استارتاپی که می‌خواهد کارِ شما را به هوش مصنوعی بسپارد

سال‌ها پیش، زمانی که شروع به نوشتن درباره تلاش‌های سیلیکون ولی برای جایگزین کردن کارگران با هوش مصنوعی کردم، اغلب مدیران فناوری دست‌کم آن‌قدر نزاکت داشتند که در این‌باره دروغ بگویند. مدیران به من می‌گفتند: «ما کارگران را خودکارسازی نمی‌کنیم بلکه آن‌ها را توانمند می‌کنیم. ابزارهای هوش مصنوعی ما مشاغل را از بین نمی‌برند. آن‌ها دستیارانی مفید خواهند بود که کارگران را از یکنواختی‌های خسته‌کننده رها می‌سازند.» البته چنین جملاتی که اغلب برای آرام کردن کارگران مضطرب و پوششی برای برنامه‌های اتوماسیون شرکتی بیان می‌شدند، بیشتر از آن‌که درباره انگیزه‌های مدیران چیزی بگویند، نشان‌دهنده محدودیت‌های فناوری در آن زمان بودند.

تحول فناوری و ظهور توانایی‌های جدید

 آن موقع، هوش مصنوعی به‌اندازه‌ای پیشرفته نبود که بتواند بیشتر مشاغل را خودکار کند و قطعاً توانایی جایگزین کردن کارگران تحصیل‌کرده در صنایع دفتری همچون فناوری، مشاوره و مالی را نداشت. اما این وضعیت در حال تغییر است. برخی از سیستم‌های هوش مصنوعی امروزی می‌توانند نرم‌افزار بنویسند، گزارش‌های پژوهشی دقیق تهیه کنند و مسائل پیچیده ریاضی و علمی را حل کنند. عامل‌های جدید هوش مصنوعی (A. I. agents) قادرند دنباله‌های طولانی از وظایف را انجام دهند و حتی کار خود را مانند انسان بررسی کنند. هرچند این سیستم‌ها هنوز در بسیاری حوزه‌ها از انسان عقب‌ترند، برخی کارشناسان نگران‌اند که افزایش اخیر بیکاری در میان فارغ‌التحصیلان دانشگاهی نشانه‌ای از این باشد که شرکت‌ها همین حالا هم در حال استفاده از هوش مصنوعی به‌عنوان جایگزینی برای برخی کارگران تازه‌وارد هستند.

رویداد Mechanize و هدف بلندپروازانه

من در یک رویداد در سان‌فرانسیسکو که توسط Mechanize، استارتاپ تازه‌ای در حوزه هوش مصنوعی، برگزار شد، نگاهی اجمالی به آینده‌ای پس از کار انداختم؛ آینده‌ای که این شرکت هدف جسورانه‌ای را دنبال می‌کند. خودکارسازی تمام مشاغل؛ شغل من، شما، پزشکان و وکلا، کسانی که نرم‌افزار می‌نویسند، ساختمان‌هایمان را طراحی می‌کنند و از کودکان ما مراقبت می‌کنند. «تامای بسیراوغلو» (Tamay Besiroglu)، ۲۹ ساله و یکی از بنیان‌گذاران Mechanize، بیان کرد:

«هدف ما این است که کار را به‌طور کامل خودکار کنیم. ما می‌خواهیم به اقتصادی کاملاً خودکار برسیم و این اتفاق را هرچه سریع‌تر رقم بزنیم.»

پایه تاریخی و بازگشت به ایده‌های قدیمی

 رویای خودکارسازی کامل چیز جدیدی نیست. «جان مینارد کینز» (John Maynard Keynes)، اقتصاددان، در دهه ۱۹۳۰ پیش‌بینی کرده بود که ماشین‌ها تقریباً همه مشاغل را خودکار خواهند کرد، به‌گونه‌ای که فراوانی مادی ایجاد شود و انسان‌ها آزاد گردند تا علایق خود را دنبال کنند. البته چنین چیزی هرگز رخ نداد اما پیشرفت‌های اخیر در هوش مصنوعی دوباره این باور را زنده کرده‌اند که فناوری قادر به خودکارسازی گسترده کار نزدیک است. «داریو آمودئی» (Dario Amodei)، مدیرعامل Anthropic، اخیراً هشدار داده است که هوش مصنوعی می‌تواند طی پنج سال آینده نیمی از مشاغل دفتری سطح ابتدایی را از بین ببرد.

Mechanize و پشتیبانی سرمایه‌گذاران

 استارتاپ Mechanize یکی از چندین استارتاپی است که برای تحقق این امر تلاش می‌کنند. این شرکت امسال توسط «تامای بسیراوغلو»، «اگه اردیل» (Ege Erdil) و «متیو بارنت» (Matthew Barnett) تأسیس شد؛ کسانی که پیش‌تر در Epoch AI، یک شرکت پژوهشی که توانایی‌های سیستم‌های هوش مصنوعی را بررسی می‌کند، با هم همکاری داشتند. این شرکت سرمایه‌گذاری‌هایی را از رهبران شناخته‌شده فناوری از جمله «پاتریک کالیسون» (Patrick Collison)، بنیان‌گذار Stripe و «جف دین» (Jeff Dean)، دانشمند ارشد هوش مصنوعی در گوگل جذب کرده است. این شرکت اکنون پنج کارمند دارد و با شرکت‌های برجسته حوزه هوش مصنوعی همکاری می‌کند (هرچند به دلیل توافق‌های محرمانگی، از ذکر نام آن‌ها خودداری کرده است).

یادگیری تقویتی و محیط‌های شبیه‌سازی‌شده

 رویکرد Mechanize برای خودکارسازی مشاغل با استفاده از تکنیکی به نام یادگیری تقویتی (Reinforcement Learning) متمرکز است؛ همان روشی که نزدیک به یک دهه پیش برای آموزش یک رایانه به بازی Go در سطحی فراتر از انسان استفاده شد. امروزه شرکت‌های پیشروی هوش مصنوعی از یادگیری تقویتی برای بهبود خروجی مدل‌های زبانی خود استفاده می‌کنند، به این صورت که پیش از تولید پاسخ، محاسبات اضافی انجام می‌شود. این مدل‌ها که اغلب «مدل‌های اندیشنده» یا «مدل‌های استدلالی» نامیده می‌شوند، در برخی وظایف محدود مانند نوشتن کد یا حل مسائل ریاضی، به طرز چشمگیری خوب عمل می‌کنند.

چالشِ چندوظیفگی و راه‌حل Mechanize

 اما بیشتر مشاغل شامل انجام بیش از یک وظیفه هستند و حتی بهترین مدل‌های هوش مصنوعی امروز هنوز به‌اندازه کافی قابل‌اعتماد نیستند که بتوانند بارهای کاری پیچیده‌تر را مدیریت کنند یا در سیستم‌های سازمانی دشوار حرکت کنند. برای رفع این مشکل، Mechanize در حال ایجاد محیط‌های آموزشی جدید برای این مدل‌هاست؛ در اصل آزمون‌های پیچیده‌ای که می‌توان از آن‌ها برای آموزش مدل‌ها در یک سناریوی خاص استفاده کرد و تشخیص داد که آیا موفق شده‌اند یا خیر. برای نمونه، به‌منظور خودکارسازی مهندسی نرم‌افزار، Mechanize در حال ساخت محیط آموزشی‌ای است که شبیه به رایانه‌ای است که یک مهندس نرم‌افزار استفاده می‌کند. یک ماشین مجازی مجهز به صندوق ایمیل، حساب Slack، برخی ابزارهای کدنویسی و یک مرورگر وب. از سیستم هوش مصنوعی خواسته می‌شود با استفاده از این ابزارها کاری را انجام دهد. اگر موفق شد، پاداش می‌گیرد؛ اگر شکست خورد، جریمه می‌شود. سپس دوباره تلاش می‌کند. با تکرار کافی و خطا اگر شبیه‌سازی به‌خوبی طراحی شده باشد، این هوش مصنوعی در نهایت باید یاد بگیرد همان کاری را انجام دهد که یک مهندس انسانی انجام می‌دهد. بسیراوغلو می‌گوید: «این کار عملاً شبیه ساختن یک بازی ویدئویی بسیار کسل‌کننده است.»

گام آغازین و برنامه توسعه

 Mechanize کار خود را با برنامه‌نویسی رایانه آغاز کرده است؛ شغلی که در آن یادگیری تقویتی پیش‌تر نشانه‌هایی از موفقیت نشان داده است. اما این شرکت امیدوار است همان راهبرد بتواند برای خودکارسازی مشاغل در بسیاری از حوزه‌های دفتری دیگر نیز به کار رود. این شرکت در پستی وبلاگی اخیر نوشت: «ما تنها زمانی واقعاً می‌دانیم که موفق شده‌ایم که سیستم‌های هوش مصنوعی‌ای ساخته باشیم که بتوانند تقریباً هر مسئولیتی را که یک انسان می‌تواند پشت رایانه انجام دهد، بر عهده بگیرند.»

تردیدها و محدودیت‌های عملی

 من تردیدهایی درباره موفقیت رویکرد Mechanize دارم، به‌ویژه در مورد مشاغل غیرتکنیکی که در آن‌ها اندازه‌گیری موفقیت یا شکست به‌آسانی ممکن نیست. برای نمونه، معنای آن چیست که یک هوش مصنوعی در «معلم بودن» در دبیرستان موفق شود؟ اگر شاگردانش در آزمون‌های استاندارد عملکرد خوبی داشته باشند اما همگی ناراضی و بی‌انگیزه باشند چه؟ اگر معلم هوش مصنوعی یاد بگیرد که با دستکاری پاداش (reward-hack) از طریق دادن پاسخ‌های درست به دانش‌آموزان صرفاً نمرات آن‌ها را بالا ببرد چه؟

جدول زمانی و شفافیت در اعلام اهداف

بنیان‌گذاران Mechanize در مورد دشواری خودکارسازی مشاغل از این طریق ساده‌لوح نیستند. بارنت به من گفت که برآورد بهترین او این است که خودکارسازی کامل ۱۰ تا ۲۰ سال طول خواهد کشید. اردیل و بسیراوغلو این بازه را ۲۰ تا ۳۰ سال می‌دانند. این جدول‌های زمانی بر اساس استانداردهای سیلیکون ولی محافظه‌کارانه به‌شمار می‌آیند و من قدردان این هستم که برخلاف بسیاری از شرکت‌های هوش مصنوعی که در پشت درهای بسته بر روی فناوری‌های جایگزین نیروی کار کار می‌کنند، Mechanize صریحاً در مورد اهداف خود سخن می‌گوید. اما من همچنین در معرفی آن‌ها چیزی عجیب یافتم؛ نبود همدلی نسبت به مردمی که مشاغلشان قرار است جایگزین شود و بی‌توجهی به اینکه آیا جامعه برای چنین تغییر عمیق و بنیادی آمادگی دارد یا نه.

دیدگاه بنیان‌گذاران درباره اثرات اجتماعی

بسیراوغلو می‌گوید که معتقد است هوش مصنوعی سرانجام «فراوانی رادیکال» و ثروتی ایجاد خواهد کرد که می‌توان آن را میان کارگران بیکار بازتوزیع کرد؛ در قالب درآمد پایه همگانی (Universal Basic Income) که به آن‌ها اجازه دهد استاندارد زندگی بالایی داشته باشند. اما همانند بسیاری از شرکت‌های هوش مصنوعی که روی فناوری‌های جایگزین نیروی کار فعالیت می‌کنند، Mechanize هیچ پیشنهاد سیاستی نوینی برای هموار کردن گذار به اقتصادی مبتنی بر هوش مصنوعی ارائه نکرده است؛ نه ایده درخشانی درباره گسترش شبکه حمایت اجتماعی و نه برنامه‌ای برای بازآموزی کارگران برای مشاغل جدید، تنها هدف این است که مشاغل فعلی هرچه سریع‌تر منسوخ شوند.

مناقشه اخلاقی و واکنش‌ها

در مقطعی از جلسه پرسش و پاسخ، من پرسیدم: «آیا خودکارسازی همه کارها از نظر اخلاقی درست است؟» بارنت که خود را لیبرتاریان توصیف کرد، پاسخ داد که بله. او بر این باور است که هوش مصنوعی رشد اقتصادی را تسریع خواهد کرد و به پیشرفت‌های نجات‌بخش در پزشکی و علم منجر خواهد شد و جامعه‌ای ثروتمند با خودکارسازی کامل بهتر از اقتصادی با رشد پایین خواهد بود که در آن انسان‌ها همچنان شاغل هستند. او گفت: «اگر جامعه به‌طور کلی بسیار ثروتمندتر شود، من فکر می‌کنم این موضوع قطعاً بر معایب از دست رفتن شغل مردم می‌چربد.»

این مقاله اولین بار در نیویورک‌تایمز منتشر شده است.