گروه اندیشه: نخستین گزارش جامع بانک جهانی با موضوع گزارش توسعه جهانی ۲۰۲۶ درباره اثرات هوش مصنوعی بر زندگی ۶.۸ میلیارد نفر در کشورهای در حال توسعه، این فناوری همهمنظوره را فرصتی بینظیر برای عبور از بنبستهای کهنه توسعه میداند. این گزارش توسط وحید اسلام زاده ترجمه و در اختیار خبرآنلاین برای انتشار قرار گرفته است. ( لینک مقاله). از نظر گزارش بانک جهانی هوش مصنوعی با شتابی بیسابقه در حال نفوذ است؛ اما تاریخ نشان داده برندگان واقعی، نه مخترعان اولیه، بلکه کشورهایی هستند که زیرساختها و قدرت سازگاری محلی را ایجاد میکنند. ارزش این فناوری به سه عامل توانمندیهای شناختی، تمرکز انحصاری تولید در چند شرکت بزرگ، و میزان آمادهسازی زیرساختهای مکمل بستگی دارد. گزارش بانک جهانی تأکید میکند ساخت مدلهای پیشرو برای بیشتر کشورهای کمدرآمد واقعبینانه نیست؛ ازاینرو، میانبر اصلی در بومیسازیِ مدلهای متنباز برای حل چالشهای بومی نهفته است. پیادهسازی هوشمندانه هوش مصنوعی در پزشکی، کشاورزی و خدمات دولتی میتواند شکاف تخصصی چنددههای را ظرف چند سال پر کند. با این حال، بدون سرمایهگذاری در مکملهای آنالوگ—مانند برق و آموزش—و بیتوجهی به ریسکهای شغلی و الگوریتمی، این فناوری میتواند به عمیقتر شدن شکاف دیجیتال منتهی شود. این گزارش را در ادامه می خوانید:
****
برای نخستین بار، بانک جهانی در این گزارش به بررسی جامع اثرات هوش مصنوعی بر زندگی ۶.۸ میلیارد نفر در کشورهای در حال توسعه میپردازد. این گزارش بر این باور است که هوش مصنوعی میتواند «فرصتی تاریخی» برای عبور از بنبستهای توسعهای باشد؛ چالشهایی که دهههاست راه حلی برای آنها یافت نشده است. این گزارش با هدف پر کردن خلأ اطلاعاتی موجود، به کشف واقعیتهای تازه دربارهی نحوهی بهکارگیری هوش مصنوعی توسط دولتها و بخش خصوصی در این کشورها پرداخته و اصلیترین موانع پیشِ روی بهرهوری از این فناوری را از نظر میگذراند.
هوش مصنوعی، یک «فناوری همهمنظوره» (GPT) محسوب میشود؛ و این جایگاه، او را در جمعِ معدود و استثناییِ فناوریهای تاریخ قرار میدهد. فناوریهایی مانند نیروی بخار، الکتریسیته، رایانهها و اینترنت؛ همگی نه تنها یک بخش اقتصادی، بلکه کل اقتصادهای جهان را دگرگون کردند و این تحول را در طی چندین دهه، بهصورت مستمر ادامه دادند. هر یک از این فناوریها الگویی مشابه را دنبال کردند: در ابتدا کُند و با عدمقطعیت ظاهر شدند، اما در نهایت، شیوه تولید در اقتصادها و نحوه عملکرد جوامع را از نو شکل دادند.
هوش مصنوعی نیز الگویی مشابه را دنبال میکند، با این تفاوت که سرعتِ تحول آن بسیار فراتر از پیشینیان خود است. حدود ۸۰ سال طول کشید تا نیروی بخار به کشورهای با درآمد پایین برسد، ۴۰ سال برای الکتریسیته و ۲۰ سال برای اینترنت. در مقابل، تنها شش ماه پس از عرضه ChatGPT، کشورهای با درآمد متوسط، نیمی از ترافیک جهانی این فناوری را به خود اختصاص دادند. چنین گسترش و نفوذِ شتابانی، در تاریخ پیش از این هرگز دیده نشده است.
اما تاریخ به ما این درس را نیز آموخته است: کشورهایی که بیشترین بهره را از فناوریهای همهمنظوره در گذشته بردند، همیشه آنهایی نبودند که خودشان آن فناوریهای بنیادین را اختراع کرده بودند. در عوض، کشورهایی پیروز بودند که توانستند زیرساختهای لازم را پیریزی کنند و با سرعتی بالا، کاربردهای جدیدی را بر پایه آن فناوریها توسعه دهند. در مقابل، کشورهایی که در زمینه زیرساختها، مهارتها و نهادهای مورد نیاز برای کارکردِ چنین فناوریهایی سرمایهگذاری نکردند، هم بهرهی کمتری بردند و هم بیشترین آسیب را از پیامدهای تحولآفرینِ این فناوریها (Disruption) دیدند. این درس مستقیماً با موضوع هوش مصنوعی در ارتباط است: رویکردِ برنده، آن است که از این فناوریهای نوین بهرهبرداری کند، نه اینکه از آنها به دنبال پناهگاه (و فرار) باشد.
تنها در عرض چند سال، هوش مصنوعی از مرحلهی «پیشبینی» فراتر رفته و به تولید محتوا از متن، صدا و ویدئو، و اکنون به اجرای خودکارِ وظایف پیچیده رسیده است. با قدرتمندتر و فراگیرتر شدن این فناوری، ارزش آن به عنوان ابزاری برای توسعه، به سه عامل اصلی بستگی دارد:
نخست: قابلیتها (Capabilities)
برخلاف رایانهها یا اینترنت، هوش مصنوعی قادر است وظایفِ «تفکرِ پیچیده» را انجام دهد؛ یعنی کارهایی که معمولاً نیازمند تخصص انسانی است و در فرآیند تصمیمگیری نقش دارند، مانند تشخیص بیماریها، پیشبینی وضعیت آب و هوا یا مشاوره به کشاورزان. از آنجایی که این مهارتها اغلب در کشورهای در حال توسعه کمبود دارند، هوش مصنوعی پتانسیل بالایی برای پر کردن این شکافهای حیاتی دارد
دوم: تمرکز (Concentration)
پیشرفتهترین مدلهای هوش مصنوعی، تراشههای مورد نیاز آنها و مراکز دادهای که آنها را اجرا میکنند، تحت کنترل تعداد اندکی از شرکتها در تنها چند اقتصاد بزرگ جهان قرار دارند. این تمرکز، هم ریسک «وابستگی» را ایجاد میکند و هم بر این مسئله تأثیر میگذارد که آیا ابزارهای هوش مصنوعیِ موجود، نیازهای کشورهای در حال توسعه را برآورده میکنند یا خیر. با این حال، همین تمرکز به کشورها این فرصت را میدهد که بدون صرف میلیاردها دلار برای ساخت سیستمهای بسیار پیشرفته از صفر، مدلهای هوش مصنوعی را مطابق با نیازهای خود شخصیسازی (Customize) کنند.
سوم: مکملها (Complements)
منظور از مکملها، همان زیرساختهایی است که اجازه میدهد از هوش مصنوعی بهصورت ایمن و مؤثر استفاده شود. هوش مصنوعی در محیطهایی که دارای زیرساختهای قابلاعتماد، سیستمهای آموزشی خوب و نهادهای قدرتمند هستند، بهترین عملکرد را دارد؛ در حالی که کشورهای در حال توسعه اغلب در هر سه مورد با کمبود مواجه هستند. علاوه بر این، هوش مصنوعی باید با «بستر محلی» سازگار شود، زیرا از دادههایی که بر اساس آنها آموزش دیده است، یاد میگیرد. سرعتِ ساخت این مکملها توسط کشورها و میزان بازآراییِ دولتها و کسبوکارها برای استفادهی بهرهور از هوش مصنوعی، تعیین خواهد کرد که این فناوری تا چه حد و با چه سرعتی توسعه را بهبود میبخشد. از این منظر، هوش مصنوعی با فناوریهای همهمنظورهی پیشین تفاوتی ندارد. در گزارش توسعه جهانی ۲۰۱۶ (با عنوان سود دیجیتال)، این پیشنیازها به عنوان «مکملهای آنالوگ» برای فناوریهای دیجیتال شناخته شده بودند؛ اما امروز، هوش مصنوعی برای ارائه حداکثر مزایا، هم به «مکملهای آنالوگ» و هم به «مکملهای دیجیتال» قدرتمند نیاز دارد.
آنچه کشورهای در حال توسعه باید انجام دهند: پذیرش، سازگاری و سپس پیشرفت
کشورهای در حال توسعه میتوانند از سه طریق از هوش مصنوعی بهرهمند شوند: نخست، با پذیرش ابزارهای موجود؛ دوم، با سازگار کردن هوش مصنوعی با نیازهای محلی؛ و سوم، با پیشرفت در این فناوری، یعنی ساخت مدلهای پیشرو (Frontier AI) و زیرساختهای توانمندسازی آنها. البته هر مرحله نسبت به مرحله قبل، به سرمایهگذاری، مهارت و زیرساخت بیشتری نیاز دارد.
مسیر دشوار: پیشرفت در سطح مدلهای پیشرو
ساخت مدلهای پیشرو هوش مصنوعی، به مراتب سختترین و هزینهبرترین مسیر است. این کار نیازمند تراشههای پیشرفته، مراکز داده عظیم، حجم انبوهی از دادههای آموزشی و پژوهشگران تراز اول جهانی است. امروزه تنها تعداد انگشتشماری از شرکتها در چند کشور خاص توان مالی انجام این کار را دارند و میلیاردها دلار برای آموزش مدلهای برتر هوش مصنوعی هزینه میکنند. انتظار میرود در سال ۲۰۲۶، میزان هزینهکرد این شرکتها در بخش زیرساختهای هوش مصنوعی، از کل اقتصادِ بسیاری از کشورها بزرگتر باشد.
برای اکثر کشورهای در حال توسعه، ساخت مدلهای پیشرو در آیندهای نزدیک هدفی واقعبینانه نیست؛ چرا که تنها تعداد محدودی از کشورها و شرکتها منابع لازم برای رقابت در این سطح را دارند و رسیدن به آن ممکن است سالها زمان ببرد. با این حال، برخی کشورها در حال گشودن این مسیر هستند؛ مانند شرکت Sarvam AI در هند، مدل Falcon در امارات متحده عربی و InkubaLM در آفریقای زیرصحرا که همگی از پایه طراحی شدهاند تا با زبانهای محلی سازگاری بهتری داشته باشند.
بهترین نقطه شروع: پذیرش ابزارهای موجود
در عوض، بهترین نقطه برای شروع، استفاده از ابزارهای هوش مصنوعی است که هماکنون وجود دارند؛ ابزارهایی که میتوانند تشخیص بیماری را برای پزشکان آسانتر کنند، به کشاورزان در تصمیمگیریهای مربوط به محصولات کمک کنند و بهرهوری کسبوکارها را بالا ببرند. اما بهرهمندی از این مزایا، مستلزم وجود «زیرساختهای سنتیِ (آنالوگ) قدرتمند» از جمله برق پایدار، اینترنت پرسرعت و آموزشهای پایه است.
چالشِ «فقط پذیرش کافی نیست»
با این حال، صرفِ «پذیرش» هوش مصنوعی کافی نخواهد بود. سیستمهای هوش مصنوعی که در کشورهای با درآمد بالا آموزش دیدهاند، اغلب در محیطهای دیگر به خوبی عمل نمیکنند. برای مثال، در نیجریه، یک ابزار هوش مصنوعی که با دادههای کشورهای ثروتمند آموزش دیده بود، به شکلی سیستماتیک تعداد بسیار زیادی آزمایش آزمایشگاهی را پیشنهاد میداد؛ چرا که استانداردهای پزشکیِ آموختهشده، بیشتر با شرایط «لوسآنجلس» همخوانی داشت تا «لاگوس».
همچنین، ابزارهای هوش مصنوعی باید بهگونهای طراحی شوند که برای افرادی با سطوح مختلف دسترسی به فناوری نیز قابل استفاده باشند؛ مثلاً برای کسانی که سواد خواندن ندارند یا توان خرید گوشیهای هوشمند را ندارند، این راهکارها باید از طریق تماسهای صوتی در گوشیهای ساده موبایل ارائه شوند. صرفِ وارداتِ یک مدل هوش مصنوعی، به معنای عملکرد خوب آن در سطح محلی نیست.
راهبرد طلایی: سازگاری با شرایط محلی
به همین دلیل است که «سازگاری هوش مصنوعی با شرایط محلی» احتمالاً بیشترین سود را برای کشورهای در حال توسعه به همراه خواهد داشت. کارآفرینان میتوانند با بهرهگیری از مدلهای متنباز (Open Source) موجود — مانند Apertus، BERT، Gemma، Llama، Mistral و Qwen — هوش مصنوعیهایی بسازند که زبانها، قوانین و نیازهای محلی را بهتر درک کنند. نمونههایی از این دست شامل Latam-GPT در آمریکای لاتین و شبکه SEA-LION در جنوب شرق آسیا است.
توسعهدهندگان همچنین میتوانند از این مدلها و ابزارهای کدنویسی هوش مصنوعی برای ساخت کاربردهای کاربردی استفاده کنند؛ مانند سیستمهای تصویربرداری پزشکی برای کلینیکهای کممتخصص، چتباتهایی برای مشاوره به کسبوکارهای کوچک، و الگوریتمهایی که به دولتها در نظارت بر هزینههای عمومی کمک میکنند. برای تحقق این امر، کشورها به مکملهای دیجیتال و آنالوگِ مناسب، از جمله دسترسی به زیرساختهای محاسباتی، دادههای زبان محلی و نیروی کار متخصص در حوزه هوش مصنوعی نیاز دارند.
انجامِ کاری که زمانی یک قرن طول میکشید، تنها در یک دهه
بسیاری از کشورهای در حال توسعه با کمبود شدید نیروی انسانیِ متخصص برای حل مشکلات پیچیده مواجه هستند. پزشکانِ کافی برای تشخیص بیماریها، متخصصانِ کسبوکار برای رشد بنگاههای کوچک، کارشناسانِ کشاورزی برای حمایت از مزارع و مقاماتِ دولتیِ ماهر برای ارائه خدمات بهتر، در این کشورها بسیار اندک هستند. ساختنِ چنین تخصصهایی از طریق آموزش و تحصیل، میتواند نسلها زمان ببرد؛ اما هوش مصنوعی، اگر با زبانها و بافتِ محلی سازگار شود، میتواند سرعتِ این تحول را بهشدت افزایش دهد. هوش مصنوعی میتواند دانشِ تخصصی را از انحصارِ یک «اقلیتِ کوچک»، به دسترسِ میلیونها نفر برساند.
این مزایا میتوانند در لایههای اقتصادی، اجتماعی و سیاسی پخش شوند:
در حوزه اقتصاد: هوش مصنوعی میتواند به میلیونها کسبوکار کوچک و کشاورز کمک کند تا بهرهوری خود را افزایش دهند. برای مثال، در ایالت تِلانگانا در هند، یک سیستم پیشبینی هوای مبتنی بر هوش مصنوعی به کشاورزانِ خردهپا اجازه داد تا رفتار خود را متناسب با ریسکهای مشخص تغییر دهند؛ این کار باعث شد برخی از آنها هزینههای کشاورزی خود را تا یکسوم کاهش دهند و برخی دیگر به صرفهجویی خالصِ ۵۶۰ دلار در هر کشاورز دست یابند.
در حوزه اجتماع: تحلیلهای پیشبینانه و سیستمهای پشتیبانِ تصمیمگیری در امور اداریِ دولتی، میتواند دستاوردهای بزرگی داشته باشد. برای نمونه، در کنیا، قوه قضائیه از هوش مصنوعی برای تخصیص سالانه بیش از ۱۰,۰۰۰ پرونده به بیش از ۱,۵۰۰ میانجی استفاده کرد که به کاهش حجم بالای پروندههای معوق کمک نمود.
در حوزه سیاست: هوش مصنوعی میتواند شفافیت و پاسخگویی را بهبود بخشد. در اوکراین، ابزاری مبتنی بر یادگیری ماشین که توسط سازمان شفافیت بینالملل توسعه یافته، الگوهای مشکوک در خرید و تأمینهای دولتی را شناسایی کرده و شکایات شهروندان را مستقیماً به نهادهای انتظامی هدایت میکند.
مدیریت ریسکها
این گزارش از کشورهای در حال توسعه میخواهد که در برخورد با فناوریهای هوش مصنوعی، «آگاهانه و با برنامهریزی» (Deliberate) عمل کنند. این بدان معناست که آنها باید سیاستهایی را دنبال کنند که بهطور فعال از پتانسیل هوش مصنوعی برای شرکتها، خانوارها و دولتها بهرهبرداری کند. بدون این اقدام، کشورهای در حال توسعه با خطر از دست دادن پویایی اقتصادی و جایگاه جهانی خود روبرو هستند. اما این رویکرد فعال، مستلزم آگاهی از ریسکهای همراه نیز هست:
ریسک اقتصادی: اگرچه هوش مصنوعی هنوز در اکثر کشورهای در حال توسعه جایگزینِ گستردهی مشاغل نشده، اما در برخی صنایع اثرگذار است. کشورهایی که به برونسپاریِ فرآیندهای تجاری (مانند مراکز تماس و خدمات پشتیبانی) وابسته هستند، با فشاری فزاینده روبرو میباشند، زیرا هوش مصنوعی بخشهای بیشتری از این کارها را خودکارسازی میکند.
ریسک اجتماعی: اگر هوش مصنوعی بر اساس دادههایی آموزش داده شود که منعکسکنندهی مردم، زبانها و فرهنگهای محلی نیستند، میتواند دچار «سوگیری» (Bias) شود. همچنین، این فناوری میتواند انتشار اطلاعات نادرست، کلاهبرداری و جرایم سایبری را تسهیل کند.
ریسک سیاسی: پیشرفتهترین سیستمهای هوش مصنوعی جهان تحت کنترل تعداد محدودی از شرکتها، عمدتاً در ایالات متحده و چین قرار دارند. این یعنی کشورهای در حال توسعه ممکن است به فناوریهایی وابسته شوند که خود کنترلی بر آنها ندارند.
چگونه هوش مصنوعی را در خدمت توسعه قرار دهیم؟
برای بهرهمندی از هوش مصنوعی، کشورهای در حال توسعه بیش از هر چیز باید به «سرمایهگذاری در زیرساختهای آنالوگ» ادامه دهند. آنها همچنان به برق پایدار، دسترسی به اینترنت و سیستمهای آموزشی قوی نیاز دارند که در بسیاری از کشورهای در حال توسعه همچنان ناکافی است. برای مثال، در آفریقای زیرصحرا، تقریباً یکسوم مدارس روستایی همچنان برق پایدار ندارند، بیش از دوسوم فاقد دسترسی قابلاعتماد به اینترنت هستند و تقریباً از هر ده کودک ۱۰ ساله، نُه نفر نمیتوانند یک متن ساده را بخوانند!
کشورها همچنین به «بلوکهای سازنده دیجیتال» برای هوش مصنوعی نیاز دارند. آنها باید دسترسی به زیرساختهای محاسباتی مقرونبهصرفه (سختافزار و قدرت پردازشی مورد نیاز برای آموزش و اجرای مدلها) را گسترش دهند و منابع دادهی مشترکی ایجاد کنند تا توسعهدهندگان محلی بتوانند از دادههای زبانمحلی برای سازگاری هوش مصنوعی با کشور خودشان استفاده کنند.
اما این زیرساختها تنها نقطه شروع هستند. برای تشویق نوآوری در هوش مصنوعی، دولتها باید محیط کسبوکاری ایجاد کنند که به استارتاپها در جذب سرمایه و آزمایش ایدههای جدید کمک کند. ابزارهای کدنویسیِ هوش مصنوعیِ امروزی، ساخت اپلیکیشنهای جدید را آسان کردهاند، بنابراین هماکنون هزاران چالش بزرگتر این است که بدانیم کدامیک از این پروژهها واقعاً کارآمد هستند. دولتها و کسبوکارها علاوه بر نیاز به شواهد و مستنداتِ قویتر، به ظرفیتِ بیشتری برای آزمایش، ارزیابی، خرید و در نهایت گسترشِ راهکارهای موفقِ هوش مصنوعی نیاز دارند.
اعتمادسازی و مدیریت هوشمند قوانین
در نهایت، ایجاد اعتماد عمومی به هوش مصنوعی به همان اندازه اهمیت دارد. با توجه به ظرفیت محدودِ قانونگذاری و سرعت بالای تکامل این فناوری، دولتها در کشورهای در حال توسعه باید در درجه اول از استانداردهای داوطلبانه صنعت (مانند ارزیابیهای اثرگذاری، حسابرسیهای مستقل و پروتکلهای آزمایش) برای تشویقِ استفادهی مسئولانه از هوش مصنوعی بهره بگیرند. در جاهایی که بازار نمیتواند به درستی از مردم محافظت کند، دولتها باید از قوانین موجود برای مقابله با آسیبها (مانند سیستمهای هوش مصنوعی ناایمن) استفاده کنند و همزمان، مقررات منعطفی را تدوین کنند که از ایجاد موانع غیرضروری جلوگیری نماید.
کشورهای در حال توسعه باید همین حالا شروع کنند
بدون آمادگی لازم، این کشورها ممکن است فرصتهای بهرهمندی از هوش مصنوعی را از دست بدهند و در عین حال، بهشدت در برابر ریسکهای آن آسیبپذیر شوند. این آمادگی در بسیاری از کشورهای در حال توسعه آغاز شده است، اما نه در کشورهایی که بیش از همه به آن نیاز دارند. تا اواسط سال ۲۰۲۶، بیش از ۸۰ کشور استراتژیهای ملی هوش مصنوعی خود را منتشر کردهاند؛ اما از میان ۲۵ کشور کمدرآمد جهان، تنها «رواندا» (Rwanda) این کار را انجام داده است. به نظر میرسد کشورهایی که بیشترین سود را میتوانند از هوش مصنوعی ببرند، امروز کمترین آمادگی را دارند.
بسیار حیاتی است که کشورهای در حال توسعه از اولویتهای اقتصادهای پیشرفته تقلید نکنند؛ جایی که تمرکز یا بر «خطر از دست دادن گستردهی مشاغل» است و یا بر «رقابت جهانی برای ساخت پیشرفتهترین مدلها». چالشهای کشورهای در حال توسعه متفاوت است. اولویت آنها باید استفاده از هوش مصنوعی برای افزایش بهرهوری، تقویت خدمات عمومی و حل مشکلات توسعهی محلی باشد. بهعبارت ساده، آنها نباید هم توسط «هیاهوی تبلیغاتی» و هم توسط «ترس و وحشت» پیرامون هوش مصنوعی در اخبار جهان، کور شوند. مسیر اثباتشده برای شکوفایی، «پذیرش، سازگاری و سپس پیشرفتِ» فناوریهای جدید است— آن هم با دقت، اما بدون تأخیر. این رویکرد در حوزه هوش مصنوعی میتواند کشورها را قادر سازند تا مشکلاتی را حل کنند که نسلها در برابر آنها مقاومت کردهاند.
تقابل دیدگاهها: میان امید و نگرانی
کمتر فناوریای وجود دارد که به اندازه هوش مصنوعی، نظرات را اینچنین به شدت تقسیم کند؛ چه در سطح مناطق جغرافیایی و چه میان شرکتهای فناوری، شهروندان و دولتها. در ایالات متحده و آسیا، مدیران شرکتهای فناوری عمدتاً جنبههای روشن را میبینند. اما در ایالات متحده، اروپا و آمریکای لاتین، بسیاری از شهروندان نگراناند که هوش مصنوعی بتواند بیش از حد مشاغل متخصص را خودکارسازی کند، تقاضا برای انرژی را بالا ببرد، سوگیریهای الگوریتمی را وارد تصمیمگیریها کند و خطراتی برای حریم خصوصی ایجاد نماید. در آفریقا، سیاستگذاران در میانه این دو طیف ایستادهاند؛ آنها نسبت به امکاناتی که هوش مصنوعی برای بهبود خدمات عمومی میآورد مشتاقاند، اما نگرانند که این فناوری شکاف دیجیتال موجود را عمیقتر کند. از زمان عرضه ChatGPT در نوامبر ۲۰۲۲، مردم در سراسر جهان به گفتگوهای مربوط به هوش مصنوعی در رسانههای اجتماعی توجه کردهاند و مشابه استیون هاوکینگ، تمایل دارند تنها به «نقاط افراطی» این بحثها بنگرند.
این دوقطبیسازی، تمام اثرات اقتصادی، اجتماعی و سیاسی هوش مصنوعی را در بر میگیرد. اثرات اقتصادی میتواند جهتگیری کسبوکارها، نحوه سازماندهی عملیات آنها و میزان درآمد کارگران را تغییر دهد. از یک سو، توصیههای بازاریابیِ هوش مصنوعی از طریق پیامرسانهای موبایل میتواند فرصتهای رشد را برای کسبوکارهای کوچک باز کند، اما از سوی دیگر، خودکارسازی مراکز تماس میتواند کارگران را از جایگاه خود کنار بگذارد و مسیرهای رشد اقتصادی را محدود کند. در حوزه اجتماعی، هوش مصنوعی میتواند ارائه خدمات دولتی را بهبود بخشد؛ اگر یادگیری در مدارس دولتی را ارتقا دهد، دسترسی به دانش را گسترش میدهد، اما اگر سوگیری را در تصمیمگیریهای دولتی نهادینه کند، به مردم آسیب میرساند. در حوزه سیاسی نیز، هوش مصنوعی میتواند به مردم قدرتِ سخن گفتن و عاملیت بیشتری برای تحقق آرزوهایشان بدهد، اما اگر بازیگران بدخواه با مسلح شدن به هوش مصنوعی، اطلاعات نادرستِ مخرب منتشر کنند، به حریم خصوصی تجاوز کنند یا به جرایم سایبری بپردازند، وضعیت مردم را وخیمتر خواهد کرد.
شواهد مربوط به اثرات هوش مصنوعی—چه خوب و چه بد—هنوز در حال تکامل است. کارآفرینان، پژوهشگران و گروههای جامعه مدنی، هزاران کاربرد جدید هوش مصنوعی ایجاد کردهاند و پروژههای آزمایشی که بهسرعت در زمینههای کشاورزی، سلامت و آموزش در حال گسترش هستند، طیف وسیعی از مزایا را ارائه میدهند. با این حال، هنوز شواهد قطعی مبنی بر اینکه هوش مصنوعی در مقیاس بزرگ باعث شتاب بخشیدن به رشد اقتصادی، ایجاد مشاغل بیشتر و باکیفیتتر، و بهبود ارائه خدمات میشود (یعنی همان نتایجی که زندگی روزمره مردم را شکل میدهد)، به سختی یافت میشود.
همانطور که پیشتر توضیح داده شد، درکِ این پیچیدگیها زمانی آسانتر میشود که هوش مصنوعی را بهعنوان یک «تکنولوژی هدفِ عمومی» (GPT) در نظر بگیریم؛ درست مانند نیروی بخار، الکتریسیته، رایانهها و اینترنت. اثرات هوش مصنوعی طی یک فرآیند مشخص رقم خواهد خورد: ابتدا با یک «گسست و آشفتگی اولیه»، سپس با یک «انتشار تدریجی» و در نهایت با «تحول بنیادین» در اقتصادها، جوامع و نظامهای سیاسی. این پویاییهایِ گذار، تنها به تغییر در نحوه تولید و استفاده از هوش مصنوعی بستگی ندارد، بلکه به «اثرات جانبیِ» حاصل از آن نیز وابسته است؛ اثراتی که طیف وسیعی از تغییر در تقاضای نیروی کار گرفته تا تغییر در الگوهای تجاری و جابهجاییِ انسانها میان مکانهای مختلف را در بر میگیرد.
هوش مصنوعی بهعنوان یک «تکنولوژی هدفِ عمومی»: گذشتن از هیاهوی بیمورد
ویژگی یک «تکنولوژی هدفِ عمومی» (GPT)، کاربرد گسترده، پتانسیل برای نوآوری مستمر و تواناییِ ایجادِ نوآوریهای مکمل در صنایع مختلف است. هوش مصنوعی دقیقاً از همین قاعده پیروی میکند. تنها در عرض چند سال کوتاه، هوش مصنوعی از الگوریتمهای یادگیری ماشین که صرفاً پیشبینی انجام میدادند، به مدلهای زبانی بزرگی تبدیل شده است که محتوا (متن، صوت و ویدئو) تولید میکنند، و اکنون به سمت «عوامل هوشمند» (AI Agents) حرکت کرده است که مجموعهای از وظایف را بهصورت خودکار اجرا میکنند.
توانمندیهای هوش مصنوعی نیز بهطور مستمر و با سرعتی خیرهکننده در حال بهبود است. برای نمونه، در ریاضیاتِ سطحِ رقابتی، هوش مصنوعی تنها در عرض چند سال (۲۰۲۱ تا ۲۰۲۴) از سطحی بسیار پایینتر از برترین انسانها، به سطح برابری با آنها رسید؛ و در پاسخگویی به سوالات علمی در سطح دکتری(PhD)، عملکرد هوش مصنوعی ظرف مدت تنها یک سال (۲۰۲۳ تا ۲۰۲۴) از سطح انسانی فراتر رفت. هوش مصنوعی در مسیر تکامل خود از مرحلهی «پیشبینیگر» به «تولیدکننده» و سپس به «عاملمحور»، کاربردهای نوآورانهی بیشماری را در زمینههایی مثل تصویربرداری پزشکی، پیشبینی وضع هوا، آموزش خصوصی و بسیاری موارد دیگر پدید آورده است.
نگاه به هوش مصنوعی از منظر یک «تکنولوژی هدفِ عمومی»، هنگام بررسی مکانیسمهایی که نقش آن را در فرآیند توسعه تعیین میکنند، بسیار کاربردیتر است.
اولاً، برخلاف فناوریهای پیشین، هوش مصنوعی تواناییهای مربوط به عملکردهای شناختیِ «غیرروال» را تقویت میکند؛ یعنی همان فرآیندهایی که هدایتِ تصمیمگیری را بر عهده دارند و اغلب در کشورهای در حال توسعه با کمبود مواجه هستند.
ثانیاً، تولید مدلهای هوش مصنوعی و زیرساختهای مرتبط (مانند سختافزار و مراکز داده) در چند کشور محدود شده است—حتی بیش از فناوریهای قبلی— و از طریق زنجیرههای ارزش جهانی به هم متصل شدهاند. این زنجیرههای ارزش، میزان دسترسی کشورهای در حال توسعه به قابلیتهای هوش مصنوعی را شکل میدهند؛ قابلیتهایی که میتوان آنها را برای ساخت و استفاده از راهکارهای هوش مصنوعی، متناسب با بافت و نیازهای محلی، سفارشیسازی کرد.
ثالثاً، میزان اثربخشیِ راهکارهای هوش مصنوعی در ارتقای توانمندیهای افراد، کسبوکارها و دولتها، به وجود و کیفیتِ «عوامل مکمل» بستگی دارد (بهویژه دادههایی که هوش مصنوعی از آنها یاد میگیرد، اما همچنین زیرساختها، مهارتها، نهادها و امثال آن)؛ عواملی که معمولاً در کشورهای در حال توسعه کمتر در دسترس هستند و در مقابل، با چالشهایی مثل «اصطکاکهای سازمانی» روبهرو هستند که در این کشورها بسیار رایج است.
۲۱۶۲۱۶
نظر شما