آیا هوش مصنوعی می‌تواند انقلاب بعدی را پیش‌بینی کند؟

برای یافتن پاسخ، نشریه اکونومیست از اندیشکده RAND خواست تا بررسی کند که آیا سیستم پیش‌بینیِ هوش مصنوعی جدید آن‌ها، وقوع یک قیام مردمی در ایران را در آینده نزدیک محتمل می‌داند یا خیر. سیستم «پیش‌بینی استراتژیک یکپارچه» (ISF)، آن‌طور که این سیستم نامیده می‌شود، احتمال فروپاشی یا تغییر حکومت در ایران تا پایان سال ۲۰۲۶ را ۲۰ درصد ارزیابی کرد؛ رقمی بالاتر از آنچه بسیاری از کارشناسان حاضرند حدس بزنند.

البته ملاحظاتی نیز وجود دارد. این پیش‌بینی بدون استفاده از داده‌های طبقه‌بندی‌شده اطلاعاتی تولید شده است. همچنین، همان‌طور که «آنتونی واسالو» (Anthony Vassalo)، مدیر فناوری پیش‌بینی RAND و مقام ارشد سابق دفتر مدیر اطلاعات ملی آمریکا خاطرنشان می‌کند، ورودی‌ها و خروجی‌های آن توسط انسان‌ها ارزیابی و تأیید نشده است؛ رویه‌ای که در پیش‌بینی‌های سفارش‌داده‌شده توسط نهادهای دولتی مرسوم است. بااین‌وجود، واسالو نسبت به این سیستم بسیار خوش‌بین است. او ISF را که در ماه فوریه تکمیل شد، به‌عنوان «گوی بلورین بهتری» توصیف می‌کند که سیاست‌گذاران مدت‌ها در جستجوی آن بوده‌اند.

نسل جدید مدل‌های پیش‌بینی وارد میدان شده‌اند

علاوه بر این، ISF تنها بازیگر این میدان نیست. پس از دو دهه که در آن تلاش‌ها برای ساخت مدل‌های کامپیوتریِ پیش‌بینی‌کننده منازعات نتایج ناامیدکننده‌ای به همراه داشت، پیشرفت‌های اخیر در یادگیری ماشین و مدل‌های زبانی بزرگ، بسیاری از دانشمندان داده را بر آن داشته تا شانس خود را دوباره امتحان کنند.

ایده کار ساده است. شاخص‌هایی که ممکن است نشان‌دهنده درگیری‌های آینده باشند، به‌عنوان ورودی به مدل‌هایی که بر روی منازعات گذشته آموزش‌دیده‌اند، داده می‌شوند؛ به این امید که الگوهای پیش‌بینی‌کننده‌ای که از چشم انسان پنهان هستند، پدیدار شوند. این ورودی‌ها شامل داده‌هایی در مورد جرم و جنایت، سلامت عمومی، اعتصابات کارگری، وضعیت آب‌وهوا، اقتصاد و تحولات سیاسی مانند افول دموکراتیک است. همچنین، رسانه‌های اجتماعی به طور گسترده برای سنجش میزان نارضایتی استخراج و تحلیل می‌شوند.

ماهواره‌ها و دوربین‌ها به چشم مدل‌های پیش‌بینی تبدیل می‌شوند

پیش‌بینی‌کنندگان همچنین در حال روی‌آوردن به تصاویر به‌دست‌آمده از ماهواره‌ها، پهپادها و دوربین‌های نظارتی هستند. هدف این است که سرنخ‌هایی در جریان زندگی خیابانی، الگوهای ترافیکی و نحوه تجمع، حفظ موقعیت و پراکنده شدن معترضان شناسایی شود. «دنیل راچک» (Daniel Racek)، دانشمند ارشد داده در حوزه تخصصی هشدار زودهنگام در دانشگاه نیروهای مسلح آلمان در مونیخ می‌گوید که چنین تحلیل تصویری‌ای در حال ادغام در یک «مرکز پیش‌بینی» و در خدمت وزارت دفاع آلمان خواهد بود.

بهترین پیش‌بینی‌کننده همچنان گذشته است

«کتایون کیشی» (Katayoun Kishi)، دانشمند ارشد داده در ACLED (یک سازمان غیرانتفاعی در ویسکانسین)، معتقد است باوجوداینکه تمام این موارد ممکن است مفید باشند، بهترین پیش‌بینی‌کننده منازعات، منازعات گذشته است. ACLED حدود ۱۵۰ پژوهشگر در سراسر جهان را استخدام کرده است تا شورش‌ها، سرکوب‌های دولتی، جنگ‌ باندها، حملات نظامی و سایر خشونت‌هایی را که احتمال وقوع منازعات آینده را افزایش می‌دهند، ردیابی کنند. این داده‌ها که از سوی سازمان غیرانتفاعی ForecastBench برای ارزیابی مدل‌های پیش‌بینی همه‌منظوره به‌اندازه کافی کامل تلقی شده‌اند، به مدل اختصاصی ACLED با نام CAST به‌عنوان ورودی داده می‌شوند.

سپس CAST از این اطلاعات که با شاخص‌هایی مانند مرگ‌ومیر نوزادان و وقوع مذاکرات صلح تقویت شده است، استفاده می‌کند تا دوره‌های خشونت سیاسی سازمان‌یافته را تا شش ماه آینده پیش‌بینی کند. کیشی می‌گوید در جاهایی که داده‌های خوبی وجود دارد، این مدل به‌خوبی کار می‌کند. به‌عنوان‌مثال، CAST به‌درستی پیش‌بینی کرد که در ژوئیه ۲۰۲۳، ایالت سئارا در برزیل که شاهد درگیری میان گروه‌های جنایتکار بود، دو نبرد، چهار حمله به غیرنظامیان و هیچ بمب‌گذاری‌ای را تجربه خواهد کرد. مدل CAST که از آن زمان با گزارش‌هایی درباره سایر کشورها ارتقا یافته است، توسط آژانس‌های سازمان ملل و وزارت امور خارجه هلند استفاده می‌شود.

هوش مصنوعی در جست‌وجوی نشانه‌های پنهان بحران

مدل‌ها همچنین در ارزیابی «تقویت‌کننده‌های ریسک» در حال بهبود هستند. به‌عنوان‌مثال، امواج گرما مدت‌هاست که با افزایش احتمال شورش‌ها مرتبط دانسته شده‌اند. «هاوارد هگره» (Havard Hegre) که سیستم رسمی ناتو را بر روی یک مدل پیش‌بینی هوش مصنوعی به نام «سیستم هشدار زودهنگام خشونت و اثرات» (VIEWS) آموزش داده است، می‌گوید مجاورت با منابع قابل‌استخراج نیز اهمیت دارد؛ او هدایت این مدل را در مؤسسه تحقیقات صلح اسلو بر عهده دارد. در جایی که نفت یا الماس وجود دارد، شورشیان موفق می‌توانند انتظار کسب درآمد داشته باشند که این امر احتمال بروز درگیری را افزایش می‌دهد. بینش‌های حاصل از VIEWS منجر به پذیرش آن توسط برنامه توسعه سازمان ملل (UNDP) و سرویس دیپلماتیک اتحادیه اروپا شده است.

پیش‌بینی آوارگی؛ قدم بعدی مدل‌های بحران

یک مجموعه جدید و ارتقایافته از مدل‌ها که توسط سازمان بین‌المللی مهاجرت (IOM)، از نهادهای وابسته به سازمان ملل، اجرا می‌شود، با هدف پیش‌بینی تعداد افرادی که در اثر منازعات و بلایای طبیعی آواره خواهند شد، توسعه یافته است. اولین پیش‌بینی این سیستم که در اول آوریل منتشر شد، با دقتی جاه‌طلبانه پیش‌بینی کرد که خشکسالی، سیل و درگیری‌ها طی سه ماه آینده باعث آوارگی ۳۰۴،۶۳۲ نفر در سومالی خواهد شد. «ایوا نیاگا» (Eva Nyaga)، دانشمند داده در دفتر IOM در نایروبی، می‌گوید تا تاریخ ۲۰ آوریل، این پیش‌بینی احتمالاً تنها چند درصد با واقعیت اختلاف دارد.

پیش‌بینی آغاز یک بحران هنوز دشوار است

بااین‌حال، تردیدها حتی در میان برخی از کاربران همچنان پابرجاست. «کورادو اسکونیامیلو» (Corrado Scognamillo) از واحد ریسک بحران برنامه توسعه سازمان ملل در نیویورک می‌گوید تیم او تنها سه مدلِ در دسترس عموم، از جمله CAST و VIEWS را مفید می‌داند؛ آن هم تنها درصورتی‌که درگیری از قبل آغاز شده باشد. او می‌گوید وقتی صحبت از مسئله پیچیده‌ترِ پیش‌بینی آغاز یک منازعه جدید به میان می‌آید، همه مدل‌ها غیرقابل‌اعتماد به نظر می‌رسند. او استدلال می‌کند که داده‌های موجود اغلب قادر به ثبت محرک‌های واقعی یک بحران نیستند. برای مثال، رشد نابرابری ممکن است در مقایسه با تغییر در نحوه درک و احساس آن نابرابری، خاصیت اشتعال‌زایی کمتری داشته باشد.

اطلاعات نادرست، یکی از نقاط کور مدل‌هاست

«جک رونی» (Jack Rooney)، مدیر شرکت مشاوره اطلاعاتی Aldebaran Threat Consultants در دبی می‌گوید برای پیچیده‌تر شدن اوضاع، کمپین‌های اطلاعات نادرست (Disinformation) که امروزه به‌شدت شایع شده‌اند، ارزش پیش‌بینی‌کنندگی رسانه‌های اجتماعی را مخدوش می‌کنند. بسیاری امیدوارند با گسترش دامنه جست‌وجو، خطا را کاهش دهند. شرکت Aldebaran از شبکه‌ای از منابع انسانی برای گردآوری پایگاه‌های داده‌ای استفاده می‌کند که برخی از مشتریانِ وزارتخانه‌های دفاع قصد دارند آن‌ها را به مدل‌های پیش‌بینی خود وارد کنند. «کلارا بروکرت» (Clara Broekaert)، پژوهشگر مرکز سوفان (The Soufan Centre)، یک سازمان غیرانتفاعی در نیویورک که همچنین داده‌هایی را برای پیش‌بینی منازعات جمع‌آوری می‌کند، می‌گوید این مرکز برای دسترسی مخفیانه به گروه‌های چتِ اداره‌شده توسط سازمان‌های حامی خشونت سیاسی تلاش می‌کند. این کار به آن‌ها اجازه می‌دهد احساسات و نظراتی را دریافت کنند که به‌ندرت در عرصه عمومی بیان می‌شوند.

اگر پیش‌بینی اشتباه باشد، چه کسی هزینه آن را می‌دهد؟

البته تاریخ مملو از بقایای سازمان‌هایی است که اعتماد بی‌جایی به پیش‌بینی‌های خود داشتند. اسکونیامیلو به یک تله دیگر نیز اشاره می‌کند. او می‌گوید پیش‌بینیِ بروز ناآرامی‌ها، چه موجه باشد و چه نباشد، برخی حکومت‌ها را وسوسه می‌کند تا به طور پیشگیرانه دست به سرکوب بزنند. این پیش‌بینی‌ها همچنین ممکن است توجه ناخواسته‌ای را به سمت افراد آسیب‌پذیرِ جدید جلب کند. جای تعجب نیست که IOM پیش‌بینی خود درباره سومالی را با وضوح مکانیِ کاهش‌یافته منتشر کرد.

گزارش حاضر در نسخه May 16th 2026 نشریه The Economist منتشر شده است.