چالش‌های آموزش شیوه کار انسانی به هوش مصنوعی

بخشی از زمینه موردنیاز هوش مصنوعی را می‌توان از همان ابتدا در قالب قوانین و دستورالعمل‌های صریح کدگذاری کرد. بخش دیگری نیز از طریق تحلیل داده‌های خام قابل‌استخراج است. برای نمونه، شرکت نرم‌افزاری آلمانی Celonis با دریافت داده‌های سامانه‌های سازمانی، بررسی می‌کند که فرایندهایی مانند صدور فاکتور یا تدارکات در عمل چگونه در سازمان‌ها اجرا می‌شوند.

اما انتقال برخی انواع اطلاعات بسیار دشوارتر است و در این میان، هیچ‌چیز پیچیده‌تر از دانش ضمنی (Tacit Knowledge) نیست؛ همان دانشی که حاصل تجربه، مهارت و شهود افراد است. فیلسوفی به نام «مایکل پولانی» این مفهوم را در جمله مشهورش این‌چنین خلاصه کرده است: «ما بیش از آنچه بتوانیم بیان کنیم، می‌دانیم.» بنابراین این پرسش مطرح می‌شود که هوش مصنوعی چگونه می‌تواند درباره شیوه انجام کارها بیاموزد، وقتی حتی انسان‌ها نیز قادر نیستند توضیح دهند چرا کاری را به شیوه‌ای خاص انجام می‌دهند؟

یکی از پاسخ‌ها این است که شاید اصلاً نیازی به توضیح‌دادن نباشد. دانش ضمنی از پیش در داده‌هایی که مدل‌های هوش مصنوعی با آن‌ها آموزش می‌بینند، تجسم یافته است. برای مثال، مجموعه‌ای از متون بازاریابی مربوط به یک برند خاص، دربردارنده قضاوت‌های سازمانی و تخصص انباشته‌ای است که مدل‌ها می‌توانند آن را بیاموزند. به گفته «انریکه ایده» از مدرسه کسب‌وکار IESE اسپانیا، یکی از ویژگی‌های بنیادی هوش مصنوعی، توانایی آن در شناسایی الگوهایی در داده‌هاست که انسان‌ها قادر به توصیف آن‌ها نیستند. از تشخیص چهره گرفته تا شطرنج، هوش مصنوعی بارها نشان داده است که می‌تواند مهارت‌هایی را به‌خوبی فرابگیرد، بی‌آنکه هرگز به طور صریح برای انجام آن‌ها آموزش دیده باشد.

بااین‌حال، گاهی جزئیات یک فرایند اهمیتی تعیین‌کننده دارند. به‌عنوان‌مثال، یک دیوار آجری دانش ضمنی یک استادکار بنا را در خود جای داده است، اما صرفاً با تماشای تعداد زیادی دیوار نمی‌توان فهمید بهترین روش ساخت آن چیست. شرکت نوپای هلندی Monumental که از ربات‌های مجهز به هوش مصنوعی برای آجرچینی استفاده می‌کند، در مراحل اولیه طراحی ماشین‌های خود با استادکاران بنا مصاحبه کرد؛ اما پاسخ‌های آن‌ها اغلب به طرز ناامیدکننده‌ای مبهم بود، مانند جملاتی ازاین‌دست که «همیشه همین‌طور انجامش داده‌ام.» بناها بیش از آنچه می‌توانستند توضیح دهند، می‌دانستند.

آنچه خود استادکاران قادر به بیانش نبودند را ساعت‌ها فیلم‌برداری از نحوه کارشان آشکار کرد. Monumental مشاهده کرد که بناها هنگام فشردن آجر داخل ملات، دست خود را اندکی می‌لرزانند. این حرکت کوچک باعث می‌شود ملات بهتر در منافذ آجر نفوذ کند و اتصال چسبنده و مستحکم‌تری ایجاد شود. به همین دلیل، ربات‌های این شرکت به‌گونه‌ای طراحی شدند که همین حرکت ظریف را نیز تقلید کنند.

بنابراین، یک راهکار بدیهی آن است که نحوه انجام کار افراد با جزئیات هرچه بیشتری ثبت و پایش شود. برخی مشاغل هم‌اکنون نیز تحت نظارت گسترده قرار دارند؛ مثلاً در مراکز تماس خدمات مشتری، معمولاً مکالمات به‌صورت عادی ضبط می‌شوند و نظارت بر صفحه‌نمایش کارکنان نیز امری رایج است. هوش مصنوعی می‌تواند بر حجم بسیار بیشتری از این داده‌ها اعمال شود. نتایج یک نظرسنجی از کارکنان آمریکایی که توسط «دنیل لی» از MIT و همکارانش انجام شد، نشان می‌دهد کارکنان معتقدند حجم قابل‌توجهی از دانش کدگذاری‌نشده درباره سازمان خود در اختیار دارند.

اما نظارت دقیق‌تر بر فعالیت‌های روزمره و رفتارهای فردی کارکنان، حوزه‌ای بسیار حساس است. کارکنان شرکت متا نسبت به برنامه Model Capability Initiative این شرکت که با هدف آموزش هوش مصنوعی، کلیک‌های ماوس و صفحه‌کلید را ردیابی می‌کند، واکنش‌های تندی نشان داده‌اند. همچنین، در پژوهش لی مشخص شد کارکنان باور دارند می‌توانند مقدار زیادی از اطلاعات ارزشمند را از کارفرمایان بیش از حد کنجکاو پنهان نگه دارند و احتمالاً نیز چنین خواهند کرد. در یکی از آزمایش‌های این پژوهش، از شرکت‌کنندگان خواسته شد داده‌های نظرسنجی خود را بفروشند؛ افرادی که پیش از آن ویدئویی درباره نحوه استفاده از داده‌ها برای آموزش هوش مصنوعی مشاهده کرده بودند، تمایل کمتری به فروش اطلاعات خود نشان دادند.

حتی فراگیرترین و مداخله‌گرانه‌ترین نظام‌های نظارتی نیز برای ثبت آنچه در ذهن افراد می‌گذرد با مشکل روبه‌رو خواهند بود؛ دانشی مانند درک آن‌ها از ترجیحات مشتریان یا فرایندهای ذهنی‌ای که پشت برخی قضاوت‌ها و تصمیم‌گیری‌ها قرار دارد. ازاین‌رو، گزینه دیگر آن است که دانش متخصصان از طریق فرایندهای ارزیابی استخراج شود. در برخی وظایف، مدل هوش مصنوعی به‌راحتی می‌تواند تشخیص دهد عملکردش درست بوده یا نه؛ برای مثال، یک قطعه کد یا اجرا می‌شود یا نمی‌شود. اما اعتبارسنجی برخی وظایف بسیار مبهم‌تر است؛ مانند قضاوت درباره جذابیت زیبایی‌شناختی یک طراحی یا ارزیابی کیفیت اجرای یک طرح پژوهشی. اگر از متخصصان انسانی خواسته شود عملکرد هوش مصنوعی را بر اساس این معیارهای ذهنی ارزیابی کنند، مدل‌ها به‌تدریج اصلاح و تنظیم خواهند شد تا با استانداردهای آن‌ها همسو شوند.

در اصل، تلاش برای ثبت و انتقال دانش ضمنی ایرادی ندارد. سازمان‌ها سال‌هاست نگران ازدست‌رفتن تخصص کارکنان باتجربه پس از بازنشستگی یا ترک سازمان هستند. اما استفاده از هوش مصنوعی برای حل این مسئله، پرسش‌های دشوار و پیچیده‌ای را مطرح می‌کند:
مالک دانش کدگذاری‌نشده چه کسی است؟
چه میزان نظارت بر کارکنان قابل‌قبول است؟
و در نهایت، هرچه ماشین‌ها بیشتر بیاموزند، این موضوع چه تأثیری بر شیوه‌ای خواهد گذاشت که انسان‌ها از طریق تجربه، تخصص کسب می‌کنند، آن را به کار می‌گیرند و به نسل بعد منتقل می‌سازند؟

گزارش حاضر در نسخه June 27th 2026 نشریه The Economist منتشر شده است.