هوش مصنوعی برای فقرا

دانیل بیورک‌گرن، اقتصاددان و متخصص حوزه هوش مصنوعی، در فارن افرز، روز چهارشنبه ۹اوت نوشت: کشورهای کم‌درآمد، کارگران با دانش کمتری را استخدام می‌کنند و سهم بیشتری از جمعیت آنها در بخش‌هایی کار می‌کنند که کمتر مستعد اتوماسیون هستند؛ به‌ویژه کشاورزی. در کشورهای فقیر، سوال بزرگ این نیست که چگونه هوش مصنوعی بر میلیون‌ها نفر از افراد شاغل تاثیر می‌گذارد، بلکه این است که چگونه میلیاردها نفر هوش مصنوعی را به‌کار خواهند گرفت. دگرگون‌کننده‌ترین کاربردها در جهان در حال توسعه احتمالا آنهایی نیستند که جایگزین انسان‌ها شوند. آنها کسانی خواهند بود که امکانات جدیدی را برای انسان باز می‌کنند. تاکنون، تقریبا تمام بحث‌ها درباره چگونگی حمایت از هوش مصنوعی و نحوه کاهش خطرات آن، بر کشورهای ثروتمند متمرکز بوده است؛ کشورهایی که در خانه، شرکت‌ها و دانشگاه‌هایشان روی این فناوری کار می‌کنند. اما ازآنجاکه تاثیرات هوش مصنوعی - خوب و بد - در کشورهای فقیر متفاوت خواهد بود، سرمایه‌گذاری‌ها و مقررات مورد نیاز این کشورها نیز احتمالا متفاوت خواهد بود. فیلسوفان، اقتصاددانان و فناوران، جوهر بی‌پایانی را در فکر آینده هوش مصنوعی در جهان توسعه‌یافته ریخته‌اند. اکنون زمان آن فرا رسیده است که درباره یک دستور کار هوش مصنوعی برای دیگران فکر کنیم.

قدرت ماشین‌ها

یادگیری ماشین از پیش زندگی فقرای جهان را تحت تاثیر قرار داده است. تحولات اعتباری را در نظر بگیرید. بسیاری از افراد فقیر فاقد سوابق مالی و امتیازات اعتباری هستند. بنابراین دسترسی کمی به وام‌های رسمی دارند. در سال۲۰۱۰، من راهی برای ایجاد (دریافت) امتیازهای اعتباری جایگزین، با استفاده از یادگیری ماشینی برای استنتاج درباره احتمال بازپرداخت از «داده‌های جمع‌آوری‌شده‌ خودکار» توسط شبکه‌های تلفن همراه، پیشنهاد کردم. این روش اکنون یکی از روش‌هایی است که وام‌دهندگان در ده‌ها کشور برای ارائه وام‌های کوچک از طریق تلفن همراه به میلیون‌ها نفر استفاده کرده‌اند. محققان دیگر از یادگیری ماشینی برای همین نوع داده‌ها استفاده می‌کنند تا مشخص کنند کدام خانوارها در یک منطقه معین، فقیرترین هستند؛ به‌طوری‌که کمک‌ها می‌توانند هوشمندانه در طول یک بحران هدف‌گذاری و ارائه شوند. هنوز دیگران حل این‌گونه مسائل را با استفاده از تصاویر ماهواره‌ای پی می‌گیرند، تخمین‌های جمعیت را بر اساس الگوهای سکونت انسانی و پیش‌بینی کمبود مواد غذایی را بر اساس الگوهای پوشش گیاهی ارائه می‌دهند. چنین برنامه‌هایی ارزش خاص هوش مصنوعی را در جهان در حال توسعه برجسته می‌کنند: در محیط‌های کم‌اطلاعات، یادگیری ماشینی می‌تواند سیگنال‌هایی را از منابع جدید استخراج و داده‌های تازه‌تری ارائه کند. امکانات به همین جا ختم نمی‌شود. مدرسه را در نظر بگیرید. اکثر سیستم‌های آموزشی در کشورهای در حال توسعه برای ارائه آموزش با کیفیت تلاش می‌کنند. معلمان موسوم به هوش مصنوعی شخصی‌شده - روبات‌های چت با صبر بی‌پایان - ممکن است روزی نیازهای دانش‌آموزان کنجکاو در مدارس دوردست را برآورده کنند.

آنها همچنین ممکن است به حرفه‌ای‌ها کمک کنند تا مهارت‌ها را بهبود و تغییر دهند؛ مثلا به کارگران تعمیر اجازه می‌دهند مهارت‌های خود را ارتقا دهند و مهندسی‌تر بیاموزند یا حوزه سلامت را در نظر بگیرید. در بسیاری از کشورهای در حال توسعه، ارائه توصیه‌های صحیح پزشکی دشوار است. سیستم‌های مجهز به هوش مصنوعی ممکن است تشخیص‌های بهتر و گسترده‌تری ارائه دهند. بسیاری از جوامع دارای نرخ بالای افسردگی و درمانگران اندکی هستند. ابزارهای دیجیتال سلامتِ روان مانند درمانگرانِ چت‌بات ممکن است نیاز واقعی را با هزینه کم برطرف کنند. هوش مصنوعی می‌تواند نقش مشابهی را ایفا و به مردم کمک کند تا در میان بوروکراسی‌ها راحت‌تر زندگی کنند. به‌عنوان مثال، یک کارآفرین هندی که به دنبال ورود به یک بازار جدید است، ممکن است روزی بتواند برای پر کردن مجوزهای مورد نیاز، به یک برنامه مبتنی بر هوش مصنوعی تکیه کند. فناوری‌هایی که این کاربردهای بالقوه را فعال می‌کنند همچنان به بهبود خود ادامه می‌دهند؛ زیرا کشورهای ثروتمند منابع عظیمی را در هوش مصنوعی سرمایه‌گذاری می‌کنند. کلید کشورهای در حال توسعه، تکمیل این جریان سرمایه‌گذاری با استفاده از فناوری‌های حاصل در محصولات و خدماتی است که نیازهای محلی را برآورده می‌کند. کشورهای در حال توسعه بسیاری از زیرساخت‌های اجتماعی مورد نیاز برای شروع سرمایه‌گذاری‌های جدید را دارند: «مراکز فناوری، دانشگاه‌ها و گروه‌های کارآفرین.» با این حال، شرکت‌های آنها انگیزه اندکی برای ساخت برنامه‌های کاربردی با هدف قرار دادن فقیرترین افراد که به ندرت برای خدمت‌رسانی سودآور هستند، دارند. برخی از کشورهای بزرگ و با درآمد متوسط مانند هند می‌توانند با سرمایه‌گذاری در فناوری‌های هوش مصنوعی برای فقرا بر این مشکل غلبه کنند. اما بسیاری از کشورهای دیگر فاقد منابع و مقیاس لازم برای انجام این کار هستند. ازاین‌رو، شبکه‌های کارآفرینان که می‌توانند یادگیری‌شان را در سراسر مرزها به اشتراک بگذارند و سازمان‌های بین‌المللی مانند بانک جهانی که می‌توانند سرمایه‌گذاری‌ها را بین دولت‌ها و خیریه‌ها هماهنگ کنند، نقش قابل توجهی دارند.

منحنی یادگیری

دو مسیر اصلی وجود دارد که ابزارهای هوش مصنوعی در کشورهای در حال توسعه می‌توانند طی کنند. اولین مورد این است که کاری را پیدا کنیم که هوش مصنوعی در کشورهای ثروتمند در حال انجام آن است و آن را برای کشورهای فقیر تطبیق و ارتقا دهیم. به‌عنوان مثال، بسیاری از کارآفرینان در حال توسعه معلمان چت‌بات برای مدارس ثروتمند هستند، ابزارهایی که می‌توانند برای کار در مکان‌هایی با اتصال اینترنت بدتر و نسبت بالاتر دانش‌آموز به معلم اصلاح شوند. دوم، یافتن برنامه‌های کاربردی کاملا جدید برای هوش مصنوعی؛ محصولات جدیدی که می‌توانند نیازهای خاص کشورهای در حال توسعه را برآورده کنند.

به‌عنوان مثال، یک برنامه‌ریز مالی مبتنی بر هوش مصنوعی برای کشاورزان معیشتی ممکن است به آنها کمک کند تا خطرات مربوط به تصمیمات کاشت را مدیریت کنند. در واقع، برخی از نوآوری‌ها در یک کشور فقیر آغاز شد و تنها بعدها به کشورهای ثروتمندتر رسید. برای مثال، سیستم پرداخت موبایلی «ام‌پسا» (M-Pesa) در کنیا، قبل از اینکه اپلیکیشن‌های مشابه در ایالات متحده شروع به‌کار کنند، شروع به‌کار کرد. درحالی‌که برخی از ابزارهای هوش مصنوعی که در کشورهای ثروتمند به وجود می‌آیند ممکن است در کشورهای در حال توسعه به خوبی کار کنند، برخی دیگر به اصلاحات نیاز دارند. یک مشکل این است که بیشتر سیستم‌های هوش مصنوعی روی داده‌های مختص کشورهای توسعه‌یافته آموزش دیده‌اند، داده‌هایی که از افراد با درآمد نسبتا بالا جمع‌آوری و معمولا به زبان انگلیسی نوشته می‌شوند. اندکی از مجموعه دانش مکتوب جهان درباره فقرا است یا به زبان‌های اقلیت ارائه شده است. علاوه بر این، سیستم‌های هوش مصنوعی عمدتا برای تولید تصمیم‌ها و خروجی‌هایی آموزش دیده‌اند که مصرف‌کنندگان ثروتمند در غرب را راضی می‌کند. بنابراین ممکن است هنگام برخورد با افراد فقیرتر در مکان‌های دیگر، اشتباهاتی انجام دهند؛ برای مثال، در فرهنگی که با اسم کوچک خوشامد گفتن، بی‌احترامی محسوب می‌شود، ممکن است مورد قبول برخی از این فرهنگ‌ها قرار نگیرد.

جوامع ثروتمند غربی شروع به جمع‌آوری داده‌های آموزشی کرده‌اند. بنابراین زمان می‌برد تا مدل‌های هوش مصنوعی به‌طور کامل نشان‌دهنده (فرهنگ) مردم سایر نقاط جهان باشند. اما روند را می‌توان تسریع کرد. محققان می‌توانند برنامه‌هایی را شناسایی کنند که می‌توانند تغییر کنند، فقط اگر بتواند داده‌های پشت آنها را بیشتر با المان‌های خاص آن فرهنگ تطابق دهد. برای مثال، یک مشاور پزشکی مجهز به هوش مصنوعی، ممکن است در کمک به فرد مبتلا به فشار خون بالا در «سیلیکون ولی» خوب باشد؛ اما برای فردی در لاگوس که با مالاریا مواجه است، مفید نیست؛ زیرا فاقد قرار گرفتن در معرض موارد پزشکی محلی است یا ممکن است چنین سیستمی در میان انگلیسی‌زبانان محبوب باشد؛ اما در یوروبا، یکی از زبان‌های اصلی نیجریه موجود نباشد. برای جبران کمبود داده‌های جهان در حال توسعه، باید محتوای جدیدی برای مدل‌ها ایجاد شود تا بتوانند بر اساس آن آموزش ببینند.

در اینجا، برون‌سازی یک پروژه به شکل انبوه (Crowdsourcing) می‌تواند کمک کند. برای مثال، جنبش ویکی‌آفریکا (WikiAfrica) افزودن محتوای آفریقایی به ویکی‌پدیا را هماهنگ کرد و این پروژه را به پیش برد. اکنون که این دانش می‌تواند تصمیمات ماشین‌ها را بهبود بخشد، چنین ابتکاراتی ارزش بیشتری دارد. در حوزه‌های دیگری که تشخیص درستی‌اش دشوارتر است -مانند پزشکی یا کشاورزی- برون‌سازی به شکل انبوه کافی نخواهد بود. باید کارشناسان استخدام شوند یا داده‌های آنالوگ، مانند سوابق کلینیک کاغذی، باید دیجیتالی شوند. «ارائه» تنها بخشی از پازل است؛ زیرا توسعه‌دهندگان باید بین گروه‌هایی با مقادیر متفاوت داوری کنند. برای مثال، گروه‌های مذهبی مختلف در هند ممکن است درباره توصیه‌های پزشکی مناسب اختلاف نظر داشته باشند. مشکل دوم واردات هوش مصنوعی به کشورهای در حال توسعه، فناوری است. به‌رغم پیشرفت گسترده، جهان در حال توسعه هنوز از نظر تعدادی از معیارهای تکنولوژیک از جهان توسعه‌یافته عقب است. برخی از برنامه‌های کاربردی هوش مصنوعی برای ردیابی عملکرد دانش‌آموزان در مدرسه، سلامت بیماران در بیمارستان یا نتیجه پرونده‌ها در دادگاه نیاز به دسترسی گسترده‌تر به تلفن‌های هوشمند، اتصال به اینترنت بهتر یا سیستم‌های ثبت سوابق دیجیتال دارند. برای هوش مصنوعی، مانند موج‌های قبلی نوآوری‌های فناوری، کلید تمایز بین برنامه‌هایی است که می‌توانند نسبتا زود‌بادهِ با ارزش باشند و برنامه‌هایی وارد بازار شوند که آینده قابل پیش‌بینی در قلمرو داستان‌های علمی تخیلی را زودتر رقم بزند. البته با ورود هوش مصنوعی به کشورهای در حال توسعه خطوط قرمز تغییر خواهد کرد و برخوردها با آن از یک فیلد به فیلد دیگر متفاوت خواهد بود. به‌عنوان مثال، پزشکی نسبت به اشتباهاتی که سیستم‌های هوش مصنوعی ناگزیر مرتکب می‌شوند، کمتر تحمل خواهند شد و در کشاورزی نیز به عوامل زمینه‌ای متفاوت بستگی دارد.

حدود قوانین

در جهان توسعه‌یافته و در حال توسعه به‌طور یکسان، انتشار هوش مصنوعی خطراتی را به همراه خواهد داشت. اما کشورهای در حال توسعه با مجموعه متفاوتی از خطرات روبه‌رو هستند و کمتر قادر به تنظیم این فناوری هستند. سوال اصلی این است که آیا این فناوری متمرکز باقی خواهد ماند؛ یعنی توسط تعداد کمی از شرکت‌های فناوری کنترل می‌شود. سیستم‌های متمرکز هوش مصنوعی احتمالا در بازارهای بزرگی مانند ایالات متحده و اتحادیه اروپا تنظیم می‌شوند. بازارهای کوچک‌تر فقط می‌توانند فشار محدودی اعمال کنند. بنابراین در سایه مقررات ایالات متحده و اتحادیه اروپا به زندگی خود ادامه خواهند داد. اگرچه کشورهای در حال توسعه می‌توانند دسترسی به یک سیستم متمرکز را قطع کنند؛ برای مثال، مسدود کردن سرورها، درست همان‌طور که برخی از دولت‌ها با توییتر، فیس‌بوک و یوتیوب انجام داده‌اند، اما نمی‌توانند از عبور محتوای تولیدشده توسط هوش مصنوعی از مرزها جلوگیری کنند. با این حال، مشخص نیست که آیا هوش مصنوعی متمرکز باقی خواهد ماند یا خیر؟ جایگزین‌های منبع باز مانند «Llama» (مدل زبان بزرگی که توسط مالک فیس‌بوک، متا تولید شده است) و «Stable Diffusion» (یک تولیدکننده تصویر ساخته‌شده توسط استارت‌آپ Stability AI) در حال افزایش هستند. این سیستم‌های غیرمتمرکز را می‌توان توسط هر کسی که کامپیوتر دارد، تغییر داد و اجرا کرد. اگر آنها به اندازه کافی مفید باشند، تنظیم مستقیم آنها برای هر کشوری دشوار خواهد بود.

اما چنین سیستم‌های باز را می‌توان راحت‌تر با نیازهای محلی تطبیق داد؛ زیرا اغلب، استفاده از آنها رایگان است و هر کسی می‌تواند کد خود را تغییر دهد. با توجه به اهرم‌های محدود برای مقررات، کشورهای در حال توسعه ممکن است مجبور باشند به جای کنترل آن، به سازگاری با فناوری جدید رضایت دهند. برای کاهش آسیب‌ها، آنها ممکن است مجبور شوند روی تنظیم مقررات، نه خود هوش مصنوعی، بلکه صنایعی که از آن استفاده می‌کنند تمرکز کنند؛ برای مثال، متوسل شدن به قوانین حمایت از مصرف‌کننده که شرکت‌ها را در صورت ناامن بودن محصول، صرف نظر از استفاده از هوش مصنوعی، مسوول می‌داند. هوش مصنوعی بحث سالمی را درباره مقررات در کشورهای ثروتمند آغاز کرده است. اما بسیاری از پیشنهادها برای رسیدگی به خطرات آن ممکن است در کشورهای فقیر ناکافی باشد. قانون‌گذاران در غرب توانایی ارزیابی نحوه عملکرد قوانین در زمینه‌های مختلف را ندارند. سیستمی که در بروکسل به‌عنوان ایمن تایید شده، ممکن است در بنگلور به خوبی کار نکند. علاوه بر این، استانداردهای مقررات غربی در مکان‌هایی که جایگزین‌های موجود برای برنامه‌های هوش مصنوعی بسیار بدتر هستند، ممکن است به‌طور نامناسب سخت‌گیرانه باشند.

برای مثال، پیش‌بینی‌های آب و هوا برای بهبود آنچه در دسترس کشاورزان در کشورهای در حال توسعه است، لازم نیست. حتی در محیط‌های با ریسک بالاتر مانند پزشکی، هوش مصنوعی ممکن است به زودی بهتر از گزینه‌های موجود برای فقرا باشد. یک مطالعه در سال۲۰۲۳ عملکرد بالینی را در کشورهای کم‌درآمد حسابرسی کرد تا متوجه شود که چه بخشی از موارد به درستی رسیدگی شده است. پاسخ: «کمتر از نصف.» در عین حال، افراد متوسط در یک کشور در حال توسعه نیز نسبت به همتای خود در کشورهای توسعه‌یافته آسیب‌پذیرتر هستند. بسیاری از مردم در کشورهای در حال توسعه برای به چالش کشیدن تصمیمات خودکار، مانند رد درخواست وام، کمتر دارای تحمل هستند. سیستم‌های هوش مصنوعی جدید اغلب بدتر از آنچه تبلیغ می‌شود، عمل می‌کنند. نادیده گرفتن مشکلاتی که در میان افراد کم‌درآمد ایجاد می‌شود، برای شرکت‌ها بسیار آسان است. به همین دلیل است که برای تنظیم‌کننده‌ها مهم است که اطمینان حاصل کنند که مصرف‌کنندگان (با در آمد بالاتر) فرآیندهای کافی برای گزارش مشکلات و تجدیدنظر در تصمیم‌ها دارند.

انطباق نه کنترل

ناظران می‌گویند که کشورهای در حال توسعه ممکن است مجبور به انطباق با فناوری جدید به جای کنترل آن باشند. بسیاری از مردم در کشورهای در حال توسعه نیز با ایده هوش مصنوعی تازه آشنا شده‌اند یا قبلا هرگز نام الگوریتم‌ها را نشنیده‌اند. بنابراین برای برقراری ارتباط موثر باید مراقب بود. مطالعه‌ای که من با «جاشوا بلومن استاک» و «سامسون نایت» انجام دادم، نشان می‌دهد که این امکان‌پذیر است. ما به کنیایی‌های کم‌درآمد برنامه‌ای دادیم که بر اساس نحوه استفاده از تلفن همراه به آنها پاداش مالی می‌دهد و از الگوریتمی استفاده می‌کند که اعتبار افراد را به‌دست می‌آورد. هنگامی که به آزمودنی‌ها توصیفات ساده‌ای از نحوه عملکرد الگوریتم‌ها داده شد، آنها رفتار خود را تنظیم کردند؛ نشانه‌ای مشخص از درک توسط این افراد. موانع سیاسی نیز فراوان است. دیپ‌فیک‌ها - عکس‌ها، ویدئوها و کلیپ‌های صوتی واقعی که توسط هوش مصنوعی تولید می‌شوند- می‌توانند تاثیر مخربی در کشورهای در حال توسعه داشته باشند؛ جایی که سیستم‌های سیاسی میل به شکنندگی دارند و اعتماد بین گروه‌ها اغلب پایین است. برای از بین بردن این مشکلات، جامعه مدنی می‌تواند در ایجاد زیرساخت‌های اعتماد نقش مهمی ایفا کند؛ گسترش آگاهی مبنی بر اینکه ممکن است محتوا جعلی باشد و مکان‌های مستقلی ایجاد کند که برای بررسی محتوا موثر هستند. هوش مصنوعی همچنین اشکال جدیدی از نظارت مانند ردیابی افراد از طریق دستگاه‌های تلفن همراه و تشخیص چهره را فعال می‌کند.

اکثر کشورهای در حال توسعه در بازار ابزارهای نظارتی با فناوری پیشرفته، ابزارهای نظارتی خود را توسعه نمی‌دهند، بلکه آنها را اغلب از چین وارد می‌کنند. این برون‌سپاری به این معنی است که اجرای واقعی فناوری مبتنی بر هوش مصنوعی ممکن است متمرکز نباشد و پراکنده‌تر دنبال شود و باعث می‌شود اطلاعات جمع‌آوری‌شده به اشخاص ثالث درز کند و حقوق (افراد) به روش‌های غیرقابل پیش‌بینی نقض شود. بار دیگر، جامعه مدنی نقشی را ایفا خواهد کرد و سیستم‌های جدید را رصد می‌کند و توجهات را به «سوء‌استفاده‌ها» جلب می‌کند.

بازگشت به آینده

این موج فعلی هوش مصنوعی چالش‌ها و فرصت‌هایی را با سرعتی بی‌سابقه به‌وجود آورده است. اما ما قبلا شاهد تحولات تکنولوژیک مشابه بوده‌ایم. اگرچه تلفن‌های همراه در ابتدا برای مصرف‌کنندگان ثروتمند طراحی شده بودند، اما در ۲۰سال گذشته در بین فقرا جای خود را باز کردند. کشورهای در حال توسعه از سخت‌افزار استانداردشده- آنتن‌ها و گوشی‌ها - ساخت غرب بهره‌مند شدند. شرکت‌های مخابراتی مدل‌های کسب‌وکاری را اختراع کردند که به فقرا خدمت‌رسانی می‌کردند؛ مانند برنامه‌های پرداخت تلفن همراه. کارآفرینان سازمان‌های جدیدی را راه‌اندازی کردند که به مردم اجازه می‌داد از تلفن برای ارسال پول، دریافت اعتبار و بررسی قیمت‌ها استفاده کنند. این نوآوری‌ها به تلفن‌های همراه اجازه می‌دهد تا به‌سرعت به اکثر فقرای جهان دسترسی پیدا کنند و آنها را به اقتصاد جهانی متصل کنند. همین پیوندها هستند که زمینه را برای گسترش هوش مصنوعی فراهم کرده‌اند. با این حال، به‌رغم موفقیت تلفن‌های همراه، حتی همین نوآوری نیز کامل نتوانسته است پتانسیل خود را نشان دهد. بیشتر نوآوری‌های بخش خصوصی بر نیازهای افراد ثروتمند متمرکز شده است. بیشتر برنامه‌ها برای اتصال مصرف‌کنندگان ثروتمند به رانندگان (مثل اوبر)، ویلاهای اجاره‌ای برای تعطیلات و غذاهای آماده تهیه می‌شوند تا اینکه کشاورزان را به بازارها متصل کند یا اینکه کودکان را به یادگیری از راه دور تشویق کند. با این حال نوآوری بخش خصوصی در هوش مصنوعی احتمالا بسیاری از صنایع، از آموزش گرفته تا سلامت و قانون را متحول خواهد کرد. اما استفاده از پتانسیل کامل این فناوری برای کشورهای در حال توسعه مستلزم تدوین چشم‌اندازی گسترده است؛ چراکه زندگی بیشتری از افراد جامعه را تحت تاثیر قرار خواهد داد.