چه کسی باهوش‌تر است؛ انسان یا ماشین؟

روایتی که طی سال‌های اخیر درباره هوش مصنوعی شکل گرفته، بر این فرض استوار بوده که این فناوری می‌تواند وظایف تکراری و کم‌اهمیت از جست‌وجوی اطلاعات تا نگارش پیش‌نویس‌ها را بر عهده بگیرد و در مقابل، انسان‌ها را برای تمرکز بر خلاقیت و قضاوت آزاد بگذارد. اما یافته‌های جدید نشان می‌دهد این تقسیم کار نه‌تنها به بهبود عملکرد انسانی منجر نشده، بلکه در مواردی توان تحلیل و تفکر مستقل را تضعیف کرده است.

 آزمایشی برای سنجش هوش ترکیبی

ویوین مینگ، عصب‌شناس و پژوهشگر هوش مصنوعی در پژوهشی میدانی، گروهی از بزرگسالان را در منطقه خلیج سان‌فرانسیسکو گرد هم آورد و از آنها خواست طی یک ساعت، درباره رویدادهای واقعی پیش‌بینی‌هایی انجام دهند. این پیش‌بینی‌ها با داده‌های پلتفرم «پالی‌مارکت» که بازتابی از خرد جمعی پیش‌بینی‌کنندگان با انگیزه مالی است مقایسه شد.

در این آزمایش، سه گروه مورد بررسی قرار گرفتند: انسان‌ها به‌تنهایی، مدل‌های هوش مصنوعی از جمله چت‌جی‌پی‌تی و جمینای و تیم‌های ترکیبی انسان و ماشین.

نتایج اولیه چندان غافلگیرکننده نبود. گروه‌های انسانی عملکرد ضعیفی داشتند و عمدتا بر شهود یا اطلاعات پراکنده روزمره تکیه می‌کردند. مدل‌های هوش مصنوعی عملکرد بهتری داشتند، اما همچنان به دقت بازار پیش‌بینی نمی‌رسیدند. با این حال، عملکرد تیم‌های ترکیبی تصویر پیچیده‌تری ارائه داد.

شکست همکاری سطحی، موفقیت تعامل انتقادی

بخش عمده‌ای از تیم‌های ترکیبی، بدون تعامل واقعی، پاسخ‌های تولیدشده توسط هوش مصنوعی را پذیرفته و همان را ارائه کردند. این گروه‌ها عملکردی مشابه خود AI داشتند. گروهی دیگر تلاش کردند پیش‌بینی‌های خود را از طریق AI تأیید کنند، اما در دام سوگیری تأییدی افتادند؛ به‌طوری که چت‌بات‌ها نیز تمایل داشتند دیدگاه کاربران را تقویت کنند، حتی اگر نادرست باشد. این گروه‌ها حتی عملکردی ضعیف‌تر از AI به‌تنهایی داشتند.

در مقابل، حدود ۵ تا ۱۰ درصد از تیم‌ها الگوی متفاوتی از تعامل را شکل دادند. در این گروه‌ها، هوش مصنوعی نه به‌عنوان ابزار، بلکه به‌عنوان یک حریف فکری به کار گرفته شد. کاربران به پاسخ‌ها بسنده نکردند، بلکه آنها را به چالش کشیدند، درخواست شواهد کردند و از AI خواستند استدلال‌های متضاد ارائه دهد.

این تعامل فعال و انتقادی، به نتایجی انجامید که نه انسان به‌تنهایی و نه ماشین به‌تنهایی قادر به دستیابی به آن بودند. این گروه‌ها تنها نمونه‌هایی بودند که توانستند به‌طور مداوم با دقت بازار پیش‌بینی رقابت کنند و در برخی موارد حتی از آن پیشی بگیرند.

مهارت‌هایی که اهمیت‌شان دست‌کم گرفته شده است

برخلاف تصور، تفاوت این گروه‌ها ناشی از سطح بالاتر هوش نبود، بلکه به دو ویژگی کلیدی توانایی درک واقعی دیدگاه‌های دیگر (perspective-taking) و تواضع فکری (intellectual humility)بازمی‌گشت.

این دو ویژگی، که ریشه در مهارت‌های احساسی دارند، به افراد امکان می‌دهند با عدم‌قطعیت کنار بیایند، دیدگاه‌های مخالف را جدی بگیرند و در برابر پاسخ‌های سریع و قطعی مقاومت کنند. با این حال، این مهارت‌ها معمولا در نظام‌های آموزشی و حرفه‌ای کمتر مورد توجه قرار می‌گیرند؛ در حالی که اعتمادبه‌نفس و تصمیم‌گیری سریع، بیش از حد ارزش‌گذاری شده‌اند.

 پارادوکس اطلاعات و اکتشاف

مینگ این وضعیت را پارادوکس اطلاعات و اکتشاف می‌نامد. هرچه دسترسی به اطلاعات آسان‌تر و ارزان‌تر می‌شود، انگیزه و توان انسان برای اکتشاف و یادگیری عمیق کاهش می‌یابد.

شواهد این روند در حوزه‌های مختلف قابل مشاهده است. دانش‌آموزانی که در انجام تکالیف با کمک AI عملکرد بهتری دارند، در آزمون‌های مستقل ضعیف‌تر ظاهر می‌شوند. توسعه‌دهندگانی که با کمک ابزارهای هوش مصنوعی کد بیشتری تولید می‌کنند، درک کمتری از ساختار و عملکرد آن دارند.

به این ترتیب، آنچه در ظاهر به‌عنوان افزایش بهره‌وری تلقی می‌شود، در عمل می‌تواند به کاهش تدریجی ظرفیت‌های شناختی منجر شود.

 دو مسیر متفاوت در مواجهه با AI

بر اساس این تحلیل، استفاده از هوش مصنوعی به‌تدریج دو مسیر متفاوت را پیش روی کاربران قرار می‌ده، گروهی که از AI به‌عنوان شریک فکری استفاده می‌کنند و از طریق تعامل انتقادی، توان تحلیلی خود را تقویت می‌کنند و گروهی که به دریافت پاسخ‌های سریع عادت می‌کنند و به‌مرور توانایی طرح پرسش‌های معنادار را از دست می‌دهند.

در این چارچوب، مینگ پیشنهاد می‌کند که هدف از استفاده از هوش مصنوعی باید بازتعریف شود. به‌جای تمرکز بر سرعت دستیابی به پاسخ، باید از این ابزار برای شناسایی شکاف‌های دانشی و کشف عدم‌قطعیت‌ها استفاده کرد.

این رویکرد مستلزم تغییر در شیوه تعامل با AI است از جمله درخواست ارائه استدلال‌های مخالف، توجه به نقاط تردید در پاسخ‌ها و پرهیز از پذیرش بی‌چون‌وچرای نتایج.

چالش طراحی در صنعت هوش مصنوعی

در سطح کلان، این مسئله پرسشی اساسی را پیش روی صنعت هوش مصنوعی قرار می‌دهد که آیا این فناوری در حال تقویت توانایی‌های انسانی است یا جایگزین آنها می‌شود؟

در حال حاضر، اغلب معیارهای ارزیابی بر عملکرد مستقل AI تمرکز دارند، در حالی که به‌نظر می‌رسد توسعه معیارهایی برای سنجش هوش ترکیبی یعنی کیفیت تعامل انسان و ماشین ضروری است.

با وجود نگرانی‌ها، مینگ تاکید می‌کند که مهارت‌هایی مانند کنجکاوی، تواضع فکری و توانایی درک دیدگاه‌های متفاوت، قابل آموزش و تقویت هستند. اما تحقق این امر مستلزم انتخاب آگاهانه در سطوح فردی، آموزشی و طراحی فناوری است.

در نهایت، مسئله اصلی نه رقابت میان انسان و ماشین، بلکه نحوه همزیستی آنهاست. انتخاب میان تقویت یا تضعیف توان انسانی، به تصمیم‌هایی بستگی دارد که امروز در نحوه استفاده و طراحی این فناوری اتخاذ می‌شود.

منبع: WSJ