«حمیدرضا مازندرانی»، پژوهشگر شبکه و هوش مصنوعی در یادداشت اختصاصی که برای دیجیاتو نوشته، به بحث حباب هوش مصنوعی میپردازد. او سعی دارد به این سوال پاسخ دهد که آیا سرمایهگذاریهایی که در حال حاضر در صنعت هوش مصنوعی صورت میگیرد، فراتر از ارزش ذاتی آن است؟
تاریخ فناوری یک الگوی ناخوشایند را بارها تجربه کرده است: ظهور یک فناوری یا رویکرد نو، حبابی از انتظارات و سرمایهگذاریهای پرهیجان را شکل میدهد؛ حبابی که دیر یا زود خواهد ترکید. نمونه معروف آن، حباب «داتکام» در اوایل دهه ۲۰۰۰ میلادی است که شرکتها و افراد زیادی را که چشم امید به توسعه «اینترنت» داشتند، دچار زیانهای سنگین کرد. اما آیا این ماجرا برای هوش مصنوعی نیز تکرار خواهد شد؟
قبل از پرداختن به این موضوع، باید اشاره کنیم که «حباب» در علم اقتصاد یک مفهوم تخصصی است و در نتیجه، برای پاسخ دقیق به پرسش فوق، نیازمند تحلیل اقتصادی کمّی هستیم (نظیر این مقاله). اما در این یادداشت، مفهوم شهودی آن را با تمرکز بر مسائل فنی مدنظر خواهیم داشت: این که آیا سرمایهگذاریهایی که در حال حاضر در صنعت هوش مصنوعی صورت میگیرد، فراتر از ارزش ذاتی آن است؟ در اینجا سرمایهگذاری، فراتر از جنبه مالی، میتواند سهم هوش مصنوعی از توجهات عموم مردم را نیز شامل شود و رنگ اجتماعی به خود بگیرد. با این حساب، اگر حباب هوش مصنوعی بترکد، نه تنها سرمایههای زیادی بر باد میرود، بلکه سرخوردگی در سطح جهانی رخ میدهد که ممکن است شتاب این فناوری نویدبخش را، هرچند برای زمانی محدود، بکاهد.
نکته دیگر این که هوش مصنوعی دامنه وسیعی از فناوریها را دربر میگیرد که هر کدام پتانسیلهای خود را دارند. در این میان، مدلهای پایه بیشترین سهم از سرمایهگذاری مالی و اجتماعی را به خود اختصاص دادهاند. مدلهای پایه (Foundational) همان مدلهایی هستند که از سوی شرکتهای بزرگ، بر روی حجم عظیمی از اطلاعات آموزش دیدهاند تا متن، تصویر و حتی ویدیو تولید کنند. در این یادداشت، منظور از هوش مصنوعی، خدماتی است که با چنین مدلهایی ارائه میشود، با این فرض که هوش مصنوعیِ کلاسیک دوران هیجانی خود را پشت سر گذاشته است.
با توجه به تنوع جریانهای سرمایه در اقتصاد هوش مصنوعی، اندرو اِنجی دانشمند و سرمایهگذار سرشناس این حوزه، سه محور مجزا را برای تحلیل آینده هوش مصنوعی پیشنهاد داده است که شامل «کاربرد»، «زیرساخت برای استنتاج» (inference) و «زیرساخت برای آموزش مدلهای یادگیر» است که در ادامه، مروری بر آنها خواهیم داشت.
کاربرد: رقابت در سایه بزرگان
در بالاترین لایه، سرمایهگذاریهای مربوط به کاربرد یا اپلیکیشن قرار دارد که شامل چتباتها، ابزارهای تولید محتوا، سیستمهای توصیهگر و دستیارهای کدنویسی است. در این حوزه، اندرو اِنجی باور دارد که نه تنها حبابی وجود ندارد، بلکه سرمایهگذاری بیشتری نیز مورد نیاز است. با این وجود، کاربردهای ارائهشده باید ارزش افزودهای فراتر از مدل پایه به ارمغان بیاورند. به بیان دیگر، آنچه سرمایهگذاران را میترساند، ارائه همان کاربرد از سوی شرکتهای سازنده زیرساخت است. نمونه بارز آن، ارائه قابلیت ضبط خودکار و خلاصهبرداری از جلسات است که استارتآپهای این حوزه را دچار تهدید وجودی کرد.
همچنین، در کشورهای غیرانگلیسیزبان نظیر کشور خودمان، سرمایهگذاری بر روی مدلهای متمرکز بر زبان بومی گسترش یافته است که با توجه به انتقالپذیری دانش بین زبانهای مختلف در مدلهای بزرگ، احتمالاً این رویکرد با شکست نسبی مواجه شده باشد. با این حساب، جریان سرمایهگذاری در این حوزه بهتر است به سمتی هدایت شود که فراتر از «یک رابط کاربری نازک روی یک مدل پایه عمومی» باشد؛ برای مثال، ورود به فضایی که برای آن داده اختصاصی وجود داشته باشد، یا تجربه کاربری متفاوتی رقم زده شود، یا با سایر فرایندهای سازمانی ادغام شود.
زیرساخت برای استنتاج: نیاز روزافزون عاملهای هوشمند
در بحث زیرساخت برای استنتاج، یعنی عرضه مدل آموزشدیده در قالب سرویس ابری یا به صورت محلی، اندرو انجی اظهار میدارد که در حال حاضر بیشتر با محدودیت عرضه مواجه هستیم تا تقاضا. در این میان، مهمترین عاملی که رشد تقاضا را ایجاد کرده، عاملیت هوشمند است که در آن ابزارهای مختلف، همچون کاربران انسانی، مدلها را فراخوانی میکنند. از جمله میتوان به محیطهای کدنویسی موسوم به «وایبکدینگ» اشاره کرد.
با این حساب، همچنان ظرفیت فراوانی برای سرمایهگذاری وجود دارد؛ اما به دلیل کاهش قیمت به ازای هر توکن، امکان هدررفت سرمایه نیز وجود دارد. در این میان، یک نقطه قوت برای کشورهای صاحب منابع انرژی، کاهش هزینه در سمت عرضه است که با راهبرد سرمایهگذاری هوشمند روی انرژی ارزان محقق خواهد شد. پیشنیاز چنین راهبردی، پایداری اقتصادی و مقرراتگذاری صحیح خواهد بود.
زیرساخت برای آموزش: پاشنه آشیل فناوری
در نهایت، سومین حوزه، توسعه زیرساخت برای آموزش مدلهاست که سرمایههای کلان و متمرکز را جذب کرده است. با این حال، در پی رونق گرفتن مدلهای متنباز، اندرو اِنجی دیدگاهی محتاطانهتر نسبت به آینده این حوزه دارد. به بیانی، اگر قرار باشد حبابی بترکد، این حوزه محتملترین نقطه وقوع آن خواهد بود. همچنین وی این نگرانی را مطرح میکند که در صورت رخ دادن چنین رویدادی، ممکن است اثرات منفی آن به دو حوزه قبلی نیز بهصورت دومینووار سرایت کند.
با این وجود، باید توجه داشت که اندرو اِنجی یکی از چهرههای خوشبین در این حوزه محسوب میشود و بهتر است دیدگاههای گوناگون بررسی شوند. در واقع، بسیاری از چهرههای برجسته، نظیر یان لکان، مسئول ارشد هوش مصنوعی در متا، نگاه خوشبینانهای به روند فعلی ندارند و این میتواند یک پیشبینی «خودمحققشونده» قلمداد گردد؛ به این معنا که نفوذ این افراد ممکن است جریانهای سرمایهگذاری را دستخوش تغییر سازد. اما فراتر از اینها، مسائل دیگری نیز امکان تأثیرگذاری بر آینده هوش مصنوعی را دارند.
امیدها و نگرانیها
خوشبختانه زیرساخت و کاربردهای مدلهای پایه محدود به دادههای متداول مانند متن، تصویر و ویدیو نیست. یک نمونه جالب، تحلیل جداول و دیتابیسها با مدلهای پایه است که اخیراً فرخ شهابی، کارآفرین ایرانی، نیز به امیدبخش بودن آن اشاره کرده است. پیشرفتهایی نیز در این حوزه حاصل شده است که از جمله آنها میتوان به شرکت Kumo اشاره کرد که امکان تحلیل دقیق انبوه اطلاعات سازمانی را فراهم میسازد، که در پی آن ورود سرمایههای جدید هموار خواهد شد.
صنایع مختلف نیز هر کدام سهم خود را در رونق بخشیدن به بازار هوش مصنوعی و ایجاد همافزایی مثبت ایفا میکنند: صنعت شبکه برای مدیریت خودکار شبکههای ارتباطی، صنعت خودرو برای توسعه خودروهای خودران و سامانههای کمکراننده پیشرفته، و صنعت داروسازی برای تسریع فرایند کشف و طراحی داروهای جدید. افزون بر این، حوزههایی مانند مالی، انرژی، تولید صنعتی و کشاورزی نیز بهتدریج در حال بهرهگیری از قابلیتهای هوش مصنوعی هستند و به گسترش دامنه اثرگذاری این فناوری در زیستبومهای مختلف اقتصادی کمک میکنند.
از سوی دیگر، «اعتماد» سنگبنای توسعه هوش مصنوعی در کاربردهای ذکرشده است. این در حالی است که گزارش افکارسنجی مؤسسه Edelman نشان میدهد نزدیک به نیمی از مردم آمریکا، انگلستان و آلمان نگاه مثبتی به گسترش استفاده از هوش مصنوعی ندارند.
این خبر خوشی برای سرمایهگذاران نیست و چنانچه این عدم اعتماد با سیاستگذاری درست در سطح جهانی، بهویژه در زمینه حفظ حریم خصوصی و حقوق مالکیت معنوی جبران نشود، پیشرفتهای فنی راه به جایی نخواهد برد. افزون بر این، نگرانی از تبعات اجتماعی و اخلاقی هوش مصنوعی، مانند تصمیمگیریهای خودکار در زمینه استخدام، یا انتشار اطلاعات گمراهکننده، میتواند مانعی دیگر بر سر راه پذیرش و توسعه گسترده این فناوری، حداقل در کوتاهمدت و میانمدت، باشد.
