مصاحبه مدیرعامل IBM درباره هوش مصنوعی: از اشتباهات درس نگرفتیم

آرویند کریشنا، مدیرعامل IBM، در نشستی در مجمع جهانی اقتصاد در داووس (Davos)، سوئیس، در ۱۷ ژانویه ۲۰۲۳ صحبت می‌کند. آی ‌بی ‌ام در حال تلاش برای بازگشت به فعالیت‌های هوش مصنوعی است و آرویند کریشنا (Arvind Krishna)، مدیرعامل این شرکت، برای رسیدن به این هدف، روی استفاده‌های اخیر از ابزارهای هوش مصنوعی سازمانی حساب می‌کند.

از ماه می، این شرکت برند واتسون (Watson) را دوباره معرف کرده است. این کار به عنوان بخشی از تغییر استراتژی بزرگتر شرکت برای کسب درآمد از محصولاتش در حوزه هوش مصنوعی انجام شده که برای کسب و کارها بسیار مفید است. WatsonX یک استودیوی توسعه برای شرکت‌ها به منظور آموزش، تنظیم و استقرار مدل‌های یادگیری ماشین است. کریشنا می‌گوید که این محصول قبلاً در سه ماهه سوم به «نزدیک به صدها میلیون دلار» رسیده است و می‌تواند در مجموع فروش سالانه به یک میلیارد دلار برسد.

اما IBM رقابت شدیدی در حوزه هوش مصنوعی سازمانی دارد:

• مایکروسافت
• گوگل
• آمازون

و دیگران همگی محصولات مشابهی به بازار ارائه کرده‌اند. و این شرکت مدت‌هاست که به دلیل عقب ماندن در رقابت هوش مصنوعی مورد انتقاد قرار گرفته است، به‌ویژه وقتی صحبت از کسب درآمد از محصولاتش می‌شود.

نزدیک به دو سال پیش، IBM واحد واتسون هلث (Watson Health) خود را به مبلغی نامشخص به شرکت سهامی خاص فرانسیسکو پارتنرز (Francisco Partners) فروخت. در حل حاضر هم آی بی ام در حال فروش برنامه هواشناسی خود به همین شرکت است. این برنامه شامل اپلیکیشن موبایل کانال هواشناسی، وب‌سایت‌ها، Weather.com و غیره است. البته مبلغ این قرارداد هم نامشخص اعلام شده است.

آرویند کریشنا، مدیرعامل آی‌بی‌ام در مصاحبه با CNBC عنوان کرده: «فکر می‌کنم این یک انتقاد منصفانه است، اینکه ما در کسب درآمد کند بودیم و در درس گرفتن از آموخته‌های حاصل از برنده شدن واتسون در مشکل حقوقی خوب عمل نکردیم. اشتباهی که مرتکب شدیم این بود که فکر می‌کنم به دنبال پاسخ‌های بسیار بزرگ و یکپارچه رفتیم، چیزی که دنیا به دنبال آن نبود. در واقع شروع این روش، رویکرد اشتباهی بود.»

صبح روزی که در سال ۲۰۲۰ به عنوان مدیر عامل وارد شرکت شدید، ایمیلی به کارمندان ارسال کردید و گفتید روی هوش مصنوعی و ابر هیبریدی (hybrid cloud) به عنوان فناوری‌های آینده تمرکز خواهید کرد. دیدگاه شما در مورد استفاده از هوش مصنوعی در کسب و کار و هم‌چنین موارد استفاده واقعی از آن از آن زمان تا به امروز چگونه تغییر کرده است؟

– در زمانی که من به این دو فناوری اشاره کردم، فکر می‌کنم مردم ابر و هوش مصنوعی را به عنوان موضوعاتی که صرفاً به آن‌ها اشاره شد، درک کردند. اما به این نکات توجه نکردند که تا چه میزان این بازار شفاف است. آیا اندازه بازار بزرگ است یا کوچک است. ولی واقعیت این است که بازار رایانش ابری ۱۰ برابر بزرگ‌تر از هوش مصنوعی است. بنابراین در آن زمان بازار رایانش ابری هنوز رونق نگرفته بود و هوش مصنوعی حتی هنوز شناخته شده بود.

ولی امروزه رایانش ابری به سرعت در حال پیشرفت است. بنابراین ما می‌دانیم که قرار است چگونه پیش برود و به کجا برود. در مورد هوش مصنوعی هم باید گفت که در مراحل اولیه رشد است. بنابراین هنوز مشخص نیست که هر کدام از این بازارها تا کجا رشد خواهند کرد.

بنابراین من میزان داده‌ها، ماهیت اتوماسیون مورد نیاز با توجه به تغییرات جمعیتی و حجم زیاد کارهایی که باید انجام دهیم را در نظر گرفتم. زمانی که می‌بینیم چه میزان مطالبات معوقه در شرکت‌های دولتی و حتی خصوصی وجود دارد، متوجه عقب ماندگی در شرکت‌ها برای ارائه خدمات به مشتریان می‌شویم. به عنوان مثال شرکت‌های بیمه ماه‌ها طول می‌کشد تا مطالبات را انجام دهند. این ترکیب از انفجار داده‌ها و نیاز به انجام کار نشان می‌دهد ما به یک فناوری برای حل این مشکل نیاز داریم. در این میان تنها راهکاری که می‌توان به آن فکر کرد استفاده از هوش مصنوعی است.

فرمان اجرایی اخیر بایدن شامل فهرست بلندبالایی از در مورد محتوای تولید شده توسط هوش مصنوعی و خطرات مربوط به آن می‌شد. به عنوان مثال می‌توان به دستور به شرکت‌های هوش مصنوعی برای به اشتراک گذاشتن سیستم‌های هوش مصنوعی پیش از انتشار رسمی آن اشاره کرد. هم‌چنین باید نتایج تست ایمنی با دولت ایالات متحده به اشتراک گذاشته شود. در این میان IBM باید چه تغییراتی ایجاد کند؟

فکر می‌کنم ما یکی از ده‌ها شرکتی هستیم که در امضای فرمان اجرایی شرکت کرده‌ایم و آن را کاملاً تأیید کردیم. به نظر من همه مقررات به دلیل ماهیت خود ناقص خواهند بود. هیچ راهی وجود ندارد که یک سند ۱۰۰ صفحه‌ای، بتواند ظرافت‌های چنین فناوری عظیم، نوظهور، تأثیرگذار و نوپا را به تصویر بکشد. بنابراین، ما از آن حمایت می‌کنیم چون داشتن چیزی بهتر از نداشتن آن است. ما معتقدیم که داشتن محافظ بهتر از نداشتن نرده محافظ است.

البته به نظر من در حال حاضر موفقیت این طرح به نحوه اجرای آن بر می‌گردد. من هیچ نگرانی در مورد به اشتراک گذاشتن آزمایش‌هایی که با دولت فدرال انجام داده‌ایم ندارم. علناً از این موضوع حمایت می‌کنم که شرکت‌های ارائه دهنده مدل‌های هوش مصنوعی باید در برابر مدل‌های خود پاسخگو باشند. حتی از این هم فراتر می‌روم و می‌گویم شما باید قانونی وضع کنید که ما را ملزم کند از نظر قانونی در قبال کارهایی که مدل‌هایمان انجام می‌دهند، مسئول باشیم. به این معنی که اگر مدل‌های شما عواقب بدی داشته باشند، امکان شکایت از شما وجود داشته باشد. البته شاید این دیدگاه محبوب نباشد، ولی نظر شخصی من این است.

بنابراین من در مورد به اشتراک گذاشتن مدل‌ها با دولت نگرانی ندارم. ولی نگران این هستم که دولت آن را در یک پایگاه داده عمومی قرار دهد تا دیگران از دستور العمل‌های مخفی من و آنچه انجام می‌دهم آگاه شوند. به دلیل این‌که من معتقدم که باید رقابت وجود داشته باشد. باید به ما اجازه داده شود تا از روش‌های کپی‌رایت استفاده کنیم و نیازی به انتشار عمومی وجود نداشته باشد. بنابراین نگرانی من در جزئیات است. به خصوص این‌که دولت هنوز به ما نگفته که از ما می‌خواهد چگونه همه این کارها را انجام دهیم.

در این میان بحثی در سطح صنعت وجود دارد که به طور ویژه با توجه به فرمان اجرایی رونق گرفته است. این بحث در مورد مقررات بیش از حدی است که نوآوری را سرکوب می‌کند. برخی می‌گویند که حرکت رو به جلو بدون نظارت بر آسیب‌ها غیر مسئولانه و حتی ناکارآمد است. ولی برخی می‌گویند که این محدودیت‌ها موجب توقف پیشرفت و توسعه AI می‌شود. لطفا نظر خود را به اشتراک بگذارید و فکر می‌کنید نتیجه چه خواهد شد؟

آنچه را که به سناتور شومر (Schumer) گفتم به شما می‌گویم. به نظر من در درجه اول لازم است هر کاری که انجام می‌دهیم امکان نوآوری‌های باز را فراهم کند و مانع نوآوری نشود. نکته دوم این است که توسعه دهندگان مدل باید در قبال آنچه ایجاد می‌کنند پاسخگو باشند. و به عنوان مورد سوم، من معتقدم که ما باید موارد استفاده را بر اساس ریسک تنظیم کنیم، نه خود فناوری یا الگوریتم‌ها.

بنابراین امکان فعالیت در حوزه نوآوری باز مانع از ایجاد یک نظام صدور مجوز سخت خواهد شد. چون اگر یک سیستم برای اعطای مجوز ایجاد کنید، در مقابل فعالیت افرادی که بخشی از مجوز نیستند مانع ایجاد خواهید کرد. در نهایت این نظام تعطیل می‌شود. ممکن است کسی بخواهد دست به نوآوری بزند ولی به دلیل نداشتن مجوز نتواند به کار بپردازد. بنابراین ما از باز بودن آن دفاع کردیم تا فعالیت در حوزه نوآوری هوش مصنوعی مجاز باشد.

به همین دلیل است که تنظیم موارد استفاده و عدم تنظیم فناوری کمک می‌کند که نوآوری باز شکوفا شود. در مقابل تنظیم فناوری موجب نابود کردن نوآوری خواهد شد. البته فعالیت در حوزه‌های حساسی مانند پزشکی یا اتومبیل‌های خودران به مراقبت بیش‌تری نیاز دارد تا یک فعالیت مانند خلاصه کردن یک ایمیل.

در مورد واتسون ایکس (WatsonX) صحبت کنید. استودیوی توسعه IBM که در ماه جولای شروع به کار کرد تا شرکت‌ها بتوانند هوش مصنوعی را پس از آموزش و تنظیم به کار ببرند. این یک برگ برنده بزرگ برای IBM است. چه چیزی آن را از محصولات پیشنهادی رقابتی سایر شرکت‌های بزرگ فناوری متمایز می‌کند؟

اکثر شرکت‌ها استودیوهای خود را دارند. این روش‌ها موجب می‌شود که مشتریانشان بتوانند هم مدل‌های هوش مصنوعی را آزمایش کنند و هم آن‌ها را در مرحله تولید قرار دهند. البته ممکن است شما بگویید که همه این استودیوها در نهایت شبیه هم هستند. ما از کلمه دستیار استفاده می کنیم، دیگران از کلمه کمک خلبان استفاده می‌کنند. البته من هم تصدیق می‌کنم با وجود برخی تفاوت‌ها در نهایت همه این استودیوها به نوعی با هم مشابه هستند. نکته اصلی این است که شما به عنوان مشتری چگونه آن را به کار می‌گیرید. چقدر می‌توانید به آن اعتماد کنید. داده‌هایی که در آن قرار گرفته‌اند چقدر مدیریت شده هستند و چه نوع محافظت‌هایی به کاربران نهایی می‌دهید؟ اینجاست متوجه برخی تفاوت‌ها خواهیم شد.

بنابراین ما نمی‌خواهیم آن صرفاً به جایی که مردم آن را مستقر می‌کنند، محدود کنیم. بسیاری از بازیگران فعلی فناوری، البته منظور من به همه نیست. ولی بسیاری اصرار دارند که محصولشان فقط در محیط ابری عمومی آن‌ها مستقر شود. من مشتریانی در خاورمیانه دارم و آن‌ها می‌خواهند محصول را در قلمرو مستقل خود مستقر کنند. من مشتریانی در هند دارم که می‌خواهند آن را فقط در هند مستقر کنند. ما مشتریانی در ژاپن داریم که می‌خواهند آن را در ژاپن مستقر کنند. شاید به صورت فرضی، بانکی داشته باشم که در مورد امنیت داده‌هایی که در آن قرار می‌دهد نگران است. بنابراین آن‌ها می‌خواهند آن را در زیرساخت خصوصی خود مستقر کنند.

به همین دلیل ما نمی‌خواهیم آن را در مورد این‌که در کجا مستقر می‌شود، محدود کنیم. اگر مشتریان ما می‌خواهند آن را در فضای ابری عمومی بزرگ مستقر کنند، ما این کار را در آنجا انجام خواهیم داد. در صورتی که بخواهند آن را در IBM مستقر کنند، ما این کار را در IBM انجام خواهیم داد. اگر آن‌ها بخواهند به تنهایی این کار را انجام دهند، و زیرساخت کافی دارند، ما این کار را در فضای مورد نظرشان انجام خواهیم داد. بنابراین من فکر می‌کنم که همین خدمت ما یک تفاوت بسیار بزرگ است.

همچنین، ما معتقدیم که مدل‌ها در نهایت توسط یک شرکت تولید نمی‌شوند. بنابراین ما هم‌چنین قصد داریم یک محیط با مدل هیبریدی را هم در نظر بگیریم. به این معنی که شما ممکن است مدل‌هایی را از منبع باز انتخاب کنید. یا ممکن است مدل‌هایی را از شرکت‌های دیگر انتخاب کنید. یا مدل‌هایی را از IBM دریافت کنید. در مرحله بعد ما قصد داریم به شما انعطاف‌پذیری ارائه دهیم تا موارد مورد نظرتان را انتخاب کنید. زیرا هر کدام دارای ویژگی‌های مختلف هستند. برخی می‌توانند توانایی بیشتری داشته باشند. بعضی ممکن است ارزان‌تر باشند. برخی می‌توانند کوچکتر باشند. می‌توانند بزرگتر باشند. برخی ممکن است حفاظت IP داشته باشند و برخی نه.

و WatsonX چگونه کار می‌کند؟ آیا می‌توانید اطلاعاتی در مورد اعداد رشد، مشتریان خاصی که با موارد اولیه اعلام شده متفاوت هستند و غیره به ما بدهید؟ یا هر صنعت/ بخشی که برای آن استفاده می‌شود و شما را شگفت زده کرده است؟

ما آن را در پایان جولای منتشر کردیم. بنابراین درآمد تا سه ماهه دوم صفر بود. ولی در مورد درآمدهای سه ماهه سوم باید بگویم که صدها میلیون دلار در رزروهای بزرگ و کوچک به دست آوردیم.

بنابراین، به نظر من، رفتن از صفر به صدها [میلیون]، نرخ بسیار خوبی است. به علاوه این نرخ رشد فقط مربوط به یک بازه سه ماهه است. حتی اگر این نرخ بیشتر نشود و برای یک سال حفظ شود، سالانه نزدیک به یک میلیارد دلار خواهد شد که عدد بسیار خوبی است.

در مورد بخش‌ها، باید بگویم که در واقع این مورد یکی از فناوری‌های شگفت انگیزی است که ما در طول فعالیت در بخش‌های مختلف به آن علاقه پیدا می‌کنیم. شما انتظار دارید که IBM به‌طور طبیعی در صنایع مالی و نظارت‌شده فعالیت کند. اما حوزه کاری ما خیلی بیشتر از آن است و مخابرات، خرده‌فروشی و تولید را هم شامل می‌شود. به علاوه بسیاری از این حوزه‌های کاری برای شرکت‌های مختلف موارد استفاده متفاوت دارند. به عنوان مثال در مورد موضوع «چگونه به تماس‌های تلفنی پاسخ می‌دهید؟» برخی به دنبال این هستند که «چگونه کارمندان خود را آموزش می دهید؟» برخی به دنبال این هستند که «چگونه بوروکراسی را از یک سازمان حذف کنم؟» و برخی دیگر این‌که «چگونه اثربخشی تیم مالی سازمان را افزایش دهم؟» بنابراین شما برای هر بخش موارد استفاده متفاوت زیادی را در بین افراد دریافت می‌کنید.

منتقدان می‌گویند که IBM در رقابت هوش مصنوعی عقب افتاده است. به آن‌ها چه می‌گویید؟

فعالیت دیپ بلو (Deep Blue) در سال ۱۹۹۶-۱۹۹۷ بود و ما از آن درآمدزایی کردیم. به علاوه از سال ۱۹۹۶ تا ۲۰۱۵، ما معمولاً یک ابررایانه در فهرست پنج ابررایانه برتر جهان داشتیم. فکر می‌کنم تمام کارهایی که در آن بخش انجام دادیم، به روش مدل‌سازی آب و هوا اعمال می‌شد.

هم‌چنین در سال ۲۰۱۱ واتسون برنده جئوپاردی (Jeopardy) شد. به طور کلی در این زمینه تاریخ باید قضاوت کند. به طور کلی جهان با پتانسیل هوش مصنوعی بیدار شد. بنابراین باید از OpenAI به عنوان یک نمونه موفق نام ببرم. این به نوعی شبیه لحظه نت اسکیپ (Netscape) است. لحظه‌ای که نت اسکیپ اینترنت را برای همه بسیار ملموس و بسیار شخصی کرد. به همین ترتیب من فکر می کنم ChatGPT هوش مصنوعی را برای اکثر مردم بسیار ملموس کرد و باعث شد نیاز بازار افزایش پیدا کند. هم‌چنین باید از موفقیت بسیاری از دانشگاه‌هایی که روی فناوری زیربنایی مدل‌های زبانی بزرگ کار می‌کردند، نام ببرم.

در نهایت نقدی که شما بیان کردید درست است. بسیاری از مردم به ما می‌گویند که شما در سال ۲۰۱۱ درباره واتسون و جئوپاردی صحبت کردید. در این زمینه چه مدرکی دارید؟ شما الان در مورد این مشتریان صحبت می‌کنید، چرا پنج سال پیش صحبتی نبود؟» بنابراین فکر می‌کنم این یک انتقاد منصفانه است، این‌که ما در کسب درآمد کند بودیم و در استفاده از آموخته‌های حاصل از برنده شدن واتسون در Jeopardy بسیار کند بودیم. فکر می‌کنم اشتباهی که ما مرتکب شدیم این بود که به دنبال پاسخ‌های بسیار بزرگ و یکپارچه‌ای رفتیم که جهان آمادگی پذیرش آن‌ها را نداشت.

مردم می‌خواستند بتوانند آن را تغییر دهند. مردم می‌خواستند بتوانند محصولات را به صورت دقیق تنظیم کنند. آزمایش کنند و متناسب با کاربری خود امکان اصلاح داشته باشند. هر بازار فناوری همین‌طور پیش رفته است. با افرادی شروع می‌شود که می خواهند آزمایش کنند و تکرار کنند تغییر ایجاد کنند. و تنها پس از آن است که می‌توان به سمت پاسخ یکپارچه رفت. بنابراین شروع این راه رویکرد از سمت ما اشتباه بود.

در نهایت ما برای ارائه واتسون ایکس از نوآوری‌های قبلی خود در صنعت استفاده کردیم. زیرا همان‌طور که می‌توانید تصور کنید، اجرای این کار در سه ماه امکان‌پذیر نیست. اینطور نیست که ما شروع کار را در ماه می اعلام کردیم و آن را در جولای عرضه کرده باشیم. همان‌طور که می‌توانید تصور کنید، ما سه یا چهار سال روی این محصول کار کرده بودیم تا به این لحظه برسیم.

بیایید در مورد کسب و کار هوش مصنوعی مولد صحبت کنیم. در سه ماهه گذشته، IBM مدل‌های هوش مصنوعی گرانیتی را برای نوشتن و خلاصه‌نویسی متن منتشر کرد. که کاربردهای فراوانی دارد، اما این فناوری واقعاً چه معنایی برای مشاغل دارد؟

من فکر می‌کنم تعداد زیادی، نه هزاران نمونه، اما ده‌ها مدل بسیار موفق وجود داشته باشد. بنابراین من باید از نظر زبان به کاری که OpenAI انجام می‌دهد، کاری که مایکروسافت انجام می‌دهد، کاری که گوگل انجام می‌دهد، کاری که فیس‌بوک انجام می‌دهد، اعتبار بدهم. زیرا زبان انسان چیزی است که هر برنامه کاربردی با آن سروکار دارد. حالا ممکن است شما بگویید: “خوب، شما به همه این افراد اعتبار می‌دهید و مدل‌های بسیار خوب آن‌ها را تأیید می‌کنید. ولی چرا خودتان این کار را انجام و ارائه نمی‌دهید؟» خوب، چون من به مدلی نیاز دارم که در آن بتوانم به مشتریان خود در صورت نیاز غرامت و جبران ارائه کنم. بنابراین باید چیزی داشته باشم که در آن از داده‌های از دست رفته اطلاع داشته باشم و روش‌های حفاظت از داده‌ها را به کار ببرم. بنابراین ما کار خودمان را انجام می‌دهیم.

هم‌چنین به دنبال مدلی هستم که در آن قسمت مدل‌های زبانی بزرگ و قسمت مولد آن را جدا کنم. من فکر می‌کنم بخش مدل‌های زبانی بزرگ، بهره‌وری عظیمی را در شرکت‌ها ایجاد می‌کند. این بخشی است که فکر می‌کنم تا سال 2030،  4 تریلیون دلار در سال درآمد برای مک‌کینزی ایجاد می‌کند. از طرف دیگر جنبه مولد AI مهم است. زیرا هوش مصنوعی برای موارد استفاده ساده کاربردی‌تر از مدل‌های بزرگ زبانی است.

هم‌چنین جنبه مولد هوش مصنوعی با وجود اهمیت نقشی فرعی محسوب می‌شود، زمانی کاربرد دارد که بخواهید خروجی را به گونه‌ای ارائه دهید که جذاب باشد. برخلاف نوع رباتیک که به جذابیت نیاز ندارد. در حال حاضر، جنبه مولد از نظر اصلاح آثار هنری، ایجاد تصاویر، تبلیغات، موسیقی و غیره کاربرد دارد و البته ما در آن متخصص نیستیم. چون هیچ یک از فعالیت‌های مربوط به آن بخش را انجام نمی‌دهیم. به علاوه در این بخش برای کپی رایت و برخی از مسائل مرتبط با هنرمندان نگرانی وجود دارد. اما استفاده از هوش مصنوعی مولد برای نوشتن به منظور افزایش جذابیت و خوانایی بیش‌تر یکی از کاربردهای عالی آن محسوب می‌شود.

در همین راستا، IBM امروز یک محصول حاکمیتی را راه‌اندازی کرد. این محصول برای کسب ‌و کارها و شرکت‌هایی مفید است که می‌خواهند از مطابقت مدل‌هایشان با مقررات، از جمله «برچسب‌های تغذیه‌ای» برای هوش مصنوعی مطمئن شوند. این شرکت با چه گروه‌هایی برای توسعه معیارهای نظارت بر تعصب و انصاف کار کرد؟ آیا با رهبران فعال در این فضا کار کردید؟

ما قبلاً از نظر افشای کارهایی که انجام می‌دهیم برای کل جامعه، دانشگاه‌ها و فعالان رویکرد باز و راحتی داشته‌ایم‌.

در حال حاضر سعی می‌کنیم بیش‌تر مراقب باشیم. چون نمی‌خواهیم به سرنوشت اوراکل (oracle) دچار شویم. بنابراین به دنبال این هستیم که: «در قانون چه چیزی تصریح شده است؟» بنابراین در ایالات متحده، من فکر می‌کنم 15 دسته وجود دارد که توسط قانون محافظت می‌شوند. ما در این دسته‌بندی‌ها باید به تعصب توجه کنیم. به طور کلی ما سعی می‌کنیم به آنچه در قانون تصریح شده است، پایبند باشیم.

ما می‌خواهیم فعال باشیم. می‌خواهیم تأثیر بگذاریم و از این قوانین و استانداردهای ایمنی دفاع کنیم. به همین دلیل باید با کسانی که در دولت و نهادهای نظارتی و در جامعه بزرگتر فعال هستند، همکاری کنیم. چون جامعه منابع کافی برای انجام این کار را در اختیار ندارد. اگر بخواهید یک مدل بزرگ را تأیید کنید و چند آزمایش انجام دهید و ببینید که چگونه آموزش داده شده است، در مورد صدها میلیارد دلار زیرساخت صحبت می‌کنیم. بنابراین این کار باید توسط دولت انجام شود. چون سازمان‌های غیر دولتی قادر به انجام چنین کاری نیستند.

شما در گذشته گفته بودید که هوش مصنوعی بیش از آنچه نیاز است شغل ایجاد می‌کند. اما در ماه‌های اخیر، IBM تصمیم خود را برای جایگزینی حدود ۸۰۰۰ شغل با هوش مصنوعی اعلام کرد. آیا این شرکت برنامه‌ای برای استفاده از هوش مصنوعی به منظور ارتقای مهارت کارکنان فعلی در آن بخش‌ها یا انواع نقش‌هایی که جایگزین آن‌ها خواهد شد، دارد؟

ما در واقع به طور انبوه همه کارمندان خود را در زمینه هوش مصنوعی ارتقا می‌دهیم. در ماه آگست، یک هفته وقت گذاشتیم و چالشی را در داخل IBM اجرا کردیم، در این چالش همه کارمندان خود را تشویق کردیم تا برنامه‌های کوچکی را با استفاده از WatsonX به عنوان یک پلتفرم ایجاد کنند. ۱۶۰ هزار کارمند ما در این هفته شرکت کردند و ما ۳۰ هزار تیم داشتیم. همه با ایده‌های واقعا جالب شرکت کردند. ما چند ایده برتر را انتخاب کردیم و به آن‌ها جایزه دادیم و توانستیم آن‌ها را تا تولید کامل پیش ببریم. در چند ماه آینده، دوباره این کار را انجام خواهیم داد.

بنابراین ما واقعاً زمان زیادی را صرف می‌کنیم، مطالب زیادی را به کارمندان آموزش می‌دهیم. آن‌ها را تشویق می‌کنیم که در مورد هوش مصنوعی بیاموزند و ببینند چگونه از آن استفاده کنند و آن را گسترش دهند. من متقاعد شده‌ام که این کار باعث می‌شود آن‌ها کارمندان بسیار بهتری باشند.

بنابراین من مخالف این هستم که بسیاری از اقتصاددانان و مردم می‌گویند. که اگر کسی را بهره‌ورتر کنید، به او کمتر نیاز دارید. بر عکس اگر بهره‌وری بیشتری داشته باشید، به این معنی است که در مقابل رقبای خود از مزیت اقتصادی طبیعی برخوردار هستید. در نتیجه کار و موقعیت شغلی بیشتری خواهید داشت و به افراد بیشتری نیاز پیدا می‌کنید. بنابراین درست است که هوش مصنوعی موجب می‌شود برخی از نقش‌ها کوچک شوند، زیرا شما نیازی به انجام بسیاری از افراد ندارید.

به عنوان مثال شاید هوش مصنوعی پاسخ‌های ایمیلی یا تماس‌های تلفنی را برای شما انجام دهد. اما پس از آن برنامه‌های بیشتری قابل انجام هستند. یا ممکن است در بازارهای مختلف تبلیغ کنید و کسب و کارتان را توسعه دهید. بنابراین یک جابجایی شغلی ایجاد خواهد شد. به علاوه این تنها 3 درصد از کل جمعیت کارمند ما را شامل می‌شود. در نهایت من اساساً معتقدم که ما مشاغل بیشتری پیدا خواهیم کرد. در سال 1995 شغل اینترنتی وجود نداشت. ولی این مشاغل امروزه به 30 میلیون رسیده است.

از دید شما هوش مصنوعی امروز در چه جایگاهی قرار دارد؟

بدیهی است که به عنوان یک خطر وجودی، هوش مصنوعی بشریت را تحت شعاع قرار می‌دهد. بیش‌ترین مورد موثر، بهره‌وری است که قرار است به همراه داشته باشد. این بهره‌وری برای هر یک از وظایف بوروکراتیکی که همه ما با آن زندگی می‌کنیم کاربردی خواهد بود.

منبع: cnbc