در چند ماه گذشته، من هوش مصنوعی را وارد زندگی تفریحی پسر هفت سالهام، پیتر، کردهام. او شنبهها در کلاس برنامهنویسی شرکت میکند که اخیراً در آن نسخهای از بازی سنگ، کاغذ، قیچی را ساخته است، و واقعاً میخواهد بازیهای پیچیدهتری را در خانه بسازد. من سطح مهارت او را به ChatGPT و Claude توضیح دادم، و آنها بلافاصله گامهای بعدی را پیشنهاد کردند. Claude پیشنهاد داد که سعی کنیم بازی پونگ (Pong) را در Scratch، یک محیط برنامهنویسی برای کودکان، بازسازی کنیم. ما آن را دانلود کردیم، و من روی یک صندلی نشستم، در حالی که ChatGPT روی آیپدم بود، و پیتر روی کامپیوتر تلاش کرد پروژه را انجام دهد. هر زمان که او به مشکلی برمیخورد، من به سوالاتش پاسخ میدادم، یا از دانش برنامهنویسی خودم استفاده میکردم یا از هوش مصنوعی. او یک نسخه ابتدایی از بازی را در حدود یک ساعت به پایان رساند.
در هفتههای بعد، با کمک بیشتر من و هوش مصنوعی، پیتر بازیای بر اساس دوئلهای موتورسیکلت نوری در فیلم «ترون» (Tron) ساخت، که شامل موسیقی و سیستم امتیازدهی بود. او طرحهای اولیهی یک «شبیهساز کتابخانه» را کشید و بازی آرکید خودش، «نقطه در فضا» (Dot in Space)، را به پایان رساند که در مورد یک سفینه فضایی کوچک است که با سرعت نور سفر میکند. هر زمان که او به یک مانع بالقوه برای از دست دادن انگیزه برمیخورد، هوش مصنوعی ما را قادر میساخت که از آن عبور کنیم. به درخواست من، این سیستمها ما را به سمت محیطهای برنامهنویسی پیچیدهتر — Construct، GDevelop، Godot Engine، GameMaker — و پروژههای جاهطلبانهتر هدایت کردند. آخر هفته گذشته، او تا دیروقت بیدار ماند و در حالی که Cheerios میخورد و از بطری آبش جرعهجرعه مینوشید، انگار که یک نوشیدنی انرژیزا است، یک نسخه کامل از بازی Asteroids را برنامهنویسی میکرد.
از آنجایی که پیتر یک کودک است و من یک پدر هستم، همهی اینها ممکن است بامزه و جذاب به نظر برسد. آیا خوب نیست که هوش مصنوعی میتواند به یک جوان در یادگیری برنامهنویسی و به یک فرد مسنتر در تبدیل شدن به یک معلم برنامهنویسی کمک کند؟ اما بیایید از منظری متفاوت به آنچه در حال وقوع است نگاه کنیم. در کتاب «ثروت ملل» (The Wealth of Nations)، آدام اسمیت «تواناییهای اکتسابی و مفید» یک کارگر را نوعی «سرمایه ثابت» توصیف کرد – چیزی شبیه به یک قطعه زمین یا یک ابزار. تا دهههای ۱۹۶۰ بود که اقتصاددانی به نام تئودور شولتز اصطلاح «سرمایه انسانی» را برای توصیف فرآیند پویا و مستمری که افراد از طریق آن برای بهبود خود سرمایهگذاری میکنند، ابداع کرد. شولتز دریافت که افراد زمان، پول و تلاش زیادی را صرف توانمندتر شدن میکنند. آنها به کلاسهای شبانه میروند، شبکهسازی میکنند، کتابهای خودیاری میخوانند و تمایل دارند از اوقات فراغت خود برای «بهبود مهارتها و دانش» استفاده کنند. کار بهبود سرمایه انسانی اغلب دور از چشم اتفاق میافتد. اما به گفته او، «حقیقت ساده» این بود که «مردم روی خودشان سرمایهگذاری میکنند و این سرمایهگذاریها بسیار زیاد است». شولتز پیشنهاد کرد که این سرمایهگذاریها، که «کیفیت تلاش انسانی» را بهبود میبخشند، ممکن است «مسئول بیشتر افزایش چشمگیر در درآمد واقعی هر کارگر» باشد که اقتصاددانان در دهههای قبل مشاهده کرده بودند.
امروزه، بدیهی است که شرکتها و سازمانها از افرادی با سرمایه انسانی بالا بهره زیادی میبرند. جلسات زمانی مفیدتر هستند که شرکتکنندگان آگاه در آنها حضور داشته باشند؛ یک محصول زمانی بهبود مییابد که تیم سازندهی آن طیف گستردهای از مهارتها را داشته باشد. چیزی که کمتر واضح است این است که شرکتها و سازمانها همزمان برای تشخیص و بهرهبرداری از تغییرات در سرمایه انسانی با مشکل مواجهاند. فرض کنید فردی برای انجام یک کار استخدام میشود و سپس مهارتهایی را کسب میکند که او را برای کار دیگری واجد شرایط میکند. در حالت ایدهآل، چارت سازمانی با توانمندتر شدن او تغییر میکند؛ در عمل، شغل اغلب یک زندان است. و هنگامی که یک کارگر با یافتن شغلی در جای دیگر از آن زندان خارج میشود، سرمایه انسانی خود را با خود میبرد. به همین دلیل، از دیدگاه شرکت، تقریباً اینگونه است که استخدام ایدهآل کسی است که با تب و تاب برای افزایش سرمایه انسانی خود تا اولین روز کاری تلاش میکند، و سپس ناگهان کند میشود و به یک چرخدنده بسیار ماهر در ماشین تبدیل میگردد. سازمانها میخواهند کارگرانشان به بهبود خود ادامه دهند - اما نه آنقدر سریع که از سیستمهایی که در آنها درگیرند، پیشی بگیرند.
خوشبختانه برای مدیران، ساخت سرمایه انسانی زمان زیادی میبرد. یا حداقل اینطور بود: هوش مصنوعی، در میان چیزهای دیگر، فناوریای است که یادگیری را سرعت میبخشد و قابلیتها را افزایش میدهد. میلیونها نفر اکنون از مدلهای زبان بزرگ استفاده میکنند. آنها همگی با چتباتهای خود در حال معاشقه نیستند؛ در عوض، دریافتهاند که با کمک هوش مصنوعی، میتوانند کارهایی را انجام دهند که قبلاً هرگز انجام ندادهاند، و به سرعت درباره موضوعاتی که پیشتر برایشان غیرقابل دسترس بوده، یاد بگیرند. چه اتفاقی میافتد وقتی سرعت افزایش سرمایه انسانی ناگهان زیاد میشود؟ این یکی از چالشهایی است که هوش مصنوعی برای دنیای کسبوکار ایجاد میکند، دنیایی که در حال تلاش برای فهمیدن ارزش این فناوری است.
به دلایل متعددی، فکر کردن به هوش مصنوعی به عنوان ابزاری برای افزایش سرمایه انسانی عجیب به نظر میرسد. آیا کاربرد آن در اتوماسیون فکری نهفته نیست که دانش انسانی به سختی به دست آمده را زائد میکند؟ شرکتهای پیشرو در زمینه هوش مصنوعی از آیندهای صحبت میکنند که در آن سیستمهایشان کارگران را به صورت انبوه جایگزین کردهاند. شرکتهای بزرگی که در حال حاضر هوش مصنوعی را در کسبوکارهای خود ادغام میکنند، تقریباً قطعاً در همین راستا فکر میکنند. آنها چارهای جز این ندارند، زیرا هوش مصنوعی گران است. مایکروسافت برای چتبات شرکتی خود، کوپایلوت (Copilot)، به ازای هر کاربر هزینه دریافت میکند. اگر یک شرکت بزرگ — با هزاران کارمند — بخواهد «صندلیهای» کوپایلوت را برای کارمندانش خریداری کند، باید سالانه میلیونها دلار سرمایهگذاری کند.
آیا این «هزینه» منجر به بازدهی متناسب خواهد شد؟ سادهترین راه برای یک شرکت برای پاسخ به این سوال، تفکر در قالب محصولات جدید یا کاهش کارکنان است که به ترتیب میتواند درآمدزایی یا کاهش هزینهها را به دنبال داشته باشد. (البته این دو میتوانند با هم ترکیب شوند.) OpenAI در گزارش جدید خود درباره هوش مصنوعی «سازمانی» که این هفته منتشر شد، تعدادی مطالعه موردی را ارائه میدهد که بر روی محصولاتی متمرکز است که جایگزین نیروی کار انسانی میشوند. یک مثال معمول، یک عامل صوتی هوش مصنوعی است که برای تماسهای خدمات مشتری مفید است؛ این شرکت میگوید که چنین عاملی در حال حاضر سالانه «صدها میلیون دلار» برای شرکتها صرفهجویی میکند.
همهی اینها باعث میشود که جایگزینی کارگران به عنوان نقطه پایانی منطقی هوش مصنوعی شرکتی به نظر برسد. اما نکته مهم این است که هم از نظر مفهومی و هم از نظر حسابداری داخلی، شرکتهای بزرگ اغلب در یافتن چگونگی ادغام فناوریهای جدید مشکل دارند. در دهههای ۱۹۸۰ و ۱۹۹۰، زمانی که بخشهای فناوری اطلاعات جدید بودند، گاهی اوقات مشخص نبود که چگونه میتوانند از نظر داخلی توجیه شوند. یک بخش فناوری اطلاعات ممکن بود هر سال میلیونها دلار برای رایانههای جدید، سختافزار شبکه یا نرمافزار بهرهوری هزینه کند. آیا تمام آن هزینهها بازدهی تولید میکرد؟ چگونه میتوان ارزش آن را قضاوت کرد؟ اگر یک شرکت بزرگ یک کامپیوتر مرکزی (mainframe) نصب میکرد، ممکن بود جایگزین برخی حسابداران شود. اگر یک مدیر فناوری اطلاعات میخواست به رئیس خود توضیح دهد که چرا رایانهها مهم هستند، سادهترین چیزی که میتوانست بگوید شاید این بود که آنها میتوانند بخش تایپیستها را جایگزین کنند.
با گذشت زمان اما روشن شد که هزینهها و مزایای فناوری اطلاعات بسیار فراتر از آن چیزی است که بتوان به این روش محاسبه کرد. شرکتهای مدرن خود را حول محور رایانهها سازماندهی کردند؛ در این دنیای جدید، هدف بخشهای فناوری اطلاعات جایگزینی کارگران وابسته به رایانه نبود، بلکه افزایش اثربخشی آنها بود. کارگران شروع به تقاضای بیشتر از بخشهای فناوری اطلاعات خود کردند. در تحولی که به «مصرفیسازی» معروف شد، ابزارهایی که کارمندان مطلع از فناوری در خانه استفاده میکردند — مانند تلفنهای هوشمند — پیشرفتهتر از ابزارهای ارائه شده در محل کار شدند؛ کارمندان که میخواستند کارهای بیشتری انجام دهند، شروع به تقاضای بهروزرسانی کردند. نتیجه این است که امروزه، وقتی «هزینه» فناوری اطلاعات پیشنهاد میشود، هیچکس اصرار ندارد که این سرمایهگذاریها کاری به این سادگی مانند جایگزینی کارگران انجام دهند. سوال مهم این است که آیا سرمایهگذاریهای جدید به کارکنان موجود کمک میکند تا برنامههای خود را به انجام برسانند و با رقبای خود در شرکتهای دیگر همگام شوند.
این ایده که بهترین کاربرد هوش مصنوعی – شاید تنها کاربرد سودآور آن – جایگزینی مستقیم کارگران است، دو جریان فکری را ترکیب میکند: یکی ناشی از گمانهزنیها درباره آینده هوش مصنوعی، و دیگری ناشی از تفکر کوتاهمدت و ترازنامهای که احتمالاً هنگام بررسی فناوریهای جدید برای شرکتها اجتنابناپذیر است. در همین حال، این ایده به شدت با تجربیاتی که بسیاری از ما هنگام استفاده واقعی از هوش مصنوعی داریم، در تضاد است. تعداد زیادی از افراد برای حسابهای OpenAI، Anthropic و سایر شرکتها هزینه پرداخت میکنند، زیرا دریافتهاند که هوش مصنوعی آنها را تواناتر و مولدتر میکند. از دیدگاه آنها، هوش مصنوعی یک عامل چند برابر کننده سرمایه انسانی است. اگر شما درکی دقیق از آنچه میخواهید به دست آورید دارید – نوشتن نرمافزار، تحلیل تحقیقات، تشخیص بیماری، تعمیر چیزی در خانه – هوش مصنوعی میتواند به شما کمک کند تا آن را سریعتر و بهتر انجام دهید. شرکتها امروزه هزینههای زیادی برای آموزش کارکنان خود صرف میکنند؛ حتی کارگران یقه سفید بسیار ماهر نیز در سمینارهای آنلاین شرکت میکنند و به کارگاههای پرهزینه فرستاده میشوند، به این امید که بهبود یافته بازگردند. فرض کنید هوش مصنوعی برخی از کارکنان را پنج یا ده درصد آگاهتر و تواناتر کند. یک شرکت چقدر باید برای این افزایش شناختی پرداخت کند؟
بر اساس یک روایت در مورد هوش مصنوعی، تقویت و بهبودی که هوش مصنوعی ارائه میدهد، در نهایت به قدری بزرگ خواهد بود که به کارگران منفرد اجازه میدهد جایگزین تیمها شوند. برخی ناظران به خصوص خوشبین پیشنهاد میکنند که به زودی، شاهد اولین شرکتهای میلیاردی خواهیم بود که توسط یک یا دو فرد با کمک هوش مصنوعی اداره میشوند. شاید برای برخی از انواع کارها این امکانپذیر باشد. اما اگر تلاش کرده باشید از این فناوری برای انجام کار واقعی خود استفاده کنید، به احتمال زیاد محدودیتهای ذاتی آن را کشف کردهاید. سیستمهای هوش مصنوعی آنقدر هوشمند یا مطلع نیستند که بسیاری از تصمیمات مهم را بگیرند؛ فاقد زمینه حیاتی هستند؛ بدون جسم، فراموشکار، غیرطبیعی و گاهی به طرز آشکاری احمق هستند. شاید از همه مهمتر، نمیتوان آنها را پاسخگو دانست و نمیتوانند در حین کار یاد بگیرند. آنها میتوانند به شما در اجرای جاهطلبیهای آگاهانه شما کمک کنند – اما نمیتوانند جایگزین شما شوند. و بنابراین، به طور کلی، وضعیت این است که در بسیاری از شرکتها، تلاش برای جایگزینی کارگران با هوش مصنوعی یک اشتباه بزرگ خواهد بود – نه تنها به این دلیل که هوش مصنوعی نمیتواند جایگزین آن کارگران شود، بلکه به این دلیل که در واقع آنها را باارزشتر میکند. کسبوکارهایی که ابتدا به این موضوع پی ببرند، رونق خواهند گرفت.
اگر هوش مصنوعی در وضعیت فعلی خود نمیتواند کارگران را به صورت انبوه جایگزین کند، پس چرا سرمایهگذاران تریلیونها دلار در صنعت هوش مصنوعی سرازیر میکنند؟ یک پاسخ احتمالی این است که آنها در یک حباب مشارکت دارند. آنها یا فریب سناریوهای علمی-تخیلی را خوردهاند، یا از فضایی که توسط آن سناریوها ایجاد شده است، سوءاستفاده میکنند. اخیراً، کوری داکترو (Cory Doctorow)، نویسنده، برخی از افکار خود را در مورد هوش مصنوعی در سخنرانی در دانشگاه واشنگتن، در سیاتل، بیان کرد. او گفت: «هوش مصنوعی یک حباب است و خواهد ترکید. بیشتر شرکتها شکست خواهند خورد. بیشتر مراکز داده بسته خواهند شد یا برای قطعات فروخته خواهند شد.» چه چیزی باقی خواهد ماند؟ پاسخ او، اساساً، هیچ چیز بود: فقط تعداد زیادی تراشه کامپیوتری که قبلاً برای هوش مصنوعی استفاده میشدند و اکنون ارزان شدهاند، به همراه ابزارهای نرمافزاری برای «رونویسی صدا و تصویر، توصیف تصاویر، خلاصهسازی اسناد، خودکارسازی بسیاری از ویرایشهای گرافیکی پرکار، مانند حذف پسزمینه یا حذف رهگذران از عکسها.» داکترو حدس میزند که خود مدلها ممکن است تعطیل شوند، زیرا اجرای آنها بسیار گران است. ما باید رکود اقتصادی ناشی از آن را تحمل کنیم – او اشاره کرد: «هفت شرکت هوش مصنوعی در حال حاضر بیش از یک سوم بازار سهام را به خود اختصاص دادهاند» – بدون چتباتهای درمانی خود.
زمانی که تب و تاب در اوج خود قرار دارد، ضد تب و تاب هم اجتنابناپذیر و هم ارزشمند است. با این حال، خطر این است که این ضد تب و تاب به اندازه همان تب و تاب افراطی شود که قصد از بین بردنش را دارد. من از سال ۱۹۹۸ تا ۲۰۰۲، یعنی در اوج اولین رونق داتکام (dot-com)، دانشجو بودم؛ بخش زیادی از شهریه دانشگاهم را با اداره یک استارتاپ کوچک با همخانههایم تامین کردم، که عمدتاً برای سایر استارتاپها وبسایت و اپلیکیشن میساختیم. آن زمان، مانند امروز، شرکتهای بیشماری محصولاتی ارائه میدادند که منطقی نبودند. (ما برای برخی از آنها کار کردیم.) پیشبینی این آسان بود که بسیاری از این کسبوکارها شکست خواهند خورد و سرمایهگذاران در هر مقیاسی پول زیادی را از دست خواهند داد. با این حال، فناوری زیربنایی — اینترنت — بدون شک قدرتمند بود. سخت است که امروز همین حرف را در مورد هوش مصنوعی نزنیم.
با این حال، در مقایسه با رونق داتکام، داستان هوش مصنوعی عجیبتر است. وقتی اینترنت آمد، مردم مطمئن نبودند چگونه با آن پول درآورند. با این وجود، به گونهای، خود فناوری تا حدودی کامل بود. به نظر میرسید که اتصال سریعتر و فراگیرتر خواهد شد؛ فراتر از آن، کاربردهایی که اینترنت میتوانست داشته باشد – رسانه جاری (streaming media)، تجارت الکترونیک، همکاری، ذخیرهسازی ابری و غیره – از قبل به طور کلی آشکار بود. (به عنوان مثال، حدود سال ۲۰۰۰، شرکت کوچک ما استخدام شد تا یک سیستم همکاری در محیط کار ایجاد کند که بسیاری از قابلیتهایی را داشت که اکنون با Slack مرتبط میدانیم.) در دهههای بعد، تلاشهای مهندسی مورد نیاز برای ایجاد اینترنت مدرن شگرف بود؛ برای مثال، ساخت رایانش ابری (cloud) به نبوغ فوقالعادهای نیاز داشت. اما از همان ابتدا، ماهیت اساسی خود اینترنت کم و بیش مشخص بود.
با هوش مصنوعی، اوضاع متفاوت است. از منظر علمی، کار ساخت و درک هوش مصنوعی بسیار ناتمام است. کارشناسان این حوزه در مورد مسائل مهمی اختلاف نظر دارند، مانند اینکه آیا افزایش مقیاس سیستمهای هوش مصنوعی امروزی منجر به افزایش قابل توجهی در هوش خواهد شد یا خیر. (شاید سیستمهای جدیدی که توسط پیشرفتهای بیشتر شکل میگیرند، لازم باشند.) آنها در مورد مسائل مفهومی نیز، مانند اینکه «هوش» به چه معناست، اختلاف نظر دارند. در مورد سوال بسیار مهم اینکه آیا تحقیقات هوش مصنوعی امروزی منجر به اختراع سیستمهایی با قابلیت تفکر در سطح انسان خواهد شد، دیدگاههای قوی و متفاوتی دارند. افرادی که در حوزه هوش مصنوعی کار میکنند، تمایل دارند نظرات خود را به وضوح و با قدرت بیان کنند، اما هیچ اجماعی وجود ندارد. هر کسی که سناریویی را ترسیم میکند، با بخش بزرگی از همکارانش مخالف است. محققان به بسیاری از سوالات در مورد هوش مصنوعی به صورت تجربی، با تلاش برای ساخت هوش مصنوعی بهتر و مشاهده آنچه که کار میکند، پاسخ خواهند داد. به طور خلاصه، حباب هوش مصنوعی بیش از یک حباب صرف است – این تصادمی بین عدم قطعیت علمی و تفکر تجاری در حال تکامل است.
در حال حاضر، دو ناشناخته بزرگ در مورد هوش مصنوعی وجود دارد. اول، ما نمیدانیم که آیا و چگونه شرکتها در کسب ارزش از هوش مصنوعی موفق خواهند شد؛ آنها در تلاشند تا این را بفهمند و ممکن است اشتباه کنند. دوم، ما نمیدانیم که هوش مصنوعی چقدر هوشمندتر خواهد شد. اما در مورد ناشناخته اول، سرنخهایی داریم. از تجربه دست اول میتوانیم بگوییم که در دسترس داشتن هوش مصنوعی واقعاً میتواند مفید باشد؛ میتواند به شما در یادگیری کمک کند؛ میتواند شما را تواناتر کند؛ میتواند در استفاده بهتر از سرمایه انسانیتان و حتی در گسترش آن یاریرسان باشد. با اطمینان میتوانیم بگوییم که هوش مصنوعی بسیاری از کارهای مهمی را که انسانها انجام میدهند، نمیتواند انجام دهد – به جز در شرایط خاص و محدود، در توانمندسازی انسانها بهتر از جایگزینی آنها عمل میکند. در همین حال، در مورد سوال دوم – اینکه آیا هوش مصنوعی بسیار هوشمندتر خواهد شد، آنقدر هوشمند که دنیا را متحول کند – اطلاعات بسیار کمی داریم. ما منتظریم تا بفهمیم، و حتی کارشناسان نیز نمیتوانند به توافق برسند. چالش ما این است که بر اساس آنچه میدانیم عمل کنیم و اجازه ندهیم حدسهایمان در مورد آینده بر آن غلبه کند.