Feb 13th 2025
در اوایل فوریه، OpenAI، مشهورترین شرکت هوش مصنوعی جهان، Deep Research را منتشر کرد که "برای انجام تحقیقات عمیق و چند مرحله‌ای طراحی شده است". با چند ضربه روی صفحه کلید، این ابزار می‌تواند در عرض چند دقیقه مقاله‌ای در مورد هر موضوعی تولید کند. بسیاری از دانشگاهیان آن را دوست دارند. اتان مولیک از دانشگاه پنسیلوانیا گفت: "پرسیدن از تحقیقات عمیق OpenAI در مورد موضوعاتی که در مورد آنها مقاله می‌نویسم، بسیار ثمربخش بوده است." برخی از اقتصاددانان پا را فراتر می‌گذارند. کوین برایان از دانشگاه تورنتو گفت: "من *مطمئنم* برای مجلات سطح B، می‌توانید مقالاتی را منتشر کنید که در یک روز 'نوشته‌اید'". تایلر کوئن از دانشگاه جورج میسون، اقتصاددانی با جایگاه فرقه مانند در سیلیکون ولی، گفت: "من کیفیت را قابل مقایسه با داشتن یک دستیار پژوهشی خوب در سطح دکترا می‌دانم و آن شخص را با یک وظیفه برای یک یا دو هفته دور می‌فرستم."
آیا باید 200 دلار در ماه برای Deep Research بپردازید؟ آقای کوئن در گذشته تبلیغات زودگذر را تبلیغ کرده است، همانطور که با Web3 و Clubhouse، یک شبکه رسانه‌های اجتماعی که زمانی محبوب بود، این کار را انجام داد. از طرف دیگر، اگر Deep Research تقریبی از یک نوع هوش مصنوعی فوق‌العاده باشد، همانطور که بسیاری بر این باورند، 2400 دلار در سال بزرگترین معامله در تاریخ جهان است. برای کمک به تصمیم‌گیری، ستون‌نویس شما لاستیک‌های مدل جدید را لگد کرده است. یک دستیار تحقیقاتی چقدر خوب است Deep Research برای اقتصاددانان و دیگران؟
اولین نتایج واضح. Deep Research قادر به انجام تحقیقات اولیه نیست، از سازماندهی نظرسنجی‌ها در پرو گرفته تا درک زبان بدن مدیرعاملی که ممکن است شرکت او را کوتاه کنید. همچنین نمی‌تواند قهوه دم کند، و این باعث می‌شود که جایگزین ضعیفی برای یک دستیار انسانی باشد. شکایت دیگر این است که خروجی Deep Research تقریباً همیشه نثر سنگین است، حتی اگر از آن بخواهید که سرزنده‌تر باشد. باز هم، اکثر مردم هرگز نویسندگان خوبی نبوده‌اند، بنابراین اگر دستیار هوش مصنوعی آنها کمی کسل‌کننده باشد، به سختی اهمیت می‌دهند.
با این حال، مدتی از Deep Research به عنوان یک دستیار استفاده کنید، و سه مسئله مهم‌تر ظاهر می‌شوند: "خلاقیت داده‌ها"، "استبداد اکثریت" و "میانبرهای فکری". با خلاقیت داده‌ها شروع کنید. مدل OpenAI می‌تواند سؤالات سرراست را بدون شکستن قدم بردارد—"نرخ بیکاری فرانسه در سال 2023 چقدر بود؟"—. این می‌تواند سوالات کمی پیچیده‌تر را—"میانگین نرخ بیکاری در سال 2023 را برای فرانسه، آلمان و ایتالیا، وزن‌بندی شده بر اساس جمعیت، به من بگویید"—با سهولت انجام دهد.
با این حال، وقتی صحبت از سوالات داده‌ای می‌شود که نیاز به خلاقیت بیشتری دارند، مدل با مشکل مواجه می‌شود. این به اشتباه میانگین مبلغی را که یک خانوار آمریکایی به سرپرستی یک فرد 25 تا 34 ساله در سال 2021 برای ویسکی خرج کرده است، تخمین می‌زند، حتی اگر هر کسی که با داده‌های اداره آمار کار آشنا باشد، بتواند پاسخ دقیق (20 دلار) را در چند ثانیه پیدا کند. نمی‌تواند به طور دقیق به شما بگوید که چه سهمی از کسب‌وکارهای بریتانیایی در حال حاضر از هوش مصنوعی استفاده می‌کنند، حتی اگر دفتر آمار یک برآورد منظم تولید کند. این مدل حتی در سوالات پیچیده‌تر، از جمله مواردی که شامل تجزیه و تحلیل داده‌های منبع تولید شده توسط آژانس‌های آماری است، مشکل بیشتری دارد. برای چنین سوالاتی، دستیاران انسانی یک برتری را حفظ می‌کنند.
مسئله دوم استبداد اکثریت است. Deep Research بر روی طیف وسیعی از داده‌های عمومی آموزش داده شده است. برای بسیاری از وظایف، این یک مزیت است. این به طرز شگفت‌انگیزی در تولید خلاصه‌های دقیق و منبع دار خوب است. آقای کوئن از آن خواست که یک مقاله ده صفحه‌ای در مورد تئوری اجاره دیوید ریکاردو تهیه کند. خروجی یک افزودنی قابل احترام به هر کتاب درسی خواهد بود.
با این حال، حجم بالای محتوای مورد استفاده برای آموزش مدل یک مشکل فکری ایجاد می‌کند. Deep Research تمایل دارد به ایده‌هایی تکیه کند که اغلب مورد بحث یا منتشر قرار می‌گیرند، نه بهترین مطالب. حجم اطلاعات بر کیفیت اطلاعات مستولی می‌شود. این اتفاق با آمار می‌افتد: Deep Research مستعد مشورت با منابعی است که به راحتی در دسترس هستند (مانند روزنامه‌ها)، نه داده‌های بهتری که ممکن است پشت یک paywall باشند یا یافتن آنها دشوارتر باشد.
اتفاقی مشابه با ایده‌ها می‌افتد. در نظر بگیرید سوالی را که اقتصاددانان بسیار در مورد آن بحث می‌کنند—که آیا نابرابری درآمد در آمریکا در حال افزایش است. مگر اینکه از مدل خواسته شود که غیر از این عمل کند، مدل به طور ضمنی فرض می‌کند که نابرابری از دهه 1960 به شدت افزایش یافته است (همانطور که خرد متعارف است) تا اینکه ثابت بماند یا فقط کمی افزایش یابد (دیدگاه بسیاری از کارشناسان). یا به معنای واقعی "دست نامرئی" آدام اسمیت، ایده بنیادی در اقتصاد، توجه کنید. در مقاله‌ای که در سال 1994 منتشر شد، اما روتشیلد از دانشگاه هاروارد این تصور را که اسمیت از این اصطلاح برای اشاره به مزایای بازارهای آزاد استفاده کرده است، از بین برد. Deep Research از تحقیقات خانم روتشیلد آگاه است، اما با این وجود تصور غلط رایج را تکرار می‌کند. به عبارت دیگر، کسانی که از Deep Research به عنوان یک دستیار استفاده می‌کنند، خطر یادگیری در مورد دیدگاه اجماع را دارند، نه دیدگاه آگاهان. این یک خطر بزرگ برای هر کسی است که از طریق خلاقیت و تفکر فردی درآمد کسب می‌کند، از روشنفکران عمومی گرفته تا سرمایه‌گذاران.
تله احمق
مشکل سوم در استخدام Deep Research به عنوان یک دستیار جدی‌ترین است. این یک مسئله در خود مدل نیست، بلکه نحوه استفاده از آن است. به طور اجتناب‌ناپذیر، خود را در حال گرفتن میانبرهای فکری می‌یابید. پل گراهام، یک سرمایه‌گذار سیلیکون ولی، خاطرنشان کرده است که مدل‌های هوش مصنوعی، با پیشنهاد انجام نوشتن مردم برای آنها، خطر احمق کردن آنها را دارند. او گفته است: "نوشتن فکر کردن است." "در واقع نوعی تفکر وجود دارد که فقط با نوشتن قابل انجام است." همین امر در مورد تحقیق نیز صادق است. برای بسیاری از مشاغل، تحقیق فکر کردن است: توجه به تناقضات و شکاف‌ها در خرد متعارف. خطر برون‌سپاری تمام تحقیقات خود به یک دستیار فوق‌العاده این است که تعداد فرصت‌ها برای داشتن بهترین ایده‌های خود را کاهش می‌دهید.
با گذشت زمان، OpenAI ممکن است مسائل فنی خود را برطرف کند. در یک نقطه، Deep Research نیز ممکن است بتواند ایده‌های شگفت‌انگیزی ارائه دهد و آن را از یک دستیار به محقق اصلی تبدیل کند. تا آن زمان، از Deep Research استفاده کنید، حتی با 200 دلار در ماه. فقط انتظار نداشته باشید که به این زودی‌ها جایگزین دستیاران پژوهشی شود. و مطمئن شوید که شما را احمق نمی‌کند. ¦