چطور هوش مصنوعی را برای آبادانی بهینه‌سازی کنیم

برخی از فعالان فناوری امیدوارند که هوش مصنوعی مولد بتواند روند رکود بهره‌وری را معکوس کند اما به گفته پژوهشگران و اقتصاد‌دان‌ها این فناوری برای اینکه برخلاف انقلاب‌های گذشته (از جمله گوشی‌های هوشمند) تنها روی یک بخش خاص (صنعت فناوری) متمرکز نباشد و دیگر بازوهای مهم اقتصاد از جمله تولید را شامل شود، باید ماهیتی تازه به خود بگیرد و به گفته تعدادی از پژوهشگران برای تحقق چنین هدفی به دهه‌ها زمان نیاز است.

آیا هوش مصنوعی می‌توان بهره‌وری تمام بخش‌های اقتصادی را افزایش دهد؟

برخلاف روند سال‌های گذشته،چد سیورسون (اقتصاد‌دان) وقتی این روزها وبسایت آمار وزارت کار ایالات متحده را باز می‌کند با کمی خوش‌بینی به سراغ داده‌های بهره‌وری می‌رود.

ارقام سال گذشته به دلایل مختلف اقتصادی و تجاری چندان قدرتمند نبودند و روند احیای پسا پاندمی را مشاهده می‌کردیم و اگرچه ارقام فصلی پرآشوب و نامنظم هستند، اما این اقتصاددان دانشگاه شیکاگو با دقت اولین نشانه‌های رشد اقتصادی برآمده از هوش مصنوعی را در همین آمار جستجو می‌کند.

او می‌گوید هرگونه تاثیری بر آمار جاری احتمالا بسیار کوچک است و «دگرگون‌کننده» محسوب نمی‌شود، پس عجیب نیست که هنوز نشانه‌های تاثیر هوش مصنوعی را مشاهده نمی‌کنیم. اما او به امید اینکه در چند سال آینده هوش مصنوعی باعث تغییر روند کاهش رشد بهره‌وری در دو دهه گذشته می‌شود، به دقت شرایط را بررسی می‌کند. سیورسون می‌گوید اگر چنین اتفاقی رخ دهد «آنگاه می‌توان آن را دگرگون کننده دانست.»

جدید‌ترین نسخه‌های هوش مصنوعی مولد با تولید ویدیو‌های واقعی، نثری به نظر تخصصی و دیگر رفتار‌های انسانی خیره کننده‌ واقع شده‌اند. در حالی که میلیارد‌ها دلار به سمت استارت‌آپ‌ها روانه شده و شرکت‌های بزرگ هوش مصنوعی در حال تولید مدل‌های قدرتمندتری هستند، رهبران تجاری چگونگی بازآریی شرکت‌های خود را بررسی می‌کنند. پیش‌بینی‌ها درمورد اینکه ChatGPT و لیست بلند‌بالای مدل‌های بزرگ زبانی چطور نحوه کار و سازماندهی زندگی ما را با ارائه توصیه‌های فوری در هر زمینه‌ای مثل سرمایه‌گذاری تا تعطیلات و سفر متحول می‌کنند، بسیارند.

اما از نگاه اقتصاد‌دان‌هایی همچون سیورسون، مهمترین سوال اینجاست که آیا هوش مصنوعی به عنوان یک فناوری پیشرفته می‌تواند بهره‌وری کلی را افزایش دهد و اگر چنین است، این کار چقدر زمان می‌برد. نتیجه نهایی را برای روند داغ هوش مصنوعی اینگونه در نظر بگیرید: آیا این فناوری می‌تواند پس از سال‌ها درجا زدن رشد اقتصادی، آبادانی تازه‌ای را رقم بزند؟

افزایش بهره‌وری همان چیزی است که باعث ثروتمندتر شدن کشور‌ها می‌شود. در واقع بهره‌وری نیروی کار سنجه‌ای از متوسط تولید یک کارگر است؛ نوآوری و پیشرفت‌های فناوری بیشترین رشد این شاخص را رقم می‌زنند. از آنجایی که کارکنان و کسب‌وکارها می‌توانند چیزهای بیشتری بسازند و خدمات بیشتری ارائه دهند، درآمدها و سود آنها (حداقل روی کاغذ و با فرض توزیع منصفانه) بیشتر می‌شود. اقتصاد توسعه می‌یابد و دولت‌ها به تراز بودجه نزدیک‌تر می‌شوند. چنین حالتی احساس پیشرفت را برای بیشتر ما رقم می‌زند. به همین دلیل است که بیشتر آمریکایی‌ها تا چند دهه پیش باور داشتند استاندارد زندگی و فرصت‌های اقتصادی آنها بیشتر از والدین‌ و اجدادشان خواهد بود.

اما وقتی رشد بهره‌وری راکد یا تقریبا راکد باشد، کیک اقتصاد بزرگتر نمی‌شود. حتی یک کاهش یا افزایش سرعت یک درصدی در سال می‌تواند تفاوت بین یک اقتصاد به بن‌بست رسیده و در حال شکوفایی باشد. در اواخر دهه ۱۹۹۰ و اوایل ۲۰۰۰، بهره‌وری نیروی کار آمریکا همگام با عصر اینترنت با نرخ حدود ۳ درصد در سال شروع به اوج‌گیری کرد (بهره‌وری در سال‌های پس از جنگ جهانی دوم حتی با نرخی بالاتر از ۳ درصد و سریع‌تر از این دوران رشد می‌کرد.) اما از حدود سال ۲۰۰۵، در بیشتر اقتصاد‌های پیشرفته رشد بهره‌وری نا امید‌کننده بوده است.

عوامل بسیاری را می‌توان مقصر این شرایط دانست. اما در این بین شاهد یک تم واحد هستیم: فناوری‌های به نظر بی‌نظیری، از آیفون گرفته تا موتور‌های جستجو و شبکه‌اجتماعی که همه ما را در گیر خود کرده است، اختراع شده‌اند و با وجود جلب توجه و مصرف زمان ما باعث آبادانی اقتصادی در ابعاد وسیع نشده‌اند.

من در سال ۲۰۱۶ در مقاله‌ای با عنوان «سیلیکون ولی عزیز: خودروهای پرنده را فراموش کن، رشد اقتصاد برایمان بساز» (Dear Silicon Valley: Forget Flying Cars, Give Us Economic Growth) استدلال کردم که با وجود نوآوری‌های مکرر غول‌های فناوری، اما نوآوری در بخش‌های اساسی صنعت مثل تولید و مواد اولیه، نادیده گرفته شده است. به عبارتی می‌توان گفت که از لحاظ اقتصادی این مساله به خوبی قابل توجیح است: چرا روی کسب‌وکارهای بالغ و خطرناک سرمایه‌گذاری کنیم وقتی یک استارت‌آپ موفق شبکه اجتماعی می‌تواند میلیارد‌ها دلار عایدمان کند؟

اما چنین انتخاب‌هایی با توقف رشد بهره‌وری همراه می‌شوند. در حالی که تعداد کمی در سیلیکون‌ ولی و دیگر جاها به ثروت خیره کننده می‌رسند، اما حداقل بخشی از آشوب سیاسی و بلوای اجتماعی چند اقتصاد پیشرفته در چند دهه گذشته را می‌توان ناشی از ناتوانی فناوری در افزایش فرصت‌های اقتصادی برای بیشمار کارگر و کسب‌وکار و عدم توسعه بخش‌های حیاتی اقتصاد در مناطق مختلف دانست.

برخی اینگونه نصیحت می‌کنند: این نوآوری‌ها برای اثرگذاری بر اقتصاد به زمان نیاز دارند اما وقتی اثر خود را گذاشتند، بنشینید و ببینید! شاید این گفته درست باشد. اما تا به اینجا شاهد شکافی هستیم که خو‌ش‌بینی فناورانه (و ثروت فراوان) سیلیکون‌ولی را تنها تعداد کمی لمس می‌کنند.

برای اینکه بدانیم شرایط چگونه رقم می‌خورد (آیا هوش مصنوعی واقعا یک نوآوری منحصربه‌فرد قرن است و باعث بازگشت به دوران خوب اقتصادی می‌شود یا اینکه تاثیر کمی بر آبادانی در ابعاد وسیع‌دارد) خیلی زود است. به عبارت دیگر، آیا چیزی شبیه به استفاده از الکتریسیته و اختراع موتور الکتریکی است که باعث انفجار صنعتی شد، یا شبیه به گوشی‌های هوشمند و شبکه اجتماعی که بدون رشد اقتصادی چشمگیر تنها بخشی از ذهن جمعی ما را درگیر خود می‌کند.

برای اینکه هوش مصنوعی و به ویژه مدل‌های مولد، تاثیری فراتر از پیشرفت‌های دیجیتال چند دهه گذشته بر اقتصاد داشت هباشند، باید از این فناوری برای تحول بهره‌وری در تمام اقتصاد استفاده کنیم (در نحوه تولید ایده‌های جدید.) این یک فرایند بزرگ است و یک شبه رقم نمی‌خورد اما در نقطه عطف مهمی هستیم. آیا به مسیر بهبود گسترده آبادانی می‌رویم یا نوآوران امروز هوش مصنوعی همچنان پتانسیل گسترده این فناوری را برای بهبود واقعی زندگی ما نادیده می‌گیرند؟

آب سردی بر سر خیال‌های داغ

چندین مطالعه در یک سال گذشته نشان می‌دهند که هوش مصنوعی مولد چگونه می‌تواند بهره‌وری افراد را در مشاغل مختلف افزایش دهد. اقتصاد‌دان‌ها استنفورد و MIT دریافتند آنهایی که در مراکز تماس فعالیت‌دارند با استفاده از دستیار مکالمه هوش مصنوعی ۱۴ درصدی بهره‌وری خود را افزایش می‌دهند؛ همچنین یک جهش ۳۵ درصدی در عملکرد کارکنان کم‌تجربه و کم‌مهارت مشاهده شد. مطالعه دیگری نشان داد که مهندسان نرم‌افزار با کمک این فناوری دو برابر بیشتر کد‌نویسی می‌کنند.

سال گذشته گولدمن ساکس برآورد کرد که هوش مصنوعی مولد احتمالا بهره‌وری کلی را با نرخ ۱.۵ درصد در سال در کشور‌های در حال توسعه افزایش می‌دهد و در طول ۱۰ سال ۷ هزار میلیارد دلار به GDP جهان می‌افزاید. برخی حتی زودتر از این تاریخ را پیش‌بینی می‌کنند.

آنتون کورینک، اقتصاد‌دانی از دانشگاه ویرجینیا، می‌گوید افزایش رشد هنوز در ارقام پیش‌بینی کننده مشاهده نمی‌شود زیرا انتشار هوش مصنوعی مولد در اقتصاد زمان‌بر است. اما او یک تا ۱.۵ درصد افزایش بهره‌وری را در آمریکا برای سال آینده پیش‌بینی می‌کند و می‌گوید در صورت ادامه روند نوآوری‌ در مدل‌های هوش مصنوعی (مثل ChatGPT5) این تاثیر می‌تواند «بسیار بیشتر» از این باشد.

اما همه چنین نگاه مثبتی ندارند. دارون آجم اوغلو، اقتصاددانی از دانشگاه MIT، می‌گوید محاسبه‌های او «اصلاح آنهایی است که می‌گویند با گذشت پنج سال تمام اقتصاد آمریکا متحول می‌شود.» از نگاه او «هوش مصنوعی مولد می‌تواند پدیده‌ بزرگی باشد. هنوز این را نمی‌دانیم. اما اگر هم اینطور باشد، تاثیر انقلابی‌ آن را با ۱۰ سال مشاهده نمی‌کنیم- خیلی زود است. زمان خواهد برد.»

آجم اوغلو در ماه آوریل مقاله‌ای را منتشر کرد که تاثیر هوش مصنوعی مولد بر بهره‌وری کل عوامل (TFP؛ بخشی که به طور خاص نشانگر تاثیر نوآوری و فناوری‌های جدید است) را حدود ۰.۶ درصد در ۱۰ سال پیش‌بینی می‌کند، رقمی بسیار پایین‌تر از انتظار گلدمن ساکس و دیگران. رشد TFP چندین دهه با مشکل مواجه است و از نگاه او هوش مصنوعی مولد با تاثیر کم خود نمی‌تواند این روند را (حداقل در کوتاه مدت) تغییر دهد.

آجم اغلو می‌گوید از آنجایی یک افزایش بهره‌وری متوسط را برای هوش مصنوعی مولد انتظار دارد که شرکت‌های بزرگ فناوری و تولیدکننده آنها تمرکز خود را به استفاده از هوش مصنوعی برای جایگزین کردن مردم با خودکارسازی و «کسب درآمد آنلاین» از جستجو و شبکه اجتماعی محدود کرده‌اند. او معتقد است که برای تاثیر گسترده بر بهره‌وری، هوش مصنوعی باید برای بخش گسترده‌تری از نیروی کار مفید باشد و در بخش‌های بیشتری از اقتصاد به کار بیاید. این فناوری به ویژه باید به جای جایگزین کردن کارکنان، برای ایجاد مشاغل جدید استفاده شود.

آجم اغلو معتقد است که هوش مصنوعی مولد را می‌توان، برای مثال با ارائه داده‌های لحظه‌ای و اطلاعات معتبر در بسیاری از مشاغل، برای گسترش توانمندی‌های کارکنان استفاده کرد. یک عامل هوشمند AIر ا تصور کنید که مثلا روی ظرافت‌های تولید در کارخانه تمرکز دارد. با این حال او می‌نویسد: «تا زمانی که یک تغییر جهت اساسی را در صنعت [فناوری] مشاهده کنیم، از جمله یک تغییر عمده در معماری بیشتر مدل‌های رایج هوش مصنوعی مولد، چنین بهره‌‌ای دور از تصور است.»

شاید تصور کنید که تنها با یک سری تغییرات در مدل های بنیادی امروز و داده‌های مناسب می‌توان این ابزارها را برای صنایع مختلف استفاده کرد. اما در واقع باید این مدل‌ها و نحوه استفاده بهینه از آنها در طیف وسیعی از کاربرد‌ها را بازنگری کرد.

پیشرفت تولیدی

بخش تولید را در نظر بگیرد. این بخش سال‌ها است که یکی از منابع مهم افزایش بهره‌وری در اقتصاد آمریکا است. بخش تولید هنوز هم بیشتر تحقیق و توسعه‌های آمریکا را به خود اختصاص می‌دهد و افزایش خودکارسازی در سال‌های اخیر و استفاده از روبات‌های صنعتی شاید نشانگر افزایش بهره‌وری تولید باشد اما هنوز چنین چیزی را مشاهده نکرده‌ایم. به دلایلی مبهم، وضعیت بهره‌وری در تولید آمریکا از حدود سال ۲۰۰۵ فاجعه‌بار است و همین موضوع نقش مهمی در رکود کلی بهره‌وری ایفا می‌کند.

وعده هوش مصنوعی مولد برای بهبود بهره‌وری این است که می‌تواند همه‌چیز از انتخاب مواد اولیه و طراحی را با داده‌های فوری از حسگر‌های تعبیه شده در تجهیزات تولید ترکیب کند. برای مثال توانمندی‌های چندوجهی به یک کارگر کارخانه اجازه می‌دهد تا از یک مشکل عکس بگیرد و از مدل هوش مصنوعی درخواست کند تا راه‌حلی براساس آن تصویر، دفتر راهنمای عملیاتی شرکت، دیگر دستورا‌لعمل‌های مرتبط رگولاتوری و بیشمار داده لحظه‌ای ماشین‌ آلات، ارائه دهد.

یا حداقل چنین چشم‌اندازی مد نظر است.

واقعیت این است که تلاش برای بکارگیری مدل‌های بنیادی امروز در طراحی و تولید هنوز در اولین روزهای خود هستند. فائز احمد، مهندس مکانیک دانشگاه MIT که در حوزه یادگیری ماشینی تخصص دارد، می‌گوید استفاده از هوش مصنوعی تا به اینجای کار به «حوزه‌های جزئی» (مثل زمان‌بندی فرایند نگهداری براساس داده‌های یک قطعه خاص از تجهیزات) محدود شده است. اما مدل‌های هوش مصنوعی مولد از لحاظ نظری می‌توانند در همه چیز از بهبود طراحی‌های اولیه با داده‌های لحظه ای تا نظارت بر گام‌های یک فرایند تولید برای تجزیه‌تحلیل داده‌های عملکردی کارخانه، مفید باشند.

تیمی از اقتصاددان‌ها و مهندسان مکانیک MIT (از جمله آجم اغلو و احمد)، در مقاله‌ای که ماه مارس منتشر شد بیشمار فرصت را برای استفاده از هوش مصنوعی در تولید و طراحی شناسایی کردند و در نهایت نتیجه گرفتند که «راه‌حل‌های فعلی [هوش مصنوعی مولد] به دلیل چند کاستی مهم نمی‌توانند به این اهداف دست پیدا کنند.» مهمترین کاستی ChatGPT و دیگر مدل‌های هوش مصنوعی، ناتوانی‌ آنها در ارائه اطلاعات معتبر،‌ نداشتن «دانش مرتبط با حوزه» و «ناآگاهی از پیش‌نیاز‌های استاندارد صنعتی» است. همچنین این مدل‌ها برای رفع مشکلات فضای خط تولید و داده‌های مختلف به دست آمده از تجهیزات، از جمله ماشین‌آلات قدیمی، طراحی مناسبی ندارند.

احمد می‌گوید مهمترین مانع این است که مدل‌های هوش مصنوعی موجود از داده‌های مناسب برخوردار نیستند. آنها براساس داده‌های به دست آمده از اینترنت آموزش دیده‌اند که «بخش اعظمش درمورد گربه و سگ و محتوای چندرسانه‌ای است تا روش واقعی استفاده از یک ماشین تراش… دلیل اینکه این مدل‌ها عملکرد نسبتا ضعیفی در وظایف تولیدی دارند این است که اصلا وظایف تولیدی را ندیده‌اند.»

دسترسی به چنین داده‌های دشوار است زیرا بیشتر آنها تحت مالکیت هستند. او می‌گوید: «برخی افراد بسیار نگرانند که یک مدل داده‌های آنها را برداشته و با خود ببرد.» یک مشکل دیگر هم اینکه تولید نیازمند دقت است و معمولا باید از دستورالعمل‌های دقیق صنعتی یا دولتی پیروی کند.  او می‌گوید: «اگر این سیستم‌ها قابل اعتماد و دقیق نباشند، مردم به احتمال کمتری از آنها استفاده می‌کنند و حالا مساله همان مرغ و تخم‌مرغ می‌شود: دلیل اینکه مدل‌ها دقیقی نیستند، نبود داده است و برعکس.»

پژوهشگران MIT خواستار «نسل بعدی» مدل‌های هوش مصنوعی هستند که مختص تولید طراحی شوند. اما یک مشکل وجود دارد: ساخت یک هوش مصنوعی مرتبط با تولیدی که از قدرت مدل‌های بنیادی استفاده کند نیازمند همکاری نزدیک صنعت و شرکت‌های هوش مصنوعی است و این همکاری هنوز در مراحل بسیار ابتدایی است.

رانوور چاندرا، مدیر مسئول تحقیقات صنعتی در بخش تحقیقاتی مایکروسافت، می‌گوید عدم پیشرفت در این حوزه « ناشی از بی‌میلی افراد یا اینکه ارزش تجاری نمی‌بینند، نیست.» مساله این است که راهی برای تضمین امنیت داده پیدا شود و مطمئن شویم که این ابزار مفید است و پاسخ‌های مرتبط به سوالات خاص تولیدی ارائه می‌کند.

مایکروسافت چندین استراتژی را دنبال می‌کند. یکی اینکه از مدل بنیادی بخواهیم پاسخ‌های خود را بر مبنای داده‌های تحت مالکیت شرکت ارائه کند (مثلا دفترچه راهنمای عملیاتی و داده‌های تولید یک شرکت.) گزینه دوم و جذاب‌تر اما بهینه‌سازی (fine-tuning) معماری زیرساختی مدل برای بخش تولید است. رویکرد دیگری هم وجود دارد: مدل‌های زبانی کوچک که می‌توان آنها را براساس داده‌های یک شرکت آموزش داد. از آنجایی که این مدل‌ها از مدل‌های بنیادی مثل GPT-4 کوچکتر هستند، توان رایانشی کمتری را می‌طلبند و می‌توانند بیشتر روی وظایف خاص تولیدی متمرکز باشند.

چاندرا می‌گوید: «اما در این مرحله این‌ها همه تحقیقات هستند. آیا مشکل را حل کرده‌ایم؟ هنوز نه.»

معدن طلایی از ایده‌‌های جدید

استفاده از هوش مصنوعی برای کمک به اکتشافات و نوآوری علمی را می‌توان مهمترین تاثیر بلند مدت بر بهره‌وری دانست. اقتصاد‌دانان مدت‌ها است که ایده‌های جدید را منشا اصلی رشد در بلند‌مدت می‌دانند و امید می‌رود که ابزارهای هوش مصنوعی جدید بتوانند به جستجو برای آنها کمک کنند. با اینکه افزایش بهره‌وری برای مثلا یک کارمند مرکز تماس می‌تواند در بهره‌وری کسب‌وکار را یک مرتبه افزایش دهد، اما استفاده از هوش مصنوعی برای بهبود فرایند اختراع فناوری‌های جدید و فعالیت‌های تجاری (برای تولید ایده‌های جدید و مفید) می‌تواند با بازطراحی روند نوآوری و نحوه انجام تحقیقات، نرخ رشد اقتصادی را به شکل ماندگاری افزاش دهد.

همین حالا هم نشانه‌های جذابی از پتانسیل هوش مصنوعی را شاهد هستیم.

گوگل دیپ‌مایند یکی از بارزترین نمونه‌ها است که ماموریت خود را «حل برخی از سخت‌ترین چالش‌های علمی و مهندسی زمان ما» تعریف می‌کند و می‌گوید بیش از ۲ میلیون کاربر برای پیش‌بینی ساختار پروتئین از سیستم یادگیری عمیق این شرکت استفاده کرده‌اند. بسیاری از دارو‌ها یک پروتئین خاص را هدف می‌گیرند و اطلع از ساختار سه بعدی این پروتئین‌ها (چیزی که در گذشته یک روند سخت آزمایشگاهی را می‌طلبید)، می‌تواند گام ارزشمندی در مسیر ساخت این داروها باشد. گوگل در ماه مه از AlphaFold3 رونمایی کرد که مدعی است «ساختار و واکنش‌های تمامی مولکول‌های زنده را پیش‌بینی می‌کند» تا مشخص شود که مولکول‌های مختلف چطور یکدیگر را تغییر می‌دهند و این دستورالعمل قدرتمندی برای پیدا کردن داروهای جدید است.

سازندگان مدل‌های هوش مصنوعی، از جمله دیپ‌مایند و بخش تحقیقات مایکروسافت، روی مسائل دیگری در بیولوژی،‌ ژنومیک و علوم مواد نیز فعالیت دارند. امید می‌رود که هوش مصنوعی مولد در استخراج اطلاعات مهم از داده‌های فروان این رشته‌ها مفید واقع شود و کارهای مثل کشف داروها و مواد جدید را تسریع کند.

ما به چنین کمکی نیاز داریم. چند سال پیش تیمی از اقتصاددانان مقاله‌ای با نام «آیا پیدا کردن ایده‌ها سخت‌تر شده است؟» منتشر کرده و دریافتند که برای پیدا کردن ایده‌های جدید مهم برای پیشرفت مداوم فناوری به تحقیقات و پول بیشتری نیاز است. در واقع مساله این است که بهره‌وری تحقیقاتی (ایده‌های برآمده از تعداد محققان) به سرعت در حال کاهش است. به عبارت دیگر می‌توان گفت که بله یافتن ایده‌ها سخت‌تر شده است. ما عموما با استفاده از محققان بیشتر و سرمایه‌گذاری بزرگتر در تحقیق و توسعه به این مشکل پاسخ داده‌ایم اما بهره‌وری کلی ایالات متحده به شدت در حال کاهش است.

برای ماندگاری قانون مور که پیش‌بینی می‌کند تعداد ترانزیستور‌های روی یک چیپ تقریبا هر دوسال یکبار دوبرابر می‌شوند، صنعت نیمه‌رسانا به ۱۸ برابر پژوهشگر بیشتری نسبت به دهه ۱۹۷۰ نیاز دارد. به همین صورت، تولید تعداد مشابهی داروی در مقایسه با چند دهه پیش هم نیازمند پژوهشگران بیشتری است.

آیا هوش مصنوعی می‌تواند رویای دارو‌های جدید امن و کارآمد را محقق کند و مواد شگفت‌آور جدید را برای رایانش و انرژی پاک بیابد؟

جان ون رین، استاد مدرسه اقتصاد لندن و یکی از مولفان این مقاله، می‌داند که هنوز برای مشاهده هرگونه تغییر واقعی در داده‌های مربوط به بهره‌وری زود است، اما می‌گوید: «امید می‌رود که [هوش مصنوعی] بتواند تفاوت ایجاد کند.» او می‌گوید AlphaFold یک «پوستر کودکانه» است که نحوه تغییر علم با هوش مصنوعی را به نمایش می‌گذارد و «سوال اینجاست که آیا این [سیستم] می‌تواند از یک داستان به چیزی سیستماتیک‌تر تبدیل شود.»

هدف نهایی این است که در کنار عرضه ابزارهای متعددی مثل تحقیقات خودکار مقالات که زندگی پژوهشگران را ساده‌تر می‌کند، هوش مصنوعی بتواند ایده‌های نو و مفید علمی را که از نگاه پژوهشگران جا می‌ماند، شناسایی کند. در چنین نگاهی، هوش مصنوعی اجزای جدیدی که کارآمدی و ایمنی بیشتری نسبت به داروهای امروزی دارند را متصور می‌شود و مواد شگفت‌آوری را پیدا می‌کند که مرزهای رایانش و انرژی پاک را جابه‌جا می‌کنند. این هدف به ویژه از آنجایی اهمیت دارد که جهان مولکول‌های بالقوه تقریبا نامحدود است. بررسی این جهان نامحدود و بررسی بیشمار احتمالات از جمله تخصص‌های یادگیری ماشینی است.

اما در انتظار لحظه توماس ادیسون برای هوش مصنوعی نباشید. اگرچه شهرت علمی AlphaFold باعث شده تا انتظار از پتانسیل هوش مصنوعی بالاتر برود اما هنوز در ابتدای مسیری هستیم که تحقیقات را به محصولات واقعی تبدیل کند (حال چه منظورمان دار و چه مواد جدید باشد.) در یک تجزیه‌تحلیل جدید، تیمی از محققان MIT تصریح کرده‌اند که «هوش مصنوعی مولد بدون شک مراحل اولیه طراحی شیمیایی را گسترش داده و تسریع کرده است. با این حال، موفقیت در جهان واقعی در مراحل بعدی رخ می‌دهد که تاثیر هوش مصنوعی فعلا در آن محدود است.»

در واقع هنوز در نوزادی فرایندی هستیم که پیشرفت‌های علمی خیره‌کننده در استفاده از هوش مصنوعی را به چیزهای واقعی و مفید تبدیل کند.

جهان مادی

شاید در هیچ جایی بیشتر از رشته کشف مواد که معمولا از آن غفلت می‌کنیم، شاهد شور و اشتیاق درمورد پتانسیل هوش مصنوعی در زمینه تحقیقات نباشیم. جهان عاجزانه نیازمند مواد اولیه بهتر است. ما برای باتری‌های ارزان‌تر و قدرتمندتر و سلول‌های خورشیدی و کاتالیزور‌هایی که شاید فرایند‌های صنعتی را پاک‌تر کنند به آنها نیاز داریم؛ ما به ابررسانا‌های کاربردی در دمای بالا نیاز داریم تا انقلابی در انتقال الکتریسیته ایجاد کنیم.

پس وقتی دیپ‌مایند می‌گوید از یادگیری عمیق برای پیدا کردن ۲.۲ میلیون کریستار غیرآلی استفاده کرده است (از جمله ۳۸۰ هزار موردی که پیش‌بینی می‌شود نامزد‌های پایدار و امیدوارکننده‌ای برای پیوند واقعی هستند)، بسیاری به ویژه در جامعه هوش مصنوعی از این گزارش با شور و اشتیاق استقبال کرده و آن را تبریک گفتند. یک انقلاب در حوزه مواد! شبیه به معدن طلایی از چیزهای جدید بود. یکی از پژوهشگران دیپ‌مایند در مجله نیچر نوشت: «جهشی بسیار بزرگ در مواد پایداری که برای انسان‌ها شناخته شده‌اند.» دیتابیس دیپ‌مایند که GNoME (اختصاری برای «شبکه‌های نموداری برای اکتشاف مواد») نام دارد، طبق بیانیه خبری این شرکت «مساوی با ۸۰۰ سال دانش» است.

اما برخی از پژوهشگران در ماه‌های پس از انتشار این مقاله از جو ایجاد شده انتقاد کردند. پژوهشگران مواد در دانشگاه کالیفرنیا، سانتا باربرا، با انتشار مقاله‌ای اعلام کردند که «شواهد اندکی» وجود دارد که نشان دهد ساختارهای‌ موجود در دیتابیس دیپ‌مایند از معیارهای «سه‌گانه تازگی، اعتبار و کاربرد» برخوردار هستند.

از نگاه بسیاری از کسانی که به دنبال مواد تازه هستند، دیتابیس عظیم مربوط به کریستال‌های غیرآلی، که بسیاری از آنها حتی برای موجودیت به اندازه کافی پایدار نیستند، شبیه به یک حواس‌پرتی است. لسلی اسکوپ، شیمیدان دانشگاه پرینستون، که مقاله‌ای درمورد مشکلات استفاده از خودکارسازی و هوش مصنوعی در کشف مواد و ترکیب، را منتشر کرده است می‌گوید: «اگر شما ۴۰۰ هزار ماده جدید در اختیار ما بگذارید و ما حتی ندانیم که کدام یکی از آنها واقع‌گرایانه هستند، پس نمی‌دانیم که کدامشان برای باتری یا کاتالیست یا هرچه که می‌‌خواهید مناسب خواهند بود. پس این اطلاعات مفید نیست.»

گفتنی است که این به معنای بی اهمیت بودن هوش مصنوعی در علم مواد و شیمی نیست. حتی منتقدان هم می‌گویند درمورد احتمالات بلند‌مدت این فناوری هیجان‌زده هستند. اما با این انتقادات مشخص می‌شود که هنوز در مراحل اولیه استفده از هوش مصنوعی برای تغییر روند کشف مواد و تبدیل آن به یک ابزار معتبر برای پیدا کردن اجزای جدید و بهتر از موارد موجود هستیم.

ساخت و آزمایش هر ماده احتمالی جدیدی بسیار پرهزینه و زمان‌بر است. پژوهشگران صنعتی در واقع یه نشانه‌هایی نیاز دارند که موادی با احتمال بالای پایداری، با امکان ترکیب و خواص جالب را مشخص کند که ساخت‌شان نیز ارزان باشد.

سازندگان دیتابیس GNoME در دیپ‌مایند می‌گویند که این دیتابیس شاید مواد جالبی را در خود داشته باشد. اما آنها نیز معترفند که این پایگاه داده تنها یک گام اولیه در نمایش کاربرد هوش مصنوعی برای کشف مواد است. هنوز برای فایده واقعی به کار بیشتری نیاز است.

اکین داگوس کوباک، پژوهشگر تحقیقاتی گوگل و هم‌مولف مقاله‌ای که در نیچر منشتر شد، این اثر را به عنوان پیشرفتی در پیش‌بینی تعداد بالایی کریستال‌های غیرآلی توصیف می‌کند که براساس محاسبات کوانتوم مکانیک، در صفر مطلق و جایی که حرکت اتمی از بین می‌رود، پایدار هستند. چنین پیش‌بینی می‌تواند برای اجرای شبیه‌سازی‌های رایانشی از مواد جدید (در مراحل بسیار ابتدایی کشف مواد) مفید باشد.

اما به گفته او، یادگیری ماشینی هنوز برای پشی‌بینی کریستال‌هایی که در دمای اتاق پایدار هستند استفاده نشده است.پس از این مرحله است که به سراغ هدف استفاده از هوش مصنوعی برای پیش‌بینی نحوه ترکیب ساختار‌ها در آزمایشگاه و در نهایت توسعه گسترده آنها می‌رویم. به گفته او پیش از اینکه یادگیری ماشینی بتواند فرایند طولانی و گسترده ابداع مود جدید را متحول کند، باید همه این مراحل طی شوند.

برای آنهایی که امیدوارند مدل‌های هوش مصنوعی بهره‌وری اقتصادی را با متحول کردن علم تقویت کنند، یک درس روشن وجود دارد: صبور باشید. این پیشرفت‌های علمی ممکن است روزی تاثیر خود را بگذارند اما چنین فرایندی زمان بر است و زمان آن هم احتمالا به چند دهه می‌رسد.

پارادوکس سولو (بهره‌وری)

جیمز مانیکا، نایب رئیس تحقیقات، فناوری و جامعه گوگل، به پتانسیل بالای هوش مصنوعی برای تحول اقتصاد علاقه‌مند است. اما با توجه به درس‌هایی که از سال ها مطالعه تاثیر این فناوری‌ها بر بهره‌وری گرفته است، او را نمی‌توان یک طرفدار بی‌منطق دانست.

مانیکا پیش از اینکه در سال ۲۰۲۲ به گوگل ملحق شود چند ده را به عنوان مشاور، پژوهشگر و در نهایت رئیس موسسه بین‌المللی مکینزی، بازوی تحقیقاتی غول مشاوره، فعالیت کرده است. او در مکینزی یکی از مسئولان اصلی ارتباط بین فناوری و رشد اقتصادی بود و رابرت سولو (اقتصاد‌دان MIT که سال ۱۹۸۷ و پس از اینکه توضیح داد پیشرفت‌های فناوری چگونه منشا اصلی رشد بهره‌وری هستند، برنده جایزه نوبل شد) را یکی از اولین راهنماهای خود می‌داند.

یکی از درس‌های سولو که سال گذشته (۲۰۲۳) در سن ۹۹ سالگی از دنیا رفت، این است که حتی فناوری‌های قدرتمند هم برای تاثیر بر رشد اقتصادی به زمان نیاز دارند. سولو در سال ۱۹۸۷ گفت: «شما می‌توانید عصر کامپیوتر را در همه جا ببیند، الا آمار بهره‌وری.» فناوری اطلاعات در آن زمان در حال طی کردن روند یک انقلاب بود که واضح‌ترین آن را می‌توان عرضه کامپیوتر‌های شخصی دانست. اما ارزیابی اقتصاد‌دان‌ها از بهره‌وری به پیشرفتی اشاره نمی‌کرد. این مساله به عنوان پاردوکس سولو یا پارادوکس بهره‌وری شناخته می‌شود. افزایش بهره‌وری در نهایت دهه‌ها بعد از آغاز عصر کامپیوتر‌ها، در اواخر دهه ۱۹۹۰ بود که بهره‌وری جهشی را تجربه کرد.

تاریخ به مانیکا آموخته است که در پیش‌بینی نحوه و زمان تاثیر هوش مصنوعی مولد بر تمام اقتصاد محتاط باشد. او می‌گوید: «من بازه زمانی ندارم. برآورد [افزایش بهره‌وری] عموما بسیار بزرگ است اما وقتی صحبت از بازه زمانی باشد،‌ می‌گویم بستگی دارد.»

او می‌گوید که این بازه زمانی به ویژه به «سرعت فراگیری» بستگی دارد (در واقع به این معنا که کاربران با چه سرعتی در داخل بخش‌‌ها و حوزه‌های مختلف به سراغ این فناوری می‌روند.) این موضوع به توانایی کاربران مختلف، به ویژه در بزرگترین بخش‌های اقتصاد، نیز بستگی دارد تا «قابلیت‌ها و وظایف و فرایند‌های استفاده از این فناوری [را بشناسند]» و بهره‌وری عملیات‌ها و کارکنان خود را افزایش دهد. مانیاک می‌گوید که اگر این قطعه‌های پازل نباشند، ما در «زمین پارادوکس سولو» گیر می‌کنیم.

او می‌گوید: «بخش فناوری می‌تواند هر تکنولوژی‌که می‌خواهد را استفاده کند و [از آنجایی که نیروی کار نسبتا محدودی دارد]، از لحاظ بهره‌وری نیروی کلی نیروی کار اهمیت چندانی ندارد. پیش از اینکه شاهده افزایش بهر‌ه‌وری در سطح اقتصادی باشیم باید تغییراتی را در بزرگترین بخش‌ها مشاهده کنیم.»

مانیکا سال گذشته مقاله‌ای با عنوان «انقلاب پیش روی اقتصادی با هوش مصنوعی: آیا هوش مصنوعی می‌تواند روند کاهش بهره‌وری را معکوس کند؟» را در Foreign Affairs منتشر کرد. در این مقاله مولفان پاسخی خوش‌بینانه اما محتاط به این سوال ارائه کردند.

به گفته آنها «با آغاز دهه بعدی، گذار به هوش مصنوعی می‌تواند به یکی از محرک‌های اصلی آبادانی در جهان تبدیل شود» زیرا پتانسیل تاثیر «بر تقریبا تمامی جنبه‌های فعالیت انسانی و اقتصادی» را دارد. آنها افزودند: «اگر بتوان از این نوآوری‌ها بهره‌برداری کرد، هوش مصنوعی می‌تواند روند طولانی کاهش رشد بهره‌وری را که بسیاری از اقتصادهای پیشرفته با آن مواجه هستند، معکوس کند.» اما به گفته آنها یان یک شرط بزرگ است «به خودی خود رخ نمی‌دهد» و نیازمند «سیاست‌های مثبتی است که کارآمد‌ترین کاربرد‌های هوش مصنوعی را ترویج کنند.»

درخواست برای اعمال سیاست‌ها نشان از دشواری راه دارد و اعترافی است که حتی شرکت‌های بزرگ هوش مصنوعی از جمله گوگل به تنهایی قادر به انجام آن نیستند. این کار نیازمند سرمایه‌گذاری گسترده در زیرساخت و نوآوری بیشتر از سوی دولت‌ها و کسب‌وکارها است.

مانیاک می‌گوید طیف عظیمی از شرکت‌ها، از استارت‌آپ‌های کوچک تا شرکت‌های بزرگ، باید مدل‌های بنیادی، از جمله جمنای گوگل، را گرفته و «آنها را برای اپلیکیشن‌های خود در محیط و حوزه‌های خود تنظیم کنند.» او می‌گوید در یک سری از موارد گوگل برخی از تغییرات را برعهده گرفه زیرا «برایمان جالب است.»

برای مثال گوگل در ماه مه از Med-Gemini رونامیی کرد که از توانمندی‌های چندوجهی مدل بنیادی برای کمک به وظایف مختلف حوزه درمان استفاده می‌کند که از آن جمله می‌توان به تصمیمات ویزیت براساس تصویربرداری، ویدیو‌های جراحی و اطلاعات مربوط به سابقه سلامت الکترونیک، اشاره کرد. مانیاک می‌گوید که حالا این فعالان و پژوهشگران حوزه بهداشت و درمان هستند که باید «درمورد نحوه استفاده از این فکر کنند، زیرا ما چنین فعالیتی در حوزه بهداشت و درمان نداریم.» اما می‌گوید «یک کمک ابتدایی را در اختیار آنها گذاشتیم.»

اما اگر قرار بر تحول اقتصاد با استفاده از هوش مصنوعی باشد، چالش بزرگی در این مسیر به چشم می‌خورد.

با وجود استقبال از هوش مصنوعی مولد و میلیارد‌ها دلار سرمایه‌ای که به سمت استارت‌آپ‌های این حوزه روانه شده است، سرعت نفوذ این فناوری به کسب‌وکارهای جهان امیدوار کننده نیست. براساس نظرسنجی جدید اداره سرشماری آمریکا که در ماه مارس منتشر شد، نسبت شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند از ۳.۷ درصد در مارس ۲۰۲۳ به ۵.۴ درصد در فوریه سال جاری افزایش یافته و انتظار می‌رود که نرخ آن تا پایان سال به ۶.۶ درصد برسد. بیشتر این رشد مربوط به صنعت امور مالی و فناوری است. صنایعی مثل ساخت و ساز و تولید تقریبا نفوذی را تجربه نکرده‌اند. دلیل اصلی این مساله عدم تمایل آنها است: از نگاه بیشتر شرکت‌ها استفاده از هوش مصنوعی در کسب‌وکارشان شدنی نیست.

از نگاه بسیاری از شرکت‌ها و به ویژه شرکت‌های کوچک، برای قمار هوش مصنوعی و صرف پول و زمانی که برای تشخیص کاربرد‌های آن نیاز است، باید ایمان بسیار بیشتری به این فناوری داشته باشند. بسیاری از رهبران تجاری علاوه بر اینکه ارزشی را در این فناوری مشاهده نمی‌کنند، سوالاتی هم درمورد اعتبار مدل‌های هوش مصنوعی مولد دارند (از جمله هذیان‌گویی و توهمی که در چت رخ می‌دهد و می‌تواند مساله مهمی در زمین تولید و بیمارستان باشد.) نگرانی دیگر آنها نیز مربوط به حریم خصوصی داده و امنیت اطلاعات اختصاصی است. در صورتی که مدل‌های هوش مصنوعی براساس نیاز‌ کسب‌وکارهای متعدد تنظیم نشوند،‌ بسیاری از آن دوری می‌کنند.

سیلیکون ولی و غول‌های فناوری عاشق عاملیت‌های هوشمند و ویدیو‌های ساخته هوش مصنوعی مولد هستند: شرکت‌ها و افراد همگی با وعده تقویت گوشی‌ها هوشمند و جستجوی آنلاین در مسیر کسب ثروت پیش می‌روند. اما همانند اوایل دهه ۲۰۱۰، بخش زیادی از اقتصاد کنار رفته است. آنها نه از فواید اقتصادی این فناوری بهره‌مند می‌شوند و نه از امکان توسعه بخش‌های بزرگ و افزایش بهره‌وری.

شاید انتظار بیش از حدی است که بخواهیم غول‌های فنوری به یک باره تغییر کنند و به فکر استفاده از قدرت خود در راستای منفعت بخش‌هایی مثل تولید باشند. بالاخره غول‌های فناوری کارشان همان است که بود.

همچنین بازآرایی مدل‌های بنیادی برای مشکلات جهان واقعی هم برای شرکت‌های هوش مصنوعی آسان نیست. آنها باید با متخصصان صنعتی در بخش‌های مختلف ارتباط بگیرند و به نیاز‌های آنها پاسخ دهند. اما واقعیت این است که شرکت‌های بزرگ فناوری تنها سازمان‌هایی در جهان امروز هستند که قدرت رایانشی لازم برای اجرای این مدل‌های بنیادی را در اختیار دارند و استعدادهای کافی را برای اختراع نسل‌های بعدی این فناوری در خود جای داده‌اند.

پس چه بخواهید و چه نخواهید، مسئولیت توسعه کاربرد‌های این حوزه تنها از آنها ساخته است. اینکه آیا این مسئولیت را برای منفعت همه به دوش می‌کشند یا (بار دیگر) آن را نادیده گرفته و برای ثروت‌اندوزی گام برمی‌دارند در آینده مشخص می‌شود و شاید اولین نشانه‌های آن را بتواند در آمار فصلی وزارت ایالات متحده جستجو کرد.