۱۲ تحول بزرگ هوش مصنوعی در سال ۲۰۲۵

هوش مصنوعی مولد تا به امروز سریع‌تر و گسترده‌تر از هر فناوری دیگری مورد پذیرش قرار گرفته است و بسیاری از شرکت‌ها در حال حاضر شاهد بازگشت سرمایه (ROI) خود از مسیر بوده‌اند و این فناوری و استفاده از آن را در مقیاس وسیع در دستور کار قرار داده‌اند.

فروشندگان در حال افزودن قابلیت‌های هوش مصنوعی مولد به محصولات نرم فزارهای سازمانی خود هستند و توسعه‌دهندگان هوش مصنوعی نیز امسال بیکار ننشسته‌اند. علاوه بر این، شاهد ظهور هوش مصنوعی عاملی (Agentic AI)، هوش مصنوعی چندوجهی (Multi-modal AI)، هوش مصنوعی استدلالی (Reasoning AI) و پروژه‌های هوش مصنوعی متن‌باز بوده‌ایم که با پروژه‌های بزرگ‌ترین فروشندگان تجاری رقابت می‌کنند.

طبق نظرسنجی بانک آمریکا از تحلیلگران و استراتژیست‌های تحقیقاتی جهانی که در سپتامبر ۲۰۲۴ منتشر شد، سال ۲۰۲۴ به سال تعیین بازگشت سرمایه تبدیل شد و سال ۲۰۲۵ سال پذیرش هوش مصنوعی در سطح سازمانی خواهد بود.

ونسا کوک، استراتژیست محتوای موسسه بانک آمریکا، می‌گوید: «در پنج تا ده سال آینده، تحقیقات جهانی بانک آمریکا پیش‌بینی می‌کند که هوش مصنوعی مولد تحولاتی در کارایی و بهره‌وری سازمانی ایجاد کند که می‌تواند اقتصاد جهانی و همچنین زندگی ما را متحول کند.»

مدل‌های کوچک زبانی و رایانش لبه‌ای (Edge Computing)

بیشتر توجه‌ها در سال ۲۰۲۴ و سال گذشته آن بر روی مدل‌های زبانی بزرگ (LLMs) از جمله نسخه‌های مختلف چت‌ جی‌پی‌تی (ChatGPT) و رقبای آن چون مدل زبانی کلود (Claude) از آنتروپیک و مدل‌های لاما (Llama)از متا متمرکز بود. اما برای بسیاری از کاربردهای تجاری، این مدل‌های بزرگ بیش از حد پیشرفته، گران‌قیمت و کند هستند و برای استفاده عملی مناسب نیستند.

اندرو رابینویچ، رئیس هوش مصنوعی و یادگیری ماشین در پلتفرم کاریابی آپورک (Upwork)، می‌گوید: «با نگاهی به سال ۲۰۲۵، انتظار دارم مدل‌های زبانی کوچک‌تر، به‌ویژه مدل‌های سفارشی، به راه‌حل‌های رایج‌تی برای بسیاری از کسب‌وکارها تبدیل شوند. مدل‌های زبانی بزرگ، نه‌تنها گران، بلکه بسیار وسیع هستند و همیشه برای صنایع خاص مرتبط نیستند.»

«مدل‌های کوچک‌تر، در مقابل، بیشتر سفارشی شده‌اند و به کسب‌وکارها امکان می‌دهند سیستم‌های هوش مصنوعی بسازند که دقیق، کارآمد، قوی و متناسب با نیازهای منحصربه‌فردشان باشد.» او همچنین می‌گوید که این مدل‌ها را می‌توان راحت‌تر با داده‌های شرکت آموزش داد. برای مثال، آپورک در حال توسعه مدل‌های زبانی کوچک خود است که بر پایه ۲۰ سال تعاملات و رفتارها در پلتفرم این شرکت آموزش دیده‌اند. رابینویچ می‌گوید: «مدل‌های سفارشی ما اکنون تجربه‌هایی را ارائه می‌دهند که به فریلنسرها در ارائه پیشنهادهای بهتر یا به کسب‌وکارها در ارزیابی کاندیداها کمک می‌کنند.»

مدل‌های کوچک زبانی برای توسعه موبایلی  و لبه‌ای (Edge) و در راستای اعلامیه‌های اخیر اپل در مورد هوش مصنوعی موبایل، مناسب‌تر هستند. آنشو بهاردواج، معاون ارشد و مدیر عملیاتی فناوری جهانی والمارت، می‌گوید که تنها مصرف‌کنندگان از هوش مصنوعی موبایل سود نمی‌برند.

او می‌گوید: «سازمان‌ها، به‌ویژه آن‌هایی که پایگاه‌های بزرگ از کارکنان و مشترییان دارند، استانداردهای استفاده از هوش مصنوعی در دستگاه‌ها را تعیین خواهند کرد.» او همچنین پیش‌بینی می‌کند که ارائه‌دهندگان فناوری توجه بیشتری به نیازهای سازمان‌های بزرگ هنگام توسعه فناوری‌های مبتنی بر دستگاه نشان خواهند داد.

هوش مصنوعی به توانایی استدلال انسانی نزدیک خواهد شد

در اواسط سپتامبر، شرکت اوپن‌ای‌‌آی (OpenAI) سری جدیدی از مدل‌های خود را منتشر کرد که به ادعای این شرکت، مسائل را به روشی مشابه انسان تحلیل می‌کند. این مدل می‌تواند در آزمون‌های چالش‌برانگیز فیزیک، شیمی و زیست‌شناسی در سطح دکترا، عملکردی چشمگیر ارائه دهد. به‌عنوان مثال، مدل قبلی چت جی‌پی‌تی 4 (GPT-4o)  تنها قادر بود ۱۳٪ از مسائل المپیاد جهانی ریاضی را حل کند، در حالی که مدل جدید استدلالی توانسته ۸۳٪ از مسائل را حل کند.

شلدون مونتیرو، مدیر ارشد محصول در شرکت آمریکایی پابلیسیز سیپینت (Publicis Sapient) می‌گوید: «این مدل در حل مسائل منطقی بسیار خوب عمل می‌کند.» او اضافه می‌کند که این ویژگی به شرکت‌ها امکان می‌دهد از هوش مصنوعی در حل مسائل دشوار برنامه‌نویسی یا برنامه‌ریزی پروژه‌های بزرگ که نیاز به مقایسه ریسک‌ها دارند، استفاده کنند.

آرون چاندراسکاران، تحلیلگر شرکت پژوهشی گارتنر، معتقد است اگر هوش مصنوعی بتواند بهتر استدلال کند، این امکان را فراهم می‌کند که قصد و نیت ما را درک کرده، آن را به یک سری گام تبدیل کند و کارها را از طرف ما انجام دهد. او می‌گوید: «هوش مصنوعی استدلالی همچنین به ما کمک می‌کند که از هوش مصنوعی بیشتر به‌عنوان یک سیستم پشتیبان تصمیم‌گیری استفاده کنیم.» با این حال، وی اضافه می‌کند که همه این پیشرفت‌ها در سال ۲۰۲۵ محقق نخواهند شد و این یک هدف بلندمدت است.

طبق جدیدترین چرخه هیاهوی گارتنر برای هوش مصنوعی، با دستیابی به هوش عمومی مصنوعی (AGI) همچنان بیش از یک دهه فاصله داریم.

رشد گسترده در کاربردهای اثبات‌شده

مونتیرو می‌گوید امسال شاهد اثبات برخی موارد استفاده‌ای بودیم که بازگشت سرمایه (ROI) داشته‌اند. در سال ۲۰۲۵، این موارد استفاده به‌صورت گسترده‌ای مورد پذیرش قرار خواهند گرفت، به‌ویژه اگر فناوری هوش مصنوعی در پلتفرم‌های نرم‌افزاری که شرکت‌ها از قبل استفاده می‌کنند، ادغام شود و فرآیند پذیرش را ساده‌تر کند.

او می‌گوید: «زمینه‌هایی مانند خدمات مشتری، بازاریابی و توسعه مشتری، شاهداستفاده گسترده‌ای از هوش مصنوعی خواهند بود. در این موارد، به اندازه کافی پیاده‌سازی‌های مرجع داریم تا نشان دهیم که این فناوری ارزشمند است.»

مونتیرو پیش‌بینی می‌کند که این روند در همه حوزه‌های توسعه نرم‌افزار از تحقیق درباره نیازهای کاربران گرفته تا مدیریت پروژه و حتی آزمایش و تضمین کیفیت، تکرار شود. وی اضافه می‌کند: «ما تعداد زیادی پیاده‌سازی مرجع دیده‌ایم و انجام داده‌ایم و حالا شاهد استفاده گسترده از آنها خواهیم بود.»

تحول در توسعه چابک

مانیفست توسعه چابک در سال ۲۰۰۱ منتشر شد و از آن زمان به‌تدریج جایگزین روش توسعه آبشاری در نرم‌افزار شده است.

مونتیرو می‌گوید: «در ۱۵ سال گذشته، توسعه چابک به استاندارد پیش‌فرض برای توسعه مدرن نرم‌افزار تبدیل شده است.» اما او اشاره می‌کند که توسعه چابک بر اساس محدودیت‌های انسانی سازمان‌دهی شده است – نه فقط محدودیت‌های سرعت کدنویسی، بلکه نحوه سازمان‌دهی و مدیریت تیم‌ها و زمان‌بندی وابستگی‌ها.

امروزه هوش مصنوعی مولد به‌عنوان یک ابزار کمکی استفاده می‌شود که بهره‌وری اعضای تیم را افزایش می‌دهد. اما برای بهره‌برداری کامل از این فناوری، کل فرآیند باید از نو طراحی شود. مونتیرو می‌گوید: «ما باید به نحوه تعامل با همکاران و هوش مصنوعی توجه کنیم. توجه زیادی به هوش مصنوعی برای توسعه کد شده است، اما این تنها بخشی از کل فرآیند توسعه نرم‌افزار است.»

افزایش مقررات

در اواخر سپتامبر 2024، گاوین نیوسام فرماندار کالیفرنیا  قانونی را امضا کرد که توسعه‌دهندگان هوش مصنوعی مولد را ملزم می‌کند داده‌هایی را که برای آموزش سیستم‌های خود استفاده کرده‌اند، افشا کنند. این قانون برای توسعه‌دهندگانی که سیستم‌های هوش مصنوعی مولد را در دسترس عموم مردم کالیفرنیا قرار می‌دهند، اعمال می‌شود و توسعه‌دهندگان باید تا ابتدای سال ۲۰۲۶ به آن پایبند شوند. این بدان معناست که آن‌ها بیش از یک سال فرصت دارند تا سیستم‌هایی برای ردیابی منبع داده‌های آموزشی خود ایجاد کنند.

ویوک موهان، مدیر حوزه هوش مصنوعی در شرکت حقوقی گیبسون دان (Gibson Dunn) می‌گوید: «از نظر عملی، بسیاری از افراد و شرکت‌های فعال در هوش مصنوعی در کالیفرنیا حضور دارند. بسیاری از شرکت‌های پیشرو فناوری در جهان در اینجا مستقر هستند و ابزارهای خود را نیز در اینجا ارائه می‌دهند.»

علاوه بر این قانون، مقررات متعددی در ایالات متحده و سایر نقاط جهان وجود دارند که به موضوعاتی مانند حریم خصوصی داده‌ها و تصمیم‌گیری الگوریتمی می‌پردازند و بر هوش مصنوعی مولد نیز تأثیر می‌گذارند.

به عنوان مثال، استفاده از هوش مصنوعی در تصمیم‌گیری‌هایی مانند تأیید وام، انجام یک فرآیند پزشکی، پرداخت خسارت بیمه یا توصیه‌های شغلی مطرح است. موهان می‌گوید: «این حوزه‌ای است که اجماع نسبتاً گسترده‌ای وجود دارد که باید به طور جدی به آن فکر کنیم. هیچ‌کس نمی‌خواهد توسط ماشینی که پاسخگو نیست، استخدام یا اخراج شود. این موارد از جمله مواردی هستند که احتمالاً باید با مشاوران حقوقی خود درباره آن‌ها صحبت کنید.»

همچنین قوانین دیگری در زمینه استفاده از دیپ‌فیک‌ها (جعل عمیق)، تشخیص چهره و موارد مشابه وجود دارد. جامع‌ترین قانون در این زمینه، قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) است که تابستان گذشته اجرایی شد و شرکت‌ها باید از اواسط سال ۲۰۲۶ با آن تطبیق پیدا کنند. بنابراین، سال ۲۰۲۵ زمانی است که باید برای آن آماده شوند.

چاندراسکاران از شرکت پژوهشی گارتنر می‌گوید: «احتمال زیادی وجود دارد که قانون هوش مصنوعی اتحادیه اروپا منجر به تنظیم مقررات بیشتر در سایر نقاط جهان شود. این قانون گامی رو به جلو در جهت حاکمیت است و تلاش می‌کند تا اطمینان حاصل شود که هوش مصنوعی به شیوه‌ای اجتماعی و مفید مورد استفاده قرار می‌گیرد.»

هوش مصنوعی در دسترس و فراگیر خواهد شد

راکش مالهوترا، یکی از مدیران ارشد در شرکت خدمات حرفه‌ای ارنست اند یانگ (Ernst & Young) می‌گوید: «زمانی که اینترنت برای اولین بار وارد شد، کاربران اولیه مجبور بودند «HTML» یاد بگیرند تا وب‌سایتی داشته باشند. آن‌ها به مودم، نرم‌افزارهای خاص و حساب‌های کاربری اینترنت نیاز داشتند. اما حالا فقط کافی است کلمه‌ای را که به دنبال آن هستید، تایپ کنید.»

او اضافه می‌کند: «هوش مصنوعی مولد هم هنوز در مرحله‌ای است که مردم در تلاش‌اند بفهمند چیست، چگونه کار می‌کند و چگونه می‌توان از آن استفاده کرد. اما این وضعیت تغییر خواهد کرد. هوش مصنوعی مولد فراگیر خواهد شد و به طور یکپارچه در گردش کارها مانند اینترنت امروزی ادغام خواهد شد.»

جایگزینی خدمات با عوامل هوشمند

نرم‌افزار از سیستم‌های یکپارچه روی بزرگ رایانه‌ها به برنامه‌های دسکتاپ، سپس به معماری‌های مبتنی بر خدمات و برنامه‌های وب و موبایل تکامل یافته است و مرحله بعدی، عوامل هوشمند هستند.

عوامل هوشمند انعطاف‌پذیری بیشتری نسبت به خدمات دارند و این معماری‌ها را هوشمندتر و مقاوم‌تر می‌کنند. این تحول، ابزارها و فرآیندهای توسعه کاملاً جدیدی را به همراه خواهد داشت.

در حال حاضر، استفاده از عوامل هوشمند نسبتاً پرهزینه است و هزینه‌های استنتاج می‌تواند به سرعت افزایش یابد، به ویژه برای شرکت‌هایی که به دنبال استقرار سیستم‌های بزرگ هستند. اما مالهوترا پیش‌بینی می‌کند که این وضعیت تغییر خواهد کرد. او می‌گوید: «با کاهش هزینه‌ها، موارد استفاده از این فناوری به سرعت گسترش خواهد یافت.»

ظهور دستیارهای مبتنی بر هوش مصنوعی عاملی

علاوه بر جایگزینی عوامل هوشمند به‌جای اجزای نرم‌افزاری، مالهوترا پیش‌بینی می‌کند که دستیارهای عاملی نیز به‌طور گسترده مورد استفاده قرار خواهند گرفت. به‌عنوان مثال، یکی از چالش‌های موجود، پیگیری تغییرات قوانین و مقررات است. در حال حاضر، مشاوران از طریق آموزش‌های مداوم یا مشورت با همکارانی که متخصص در این حوزه هستند، از قوانین جدید مطلع می‌شوند. این فرآیند زمان‌بر است و ممکن است مدت زیادی طول بکشد تا دانش جدید به‌طور کامل جذب شود.

مالهوترا می‌گوید: «اما یک عامل هوشمند می‌تواند فوراً به‌روزرسانی شود تا اطمینان حاصل شود که تمام کارهای ما مطابق با قوانین جدید است. این علم تخیلی نیست؛ ما در حال حاضر نسخه‌ای کمتر پیشرفته از این فناوری را برای مشتریان خود ارائه می‌دهیم و سال آینده این فناوری کاملاً رایج خواهد شد.»

این تحول تنها به تغییرات قانونی محدود نمی‌شود. برای مثال، اگر یک فروشنده محصول نرم‌افزاری جدیدی عرضه کند، مشتریان سازمانی باید مطمئن شوند که این محصول با الزامات آن‌ها سازگار است. این فرآیند می‌تواند به‌صورت خودکار انجام شود، به‌گونه‌ای که عامل فروشنده با عامل مشتری ارتباط برقرار کند. مالهوترا می‌گوید: «امروز این کار از طریق جلسات و گزارش‌ها انجام می‌شود، اما به‌زودی این فرآیند کاملاً دیجیتالی خواهد شد. به‌زودی شرکت در جلسات بدون داشتن یک دستیار هوش مصنوعی مانند حسابداری است که بدون استفاده از نرم افزار اکسل کار می‌کند. اگر از ابزارهای مناسب استفاده نمی‌کنید، این اولین نشانه‌ای است که نشان می‌دهد برای این شغل مناسب نیستید.»

سیستم‌های چندعاملی

بابک حجت، مدیر فناوری هوش مصنوعی در شرکت کاگنیزنت (Cognizant) می‌گوید که وقتی عوامل هوش مصنوعی شروع به تعامل با یکدیگر کنند، وضعیت بسیار جالب‌تر خواهد شد. اما این تحول یک‌شبه رخ نمی‌دهد و شرکت‌ها باید مراقب باشند که این سیستم‌های عاملی، از کنترل‌ خارج نشود.»

حجت توضیح می‌دهد که یک عامل باید بتواند تشخیص دهد که آیا قادر به انجام یک وظیفه است و آیا آن وظیفه در حوزه مسئولیت آن قرار دارد یا خیر. او می‌گوید: «اگر عامل از همه این فیلترها عبور کرد، فقط در آن صورت اجازه دارید که به‌طور مستقل عمل کند. هوش مصنوعی‌های امروزی اغلب در این زمینه شکست می‌خورند، اما شرکت‌ها می‌توانند حفاظ‌هایی بسازند که با نظارت انسانی تکمیل شود، تا اطمینان حاصل شود که عوامل، تنها کاری را که مجاز به انجام آن هستند و تنها زمانی که بتوانند آن را به خوبی انجام دهند، انجام می‌دهند. دوم اینکه شرکت‌ها به سیستم‌هایی برای نظارت بر اجرای آن وظایف نیاز دارند، بنابراین آنها در محدوده‌های قانونی و اخلاقی باقی می‌مانند. ثالثاً، شرکت‌ها باید بتوانند میزان اطمینان عامل‌های هوش مصنوعی را در عملکرد خود ارزیابی کنند، به طوری که وقتی اعتماد پایین است، بتوان سایر سیستم‌ها یا انسان‌ها را وارد کرد.

اگر از تمام آن دروازه‌ها عبور کند، تنها در این صورت است که به عامل اجازه می‌دهید به طور مستقل این کار را انجام دهد. او حجت توصیه می کند که شرکت ها هر یک از عامل‌ها را تا حد امکان کوچک نگه دارند. او می افزاید: «اگر یک عامل داشته باشید و به او بگویید که همه کارها را در بخش فروش انجام دهد،شکست خواهد خورد. اما اگر نمایندگان زیادی داشته باشید و به آنها مسئولیت های کوچک تری بدهید، خواهید دید که کارهای بیشتری به صورت خودکار انجام می شود.»

هوش مصنوعی چندوجهی

امروزه مدل‌های هوش مصنوعی عمدتاً در یک حالت خاص تخصص دارند؛ مثلاً یک مدل می‌تواند تصاویر بسازد، دیگری فقط متن را پردازش می‌کند، و برخی می‌توانند ویدئو تولید کنند. چاندراسکاران می‌گوید: «برای داشتن درکی کامل از جهان و رسیدن به هوش عمومی واقعی، یک مدل هوش مصنوعی باید بتواند در تمام حالت‌ها عمل کند.»

به گفته او،انتظار می‌رود در سال جدید میلادی هوش مصنوعی چندوجهی به یکی از روندهای مهم تبدیل شود. این مدل‌ها می‌توانند دقت بیشتری داشته باشند، در برابر نویز مقاوم‌تر باشند و تعامل انسان و رایانه را بهبود بخشند. شرکت پژوهشی گارتنر پیش‌بینی می‌کند که ۴۰ درصد از راه‌حل‌های هوش مصنوعی مولد تا سال ۲۰۲۷ چندوجهی خواهند بود، در حالی که این رقم در سال ۲۰۲۳ تنها ۱ درصد بوده است.

مسیریابی چندوجهی

مسیریابی چندوجهی را نباید با هوش مصنوعی چندوجهی اشتباه گرفت. مسیریابی چندوجهی، زمانی است که شرکت‌ها برای تأمین برنامه‌های هوش مصنوعی تولیدی خود از بیش از یک مدل زبانی بزرگ (LLM) استفاده می‌کنند. مدل‌های هوش مصنوعی مختلف در حوزه‌های مختلف بهتر عمل می‌کنند، برخی ارزان‌تر هستند یا تأخیر کمتری دارند. همچنین موضوع مهمی وجود دارد که نباید همه تخم‌مرغ‌ها را در یک سبد گذاشت.

تنوع‌بخشی و استفاده نکردن از یک مدل واحد برای همه موارد استفاده به این معنی است که شرکت کمتر به یک تأمین‌کننده وابسته است و می‌تواند با تغییر شرایط انعطاف‌پذیری بیشتری داشته باشد. امروزه بیشتر شرکت‌هایی که سیستم‌های هوش مصنوعی را در داخل سازمان توسعه می‌دهند، معمولاً با یک تأمین‌کننده شروع می‌کنند زیرا مدیریت چندین تأمین‌کننده بسیار دشوارتر است. اما همان‌طور که آن‌ها معماری مقیاس‌پذیر خود را برای سال آینده توسعه می‌دهند، داشتن «مجموعه ای از مدل‌ها» که شامل مجموعه‌ای از سیستم‌های ارزیابی‌شده، سفارشی‌سازی‌شده و بهینه‌شده با اندازه‌ها و قابلیت‌های مختلف است، برای دستیابی به حداکثر عملکرد و کارایی هزینه‌ای بسیار مهم خواهد بود.

جفری هاموند، مدیر تحول مدیریت محصول در سرویس‌های وب آمازون، می‌گوید انتظار دارد شرکت‌های بیشتری پلتفرم‌های داخلی بسازند که مجموعه خدمات مشترکی را به تیم‌های توسعه خود از جمله مسیریابی چندوجهی.ارائه دهد. او می‌گوید: «این امر به توسعه‌دهندگان کمک می‌کند تا به سرعت مدل‌های زبانی بزرگ (LLM) مختلف را آزمایش کنند و بهترین ترکیب عملکرد، هزینه پایین و دقت را برای وظیفه خاصی که قصد خودکارسازی آن را دارند، پیدا کنند.»

سفارشی‌سازی گسترده نرم‌افزارهای سازمانی

امروزه تنها بزرگ‌ترین شرکت‌ها با بودجه‌های بسیار بالا قادر به توسعه نرم‌افزارهای کاملاً سفارشی برای خود هستند. ساخت سیستم‌های بزرگ برای موارد استفاده کوچک از نظر اقتصادی به‌صرفه نیست.

مالهوترا از کمپانی ارنست اند یانگ (Ernst & Young می‌گوید: «در حال حاضر، همه از همان نسخه تیمز، اسلک یا ابزارهای مشابه استفاده می‌کنند. مایکروسافت نمی‌تواند نسخه‌ای سفارشی فقط برای من ایجاد کند.» اما زمانی که هوش مصنوعی سرعت توسعه نرم‌افزار را افزایش داده و هزینه‌ها را کاهش دهد، این امر امکان‌پذیرتر خواهد شد.

او اضافه می‌کند: «تصور کنید عاملی (هوش مصنوعی) کار شما را برای چند هفته زیر نظر بگیرد و یک دسکتاپ سفارشی دقیق برای شما طراحی کند. شرکت‌ها همیشه نرم‌افزارهای سفارشی تولید می‌کنند، اما اکنون هوش مصنوعی این امکان را برای همه فراهم می‌کند. ما به‌زودی شاهد این روند خواهیم بود. توانایی داشتن نرم‌افزار سفارشی بدون نیاز به استخدام کسی برای ساخت آن فوق‌العاده است.»