» نامید، اتوماسیون عمدتاً به محل کار – کارخانه، نانوایی صنعتی، کابین خلبان – محدود می‌شد. در عصر کامپیوترهای شخصی و سپس وب، فناوری به خانه راه یافت و همه‌منظوره شد و در زندگی روزمره تنیده شد. تا سال ۲۰۰۰، محققان از خود می‌پرسیدند که موتورهای جستجو چه بلایی سر ما می‌آورند. تیترهایی مانند «این مغز شما روی گوگل است» را می‌دیدید. اگرچه این وحشت بیش از حد بود، برخی از تأثیرات واقعی بودند. یک مطالعه پر استناد نشان داد که، در شرایط خاص، مردم مکان یافتن یک واقعیت را به جای خود واقعیت به خاطر می‌سپارند.
در حقیقت، شناخت انسان همیشه فراتر از جمجمه – به ابزار، نمادها و یکدیگر – نشت کرده است. (به زوج‌هایی فکر کنید که می‌شناسید: یکی از آنها تولدها را به خاطر می‌آورد، دیگری مکان پاسپورت‌ها را.) از زمان استخوان‌های شمارش و تا عصر لوح‌های گلی، ما برای ده‌ها هزار سال افکار را در جهان ذخیره کرده‌ایم. بسیاری از موجودات از ابزار استفاده می‌کنند، اما دانش آنها با آنها می‌میرد؛ دانش ما به عنوان فرهنگ انباشته می‌شود – یک سیستم رله برای هوش. ما آن را به ارث می‌بخشیم، گسترش می‌دهیم و بر روی آن بنا می‌کنیم، به طوری که هر نسل می‌تواند بالاتر از نسل قبلی صعود کند: از تیغه‌های سنگی فشرده به سوزن‌های استخوانی، به ماشین‌های چاپ، به محاسبات کوانتومی. این ترکیب بینش – که برون‌سازی شده، حفظ شده و به اشتراک گذاشته شده است – چیزی است که هومو ساپینس (Homo sapiens) را متمایز می‌کند. بونوبوها (Bonobos) در زمان حال اکولوژیکی زندگی می‌کنند. ما در تاریخ زندگی می‌کنیم.
در همین حال، انباشتگی یک پیامد حیاتی دارد: منجر به تخصصی شدن می‌شود. با گسترش دانش، دیگر به طور مساوی در ذهن همه جای نمی‌گیرد. در گروه‌های کوچک، هر کسی می‌توانست شکار کند، گیاهان جمع کند و آتش روشن کند. اما با گسترش جوامع پس از انقلاب کشاورزی، مشاغل و اصناف رشد کردند – ابزارسازانی که می‌توانستند تیغه‌ای مقاوم بسازند، معمارانی که می‌دانستند چگونه طاق را از فروریختن حفظ کنند، شیشه‌گرانی که دستورالعمل‌ها و تکنیک‌های محرمانه خود را بهبود می‌بخشیدند. مهارت‌هایی که زمانی در بدن جای داشتند، به ابزار منتقل شده و به نهادها ارتقا یافتند. با گذشت زمان، تقسیم کار به ناچار به تقسیم کار شناختی تبدیل شد.
هیلیاری پاتنام (Hilary Putnam)، فیلسوف، زمانی اظهار داشت که می‌تواند از کلمه درخت نارون (elm) استفاده کند، حتی اگر نتواند نارون را از راش تشخیص دهد. ارجاع اجتماعی است: شما می‌توانید در مورد نارون صحبت کنید زیرا دیگران در جامعه زبانی شما – گیاه‌شناسان، باغبانان، جنگلبانان – می‌توانند آنها را شناسایی کنند. آنچه در مورد زبان صادق است، در مورد دانش نیز صادق است. توانایی انسان تنها در افراد نیست، بلکه در شبکه‌هایی است که آنها تشکیل می‌دهند، هر یک از ما به دیگران وابسته است تا آنچه را که خودمان نمی‌توانیم تأمین کنیم، پر کنند. مقیاس، تبادل اجتماعی را به وابستگی متقابل سیستمی تبدیل کرد.
نتیجه دنیایی است که در آن، در یک مثال کلاسیک، هیچ‌کس نمی‌داند چگونه یک مداد بسازد. یک فرد به مهارت‌های جنگلبانان، کارگران کارخانه چوب‌بری، معدنچیان، شیمی‌دانان، لاک‌کنندگان نیاز دارد – شبکه‌ای نامرئی از حرفه‌ها حتی پشت ساده‌ترین شیء. مارک تواین (Mark Twain)، در کتاب یک یانکی کانکتیکات در دربار شاه آرتور (A Connecticut Yankee in King Arthur’s Court)، مهندسی از قرن نوزدهم را تصور کرد که در کملوت (Camelot) فرود می‌آید و میزبانان خود را با شگفتی‌های مدرن خیره می‌کند. خوانندگان با این موضوع همراه شدند. اما اگر همتای او در قرن بیست و یکم را در همان محیط قرار دهید، او ناتوان خواهد بود. سیم عایق تولید کند؟ مقداری دینامیت مخلوط کند؟ تلگرافی از صفر بسازد؟ بیشتر ما وقتی نتوانیم به وای‌فای وصل شویم، درمانده خواهیم شد.
تقسیم کار شناختی اکنون آنقدر پیشرفته است که دو فیزیکدان ممکن است به سختی یکدیگر را درک کنند – یکی ماده تاریک را مدل‌سازی می‌کند، دیگری حسگرهای کوانتومی می‌سازد. تسلط علمی اکنون به معنای دانستن بیشتر و بیشتر در مورد کمتر و کمتر است. این تمرکز منجر به پیشرفت‌های شگفت‌انگیزی می‌شود، اما به این معناست که باید درک کنیم که صلاحیت ما چقدر محدود است: متخصصان ابزارهای مفهومی را به ارث می‌برند که می‌توانند از آنها استفاده کنند اما دیگر نمی‌توانند آنها را بسازند. حتی ریاضیات، که مدت‌ها به عنوان قلمرو نبوغ انفرادی رمانتیک شده بود، اکنون اینگونه کار می‌کند. هنگامی که اندرو وایلز (Andrew Wiles) قضیه آخر فرما (Fermat’s Last Theorem) را اثبات کرد، هر لمای (lemma) را خودش دوباره استخراج نکرد؛ او نتایجی را جمع‌آوری کرد که به آنها اعتماد داشت اما شخصاً آنها را تولید مجدد نکرده بود، و ساختاری را بنا کرد که می‌توانست آن را به صورت کامل ببیند حتی اگر هر ستون آن را خودش برش نداده بود.
گسترش همکاری، معنای «دانستن چیزی» را تغییر داده است. دانش، که زمانی یک دارایی تصور می‌شد، به یک رابطه تبدیل شده است – مسئله این است که چقدر خوب می‌توانیم آنچه دیگران می‌دانند را پیدا، تفسیر و ترکیب کنیم. ما در تاروپود یک هوش توزیع شده زندگی می‌کنیم، وابسته به متخصصان، پایگاه‌های داده و ابزارها برای گسترش دامنه دسترسی خود. مقیاس این داستان را روایت می‌کند: مقاله نیچر (Nature) که ساختار DNA را اعلام کرد دو نویسنده داشت؛ یک مقاله نیچر در زمینه ژنومیک امروز ممکن است ۴۰ نویسنده داشته باشد. دو مقاله اعلام کننده بوزون هیگز (Higgs boson)؟ هزاران نفر. علم بزرگ به دلیلی بزرگ است. فقط زمان می‌برد تا این شبکه یک شرکت‌کننده جدید پیدا کند – کسی که نه تنها بتواند اطلاعات را ذخیره کند، بلکه فهم خود را تقلید کند.
تمایز قدیمی بین اطلاعات و مهارت، بین «دانستن آنکه» و «دانستن چگونه»، در عصر مدل‌های زبانی بزرگ (Large Language Models) محو شده است. به یک معنا، این مدل‌ها ایستا هستند: ماتریسی منجمد از وزن‌ها که می‌توانید آن را روی لپ‌تاپ خود دانلود کنید. به معنای دیگر، پویا هستند؛ پس از راه‌اندازی، پاسخ‌ها را در لحظه تولید می‌کنند. آنها کاری را انجام می‌دهند که سقراط از آن گلایه داشت که نوشتن نمی‌تواند: آنها به سؤالات پاسخ می‌دهند، با یک مخاطب تنظیم می‌شوند، گفتگو می‌کنند. (گاهی حتی با خودشان؛ زمانی که خروجی‌های خود را به عنوان ورودی بازخورد می‌دهند، محققان هوش مصنوعی آن را «استدلال» می‌نامند.) تصور گوگل به عنوان امتداد حافظه دشوار نبود؛ یک مدل زبانی بزرگ، برای بسیاری، بیشتر شبیه یک جایگزین برای خود ذهن است. آیا در مهار اشکال جدید هوش مصنوعی، هوش خودمان تقویت می‌شود – یا این هوش مصنوعی است که بی‌صدا و گام به گام به خودکفایی می‌رسد؟
ما نمی‌توانیم جن را به بطری بازگردانیم؛ اما می‌توانیم تصمیم بگیریم که چه طلسم‌هایی را برایش بسازیم. وقتی مردم از مهارت‌زدایی صحبت می‌کنند، معمولاً فردی را تصور می‌کنند که توانایی خود را در انجام کاری از دست داده است – خلبانی که مهارت پرواز دستی‌اش زنگار می‌گیرد، پزشکی که بدون کمک هوش مصنوعی تومورها را از دست می‌دهد. اما بیشتر کارهای مدرن مشارکتی هستند و ورود هوش مصنوعی این را تغییر نداده است. مسئله این نیست که انسان‌ها با ربات‌ها چگونه مقایسه می‌شوند، بلکه انسان‌هایی که از ربات‌ها استفاده می‌کنند با کسانی که استفاده نمی‌کنند چگونه مقایسه می‌شوند.
برخی افراد نگرانند که اتکا به هوش مصنوعی ما را از راه‌هایی بدتر کند که منافع وعده داده شده آن را از بین ببرد. در حالی که داریو آمودی (Dario Amodei)، مدیر عامل آنتروپیک (Anthropic)، به خوش‌بینی کشوری پر از «نوابغ» را تصور می‌کند، آنها کشوری پر از احمق‌ها را پیش‌بینی می‌کنند. این تکرار همان بحث قدیمی «جبران ریسک» (risk compensation) است: برخی از دانشمندان علوم اجتماعی چند دهه پیش استدلال می‌کردند که با افزودن کمربند ایمنی یا ترمز ضد قفل، مردم صرفاً بی‌احتیاط‌تر رانندگی خواهند کرد، و اعتماد به نفس افزایش یافته توسط فناوری باعث می‌شود حاشیه ایمنی را از بین ببرند. تحقیقات در نهایت نتیجه‌ای دلگرم‌کننده‌تر نشان داد: مردم سازگار می‌شوند، اما فقط به صورت جزئی، به طوری که منافع قابل توجهی باقی می‌مانند.
به نظر می‌رسد چیزی مشابه برای استفاده بالینی از هوش مصنوعی صادق است که بیش از یک دهه در بیمارستان‌ها رایج بوده است. به آن مطالعه کولونوسکوپی بازگردید: پس از انجام روش‌های کمک‌گرفته از هوش مصنوعی، متخصصان گوارش میزان تشخیص پولیپ بدون کمک خود را شش درصد کاهش دادند. اما هنگامی که مطالعه دیگری داده‌ها را از ۲۴,۰۰۰ بیمار جمع‌آوری کرد، تصویر کامل‌تری پدیدار شد: کمک هوش مصنوعی نرخ کلی تشخیص را تقریباً ۲۰ درصد افزایش داد. (هوش مصنوعی در اینجا یک سیستم خبره بود – شکلی محدود و قابل اعتماد از یادگیری ماشین، نه نوع مولدی که چت‌بات‌ها را تغذیه می‌کند.) از آنجا که نرخ‌های تشخیص بالاتر به معنای کاهش سرطان‌های از دست رفته است، این رویکرد «سنتور» (Centaur) به وضوح سودمند بود، صرف نظر از اینکه پزشکان منفرد کسری کمتر ماهر شده باشند. اگر این همکاری جان‌ها را نجات می‌دهد، متخصصان گوارش بی‌مسئولیت خواهند بود که از روی غرور اصرار بر پرواز انفرادی داشته باشند.
در حوزه‌های دیگر، هرچه فرد ماهرتر باشد، همکاری نیز ماهرانه‌تر خواهد بود – یا حداقل برخی مطالعات اخیر چنین نشان می‌دهند. یکی از آنها نشان داد که انسان‌ها در دسته‌بندی تصاویر دو نوع پرنده سینه سرخ (wren) و دو نوع دارکوب (woodpecker) از ربات‌ها بهتر عمل کردند. اما وقتی وظیفه تشخیص نظرات جعلی هتل بود، ربات‌ها برنده شدند. (حدس می‌زنم خود بازی بازی را تشخیص می‌دهد.) سپس محققان افراد را با ربات‌ها جفت کردند و به انسان‌ها اجازه دادند تا قضاوت‌هایی را با توجه به پیشنهادهای ماشین انجام دهند. نتیجه به وظیفه بستگی داشت. در جایی که شهود انسانی ضعیف بود، مانند نظرات هتل، افراد بیش از حد به ربات شک می‌کردند و نتایج را پایین می‌آوردند. در جایی که شهودشان خوب بود، به نظر می‌رسید که با ماشین همکاری می‌کنند، وقتی از قضاوت خود مطمئن بودند به آن اعتماد می‌کردند و زمانی که سیستم چیزی را که آنها از دست داده بودند، تشخیص داده بود، متوجه می‌شدند. در مورد پرندگان، دوتایی انسان و ربات از هر یک به تنهایی بهتر عمل کرد.
همین منطق در جاهای دیگر نیز صادق است: هنگامی که یک ماشین وارد جریان کار می‌شود، تسلط ممکن است از تولید به ارزیابی تغییر کند. یک مطالعه در سال ۲۰۲۴ بر روی برنامه‌نویسان که از گیت‌هاب کوپایلوت (GitHub Copilot) استفاده می‌کردند، نشان داد که استفاده از هوش مصنوعی به جای اینکه مهارت انسانی را از بین ببرد، آن را تغییر جهت می‌دهد. برنامه‌نویسان زمان کمتری را صرف تولید کد و زمان بیشتری را صرف ارزیابی آن می‌کردند – بررسی خطاهای منطقی، تشخیص موارد خاص، و تمیز کردن اسکریپت. مهارت از ترکیب به نظارت مهاجرت کرد.
این، بیشتر و بیشتر، همان چیزی است که «انسان در چرخه» (humans in the loop) باید به معنای آن باشد. تخصص از تولید پیش‌نویس اول به ویرایش آن، از سرعت به قضاوت تغییر می‌کند. هوش مصنوعی مولد یک سیستم احتمالی است، نه یک سیستم قطعی؛ نتایج احتمالات را برمی‌گرداند، نه حقیقت را. وقتی خطرات واقعی هستند، عوامل انسانی ماهر باید مسئول تصمیم خود باقی بمانند – توجه به زمانی که مدل از واقعیت منحرف شده است، و رفتار با خروجی آن به عنوان یک فرضیه برای آزمایش، نه یک پاسخ برای اطاعت. این یک مهارت نوظهور و حیاتی است. آینده تخصص نه تنها به میزان خوب بودن ابزارهای ما بستگی دارد، بلکه به میزان خوب بودن تفکر ما در کنار آنها نیز بستگی دارد.
اما همکاری مستلزم شایستگی است. اگر نیمه انسانی یک سنتور نداند چه کار می‌کند، در دایره‌ای بیهوده می‌چرخد. اینجاست که وحشت از آموزش و پرورش مطرح می‌شود. اگر از ابتدا هرگز مهارتی نداشتید، نمی‌توانید مهارت‌زدایی شوید. و چگونه می‌توانید شایستگی‌های اساسی را در عصری که بهترین ماشین مشق‌نویس جهان در جیب هر دانش‌آموزی جای می‌گیرد، القا کنید؟
ما، به عنوان معلمین، باید خودمان تکالیف زیادی انجام دهیم. روش‌های قدیمی ما نیاز به بازسازی دارند؛ در چند سال گذشته، بسیاری از دانشجویان، به تعبیری نگران‌کننده، «تخصصشان در چت‌جی‌پی‌تی» شده است. با این حال، هنوز زود است که با اطمینان در مورد تأثیر کلی آموزشی هوش مصنوعی نظر دهیم. بله، هوش مصنوعی می‌تواند برخی از توانایی‌ها را کُند کند. اما اگر به درستی استفاده شود، می‌تواند آنها را تیزتر نیز کند.
یک آزمایش تصادفی اخیر را در یک دوره فیزیک بزرگ در دانشگاه هاروارد در نظر بگیرید. نیمی از دانشجویان دو درس را به روش سنتی «بهترین شیوه» یاد گرفتند: یک کلاس فعال و عملی که توسط یک مربی ماهر هدایت می‌شد. نیمی دیگر از یک مربی هوش مصنوعی سفارشی استفاده کردند. سپس جای آنها عوض شد. در هر دو مرحله، دانشجویانی که توسط هوش مصنوعی آموزش دیده بودند، بسیار جلوتر بودند. آنها فقط بیشتر یاد نگرفتند، بلکه سریع‌تر کار کردند و گزارش دادند که احساس انگیزه و مشارکت بیشتری دارند. این سیستم طوری طراحی شده بود که مانند یک مربی خوب عمل کند: به شما نشان می‌داد که چگونه مشکلات بزرگ را به مشکلات کوچک‌تر تقسیم کنید، به جای بیان پاسخ‌ها، راهنمایی ارائه می‌داد، بازخورد را تنظیم می‌کرد و با سرعت هر دانش‌آموز سازگار می‌شد.
این همان چیزی بود که سیستم آموزشی قدیمی را قدرتمند می‌ساخت: توجه. هفته‌های اول حضورم در دانشگاه کمبریج را به یاد می‌آورم، که تک به تک با مربی بیوشیمی خود می‌نشستم. وقتی می‌گفتم «تقریباً متوجه شدم»، او آنقدر اصرار می‌کرد تا هر دو مطمئن می‌شدیم که واقعاً متوجه شده‌ام. این تمرکز هدفمند، جوهر نظارت در کمبریج بود. اگر مدل‌های زبانی بزرگ به درستی و به صورت سفارشی تنظیم شوند، وعده می‌دهند که چنین نوع توجهی را به صورت انبوه تولید کنند – نه ژاکت پشمی، نه چپق براق، نه ادا و اطوار متفکرانه، بلکه فشار پایدار و پاسخگویی که سردرگمی را به شایستگی تبدیل می‌کند.
ماشین‌ها جایگزین مربیان نخواهند شد. آنچه آنها وعده می‌دهند انجام دهند، رسیدگی به بخش‌های روتین آموزش است – بررسی جبر، تمرین لم‌ها، یادآوری به دانش‌آموزان برای نوشتن واحدها، و اطمینان از درک عملکرد کانال‌های غشایی. این، در تئوری، می‌تواند معلم را آزاد کند تا بر روی چیزهای مهم دیگر تمرکز کند: توضیح ایده‌های بزرگ، تلاش برای ظرافت، صحبت در مورد شغل، و تشخیص اینکه چه زمانی یک دانش‌آموز در حال فرسودگی است.
به هر حال، این سناریوی خوش‌بینانه است. ما باید در تعمیم دادن از یک مطالعه محتاط باشیم. (یک مطالعه بر روی دانش‌آموزان دبیرستانی ترکیه هیچ پیشرفت واقعی از استفاده از ربات مربی پیدا نکرد.) و باید توجه داشته باشیم که آن دانشجویان فیزیک از ربات مربی خود به خوبی استفاده کردند زیرا با امتحانات کلاسی روبرو بودند – یک ناظر، یک کرنومتر، و چشم سرد یک نمره‌دهنده.
ما همچنین باید به خاطر داشته باشیم که آنچه برای دوره‌های علوم، فناوری، مهندسی و ریاضی (STEM) کارآمد است، ممکن است برای علوم انسانی کارساز نباشد. مقاله ترم، با تمام ملال‌آورش، نظمی را می‌آموزد که بازتولید آن در گفتگو دشوار است: گام به گام استدلال ساختن، سنجش شواهد، سازماندهی مطالب، و پرداختن به لحن. برخی از ما که دانشجویان کارشناسی را آموزش می‌دهیم، شروع کرده‌ایم به دانشجویان جاه‌طلب بگوییم که اگر مقاله‌ای بنویسند، آن را می‌خوانیم و با آنها بحث می‌کنیم، اما این در نمره آنها تأثیری نخواهد داشت. این یک تسکین است، نه یک راه‌حل. در یک عقب‌گرد فرهنگی عجیب، شاید شفاهی بودن باید بار بیشتری را به دوش بکشد. آیا سقراط، مدافع بزرگ گفت‌وگو، بالاخره حرف آخر را خواهد زد؟
مهارت‌زدایی فرسایشی همچنان چشم‌اندازی است که نمی‌توان آن را نادیده گرفت: تحلیل تدریجی توانایی‌های شناختی یا ادراکی اساسی از طریق اتکای بیش از حد به ابزارها، بدون هیچ گونه دستاورد جبرانی. چنین کمبودهایی می‌تواند ذخایر یک سیستم را تهی کند – توانایی‌هایی که به ندرت به آنها نیاز دارید اما در مواقعی که اوضاع خراب می‌شود، باید آنها را داشته باشید. بدون آنها، انعطاف‌پذیری از بین می‌رود و آسیب‌پذیری رخنه می‌کند. خلبانی را در نظر بگیرید که هزاران ساعت را صرف نظارت بر خلبان خودکار می‌کند اما وقتی سیستم خراب می‌شود، یخ می‌زند. برخی نظریه‌پردازان اتوماسیون بین «انسان در چرخه» (humans in the loop)، که فعالانه درگیر می‌مانند، و «انسان بر فراز چرخه» (humans on the loop)، که صرفاً پس از انجام کار توسط ماشین آن را تأیید می‌کنند، تمایز قائل می‌شوند. نوع دوم، در صورت سوءمدیریت، آنچه را که لیسان باینبریج (Lisanne Bainbridge)، روانشناس صنعتی، مدت‌ها پیش هشدار داده بود، تولید می‌کند: سردرگمی نقش، کاهش آگاهی، و کاهش آمادگی. مانند یک ناجی غریق که بیشتر روزها شناگران توانا را در آب‌های آرام تماشا می‌کند، چنین ناظران انسانی به ندرت نیاز به عمل دارند – اما وقتی عمل می‌کنند، باید سریع و ماهرانه عمل کنند.
همین پویایی کار اداری از هر نوع را نیز تحت‌الشعاع قرار می‌دهد. هنگامی که وکلا، مدیران پروژه و تحلیلگران ماه‌ها را صرف تأیید آنچه سیستم قبلاً پیش‌نویس کرده یا استنباط کرده است، می‌کنند، آنها به «روی حلقه» (on the loop) تبدیل می‌شوند و از تمرین خارج می‌شوند. این پارادوکس اتوماسیون جزئی است – هرچه سیستم بهتر عمل کند، مردم کمتر نیاز به هوشیاری دارند و کمتر برای لحظات نادری که عملکرد شکست می‌خورد آماده هستند. راه حل احتمالا در طراحی سازمانی نهفته است. به عنوان مثال، یک محل کار می‌تواند تمرینات منظمی را – شبیه به آموزش‌های مکرر شبیه‌ساز پرواز خلبان – ترتیب دهد که در آن افراد باید ماشین را به چالش بکشند و اطمینان حاصل کنند که ظرفیت‌هایشان برای قضاوت واقعی در طول دوره‌های طولانی پرواز آرام از بین نرفته است.
مهارت‌های ذخیره، در بسیاری از موارد، نیازی به جهانی بودن ندارند؛ فقط باید در جایی از سیستم وجود داشته باشند، مانند آن کارشناسان درخت نارون. به همین دلیل است که آکادمی نیروی دریایی، با هشدار نسبت به احتمال اختلال در جی‌پی‌اس، آموزش ناوبری نجومی پایه را پس از سال‌ها بی‌توجهی دوباره احیا کرد. اکثر دریانوردان هرگز در دریاهای آزاد به سکستان دست نخواهند زد، اما اگر تعداد کمی از آنها مهارت کسب کنند، ممکن است برای پایداری یک ناوگان در صورت قطع شدن ماهواره‌ها کافی باشند. هدف این است که اطمینان حاصل شود حداقل مقداری از شایستگی تجسم‌یافته باقی می‌ماند، تا زمانی که یک سیستم دچار لغزش می‌شود، انسان هنوز بتواند ایستاده بماند – یا حداقل شناور بماند.
نگران‌کننده‌ترین چشم‌انداز، چیزی است که می‌توان آن را مهارت‌زدایی تکوینی (constitutive de-skilling) نامید: فرسایش توانایی‌هایی که اساساً ما را انسان می‌سازند. قضاوت، تخیل، همدلی، حس معنا و تناسب – این‌ها نسخه‌های پشتیبان نیستند؛ آنها اعمال روزمره هستند. اگر، در فرمول‌بندی هراس‌انگیز ژان پل سارتر (Jean-Paul Sartre)، قرار بود «ماشینِ ماشین» شویم، این فقدان در بافت زندگی عادی ظاهر می‌شد. آنچه ممکن است از بین برود، دانش ضمنی و تجسم‌یافته‌ای است که تشخیص روزمره ما را تضمین می‌کند. اگر مردم یاد بگیرند که سؤالات را به شیوه‌ای که سیستم ترجیح می‌دهد چارچوب‌بندی کنند، تا از منوی پاسخ‌های قابل قبول آن انتخاب کنند، آسیب به شکل شکست‌های دیدنی قضاوت نخواهد بود، بلکه به شکل تضعیف تدریجی شخصیت ما خواهد بود: گفت‌وگوی سطحی‌تر، کاهش اشتها برای ابهام، گرایش به عبارات خودکار در جایی که قبلاً به دنبال کلمه مناسب بودیم، جایگزینی آرام روان بودن با درک. واگذار کردن این توانایی‌ها، در واقع، واگذار کردن خودمان خواهد بود. از دست دادن آنها صرفاً نحوه کار ما را تغییر نمی‌دهد؛ بلکه شخصیت ما را تغییر می‌دهد.
بیشتر اشکال مهارت‌زدایی، اگر از دیدگاه بلندمدت به آن بنگریم، بی‌ضرر هستند. برخی مهارت‌ها منسوخ شدند زیرا زیرساخت‌هایی که آنها را حفظ می‌کردند نیز از بین رفتند. تلگراف نیاز به تسلط بر نقطه و خط تیره داشت؛ لاینوتایپ (linotype)، دست چابکی در کیبورد فلز مذاب؛ ویرایش فیلم تخت، لمس مداد گریس و نوار اتصال، به علاوه نقشه‌ای ذهنی از مکان صحنه‌ها در حلقه‌ها و موسیقی متن. وقتی خطوط تلگراف، دستگاه‌های چاپ داغ و حلقه‌های سلفون ناپدید شدند، حرفه‌هایی که از آنها حمایت می‌کردند نیز از بین رفتند.
نوع دیگری از مهارت‌زدایی، از بین بردن کارهای طاقت‌فرسا را نشان می‌دهد. کمتر کسی از از دست دادن شستن لباس با دست یا انجام تقسیم طولانی روی کاغذ ناراحت است. یک عصب‌شناس که می‌شناسم، قسم می‌خورد که LLMها در تسریع کارهای تکراری مربوط به پیش‌نویس پیشنهادات کمک‌هزینه مؤثر هستند. او هنوز مسئول محتوا است، اما اگر مهارت‌هایش در نوشتن کمک‌هزینه کاهش یابد، برایش مهم نیست. از نظر او، این علم نیست؛ این عملکردی است که توسط اقتصاد تحقیقاتی مورد تقاضا است. واگذار کردن بخشی از آن، زمان بیشتری برای کشف به او می‌دهد.
مهارت‌زدایی شغلی می‌تواند در واقع دموکراتیزه کننده باشد و دایره کسانی را که می‌توانند کاری را انجام دهند، گسترش دهد. برای دانشمندانی که با زبان انگلیسی مشکل دارند، چت‌بات‌ها می‌توانند پیش‌نویس بیانیه‌های هیئت بازبینی سازمانی را هموار کنند و مانع زبانی‌ای را برطرف کنند که ارتباط کمی با کیفیت تحقیق آنها دارد. مهارت‌زدایی در اینجا دسترسی را گسترده‌تر می‌کند. یا به نانوایی سنت و مردان یونانی که قبلاً در آشپزخانه کار می‌کردند فکر کنید. کوره‌ها بازوهایشان را می‌سوزاند، همزن‌های خمیر قدیمی عضلاتشان را می‌کشید، و سینی‌های سنگین نان به کمرشان فشار می‌آورد. در دهه ۹۰، زمانی که سیستم با کنترلر ویندوز کار می‌کرد، نیروی کار متفاوت به نظر می‌رسید: ترکیبی چند قومیتی از مردان و زنان پشت صفحه‌نمایش‌ها ایستاده بودند و روی آیکون‌ها ضربه می‌زدند. مهارت کاهش یافته بود؛ نیروی کار واجد شرایط رشد کرده بود. (و بله، نیروی کار آنها ارزان‌تر شده بود: دروازه‌ای گسترده‌تر، دستمزدی پایین‌تر.)
ما اغلب مهارت‌ها را به سادگی از دست می‌دهیم زیرا فناوری به ما امکان می‌دهد از زمان خود بهتر استفاده کنیم و مهارت‌های بالاتر را در زنجیره ارزش فرضی توسعه دهیم. در یکی از کارخانه‌های خمیر کاغذ زوبوف، اپراتورهایی که از فعالیت دستی رها شده بودند، می‌توانستند زمان بیشتری را صرف پیش‌بینی و جلوگیری از مشکلات کنند. یکی از آنها گفت: «نشستن در این اتاق و فقط فکر کردن بخشی از کار من شده است.» زوبوف این را مهارت‌آموزی مجدد نامید: مهارت‌های عملی جای خود را به انتزاع و استدلال رویه‌ای دادند، یا آنچه او «مهارت‌های فکری» نامید. اتفاقی مشابه با حسابداران پس از ورود برنامه‌های صفحه‌گسترده مانند ویزی‌کلک (VisiCalc) رخ داد؛ آنها دیگر وظیفه جمع زدن ستون‌های اعداد را نداشتند و می‌توانستند زمان بیشتری را صرف استراتژی مالیاتی و تحلیل ریسک کنند.
به طور ریشه‌ای‌تر، فناوری‌های جدید می‌توانند مهارت‌های جدیدی را به وجود آورند. قبل از میکروسکوپ، طبیعی‌دانان وجود داشتند اما میکروسکوپیست‌ها نه: رابرت هوک (Robert Hooke) و آنتونی ون لیوونهوک (Antonie van Leeuwenhoek) مجبور شدند عمل دیدن و تفسیر نامرئی را اختراع کنند. فیلم‌سازی صرفاً از تئاتر قرض نگرفت؛ بلکه فیلم‌برداران و ویراستارانی را به وجود آورد که حرفه‌های آنها سابقه واقعی نداشتند. هر جهش، میدان ممکن‌ها را گسترش داد. همین امر اکنون نیز ممکن است صادق باشد. همکاران جوان‌ترم اصرار دارند که کار با مدل‌های زبانی بزرگ، نوع جدیدی از هنر را آموزش می‌دهد – راهنمایی، کاوش، تشخیص سوگیری و توهم، و بله، یادگیری تفکر هماهنگ با ماشین. این‌ها مهارت‌های نوظهوری هستند که از درهم‌تنیدگی با یک معماری دیجیتال که به جایی نمی‌رود، متولد شده‌اند. فناوری‌های مهم، ذاتاً، صنایع دستی و مشاغلی را که هنوز نامی برای آنها نداریم، به ارمغان خواهند آورد.
بخش دشوار این است که بدون نوستالژی و سستی، تصمیم بگیریم کدام مهارت‌ها نگهدارنده هستند و کدام‌ها باید کنار گذاشته شوند. هیچ یک از ما دوست ندارد توانایی‌های به سختی به دست آمده را منسوخ شده ببیند، به همین دلیل باید در برابر کشش احساساتی مقاومت کنیم. هر پیشرفتی هزینه‌ای داشته است. سواد، قدرت حافظه را کند کرد اما توانایی‌های جدیدی برای تحلیل ایجاد کرد. ماشین‌حساب‌ها تأثیر منفی بر ریاضیات ذهنی گذاشتند؛ اما به افراد بیشتری اجازه دادند «محاسبات را انجام دهند». صدای ضبط شده توانایی موسیقیایی روزمره را تضعیف کرد اما نحوه گوش دادن ما را تغییر داد. و امروز؟ مطمئناً ما در مورد اینکه LLMها ذهن ما را گسترش می‌دهند یا کوچک می‌کنند، حرفی برای گفتن داریم.
در طول تاریخ بشر، توانایی‌های ما هرگز ثابت نمانده‌اند. دانش همیشه به بیرون جریان داشته است – از دست به ابزار به سیستم. ذکاوت فردی به هوش جمعی و هماهنگ تبدیل شده است، که توسط عادت دیرینه ما در برون‌سازی فکر هدایت می‌شود: ذخیره حافظه در نشانه‌ها، منطق در ماشین‌ها، قضاوت در نهادها، و اخیراً، پیش‌بینی در الگوریتم‌ها. تخصصی‌شدن که زمانی اصناف را تولید می‌کرد، اکنون کنسرسیوم‌های تحقیقاتی را تولید می‌کند؛ آنچه زمانی بین استادان و شاگردان می‌گذشت، اکنون از طریق شبکه‌ها و ماتریس‌های دیجیتالی در گردش است. هوش مصنوعی مولد – یک تقطیر آماری از دانش بشری – صرفاً جدیدترین فصل در شاگردی طولانی ما نسبت به اختراص خودمان است.
سپس، مهم‌ترین سؤال این است که چگونه عاملیت خود را دست نخورده نگه داریم: چگونه نویسندگان سیستم‌هایی باقی بمانیم که اکنون آماده‌اند تا بخش عمده‌ای از تفکر ما را بر عهده بگیرند. هر نسلی مجبور بوده یاد بگیرد که چگونه با پروتزهای شناختی جدید خود، خواه قلم‌نوک، طومار یا تلفن هوشمند، کار کند. آنچه جدید است سرعت و صمیمیت مبادله است: ابزارهایی که از ما یاد می‌گیرند همانطور که ما از آنها یاد می‌گیریم. مباشرت اکنون به معنای اطمینان از زنده ماندن ظرفیت‌هایی است که انسانیت ما در آنها نهفته است – قضاوت، تخیل، درک. اگر یک مهارت وجود داشته باشد که نتوانیم از دست دادنش را تحمل کنیم، مهارت دانستن این است که کدام یک از آنها اهمیت دارند.