هوش مصنوعی واقعاً الان چه کاری می‌تواند انجام دهد؟

با وجود تمام هیاهویی که در مورد چگونگی تغییر جهان توسط هوش مصنوعی وجود دارد - اما موفقیت ملموس چندانی حاصل نشده است

جان لاکان، دانشمند ارشد متا، برنده جایزه تورینگ و یکی از پدران بنیانگذار یادگیری عمیق، در یک سری گفتگوهای مداوم درباره آینده هوش مصنوعی به نیوزویک می‌گوید: «اگر تا زمانی که بازنشسته شوم، سیستم‌های [هوش مصنوعی] داشته باشیم که به اندازه یک گربه باهوش باشند، خوشحال خواهم شد. ضمناً، بازنشستگی به سرعت در حال نزدیک شدن است، بنابراین من وقت زیادی ندارم.» لاکان نوید فوق‌العاده‌ای برای هوش مصنوعی در افق می‌بیند. اما ما هنوز این سطح از موفقیت را ندیده‌ایم. در حالی که سرمایه‌گذاران خطرپذیر و شرکت‌های بزرگ میلیاردها دلار را به کارخانه‌های رویایی هوش مصنوعی سرازیر می‌کنند که نوید پیشرفت‌های انقلابی را می‌دهند - چه درمان سرطان باشد و چه رام کردن نهایی صندوق ورودی ایمیل - یک واقعیت آشکار باقی می‌ماند: اکثر ابتکارات هوش مصنوعی زیر بار جاه‌طلبی‌های خودشان فرو می‌ریزند. شکاف بین شگفتی‌های فناوری و کاربردهای عملی مانند بهشتی جزیره‌ای است که توسط کشتی‌های غرق شده احاطه شده است - تلاش برای علم مطلق، چشم‌انداز فناوری را با شکست‌های پیچیده و بغرنجی احاطه کرده است. اپل در تلاش خود برای خودروهای خودران، بیش از 10 میلیارد دلار برای توسعه خودروی خودران خود هزینه کرد و سپس این پروژه را به طور کامل رها کرد. جنرال موتورز نزدیک به 10 میلیارد دلار برای واحد روبوتاکسی کروز خود هزینه کرد و سپس آن را در دسامبر 2024 تعطیل کرد. پنج سال پیش، ایلان ماسک گفت: «ما به سمت وضعیتی می‌رویم که هوش مصنوعی بسیار باهوش‌تر از انسان‌ها است و فکر می‌کنم کمتر از پنج سال با آن فاصله داریم.» اما تاکنون، ما خودمان را حفظ کرده‌ایم. در این پس‌زمینه از انتظارات اغراق‌آمیز و نتایج ناامیدکننده، درک دقیق‌تری از سوی کسانی مانند لاکان، که دهه‌ها با مکانیک واقعی سیستم‌های هوشمند دست و پنجه نرم کرده‌اند، پدیدار شده است. برای عبور از هیاهوی صنعت و شناسایی آنچه قابل اعتماد است، نیوزویک مجموعه‌ای قابل توجه از متخصصان را از طریق مجموعه مصاحبه‌های AI Impact خود گردآوری کرده است. فوریتی که این گفتگوها را هدایت می‌کند فراتر از رقابت غول‌های فناوری برای ساخت هوش ماشینی است. مدیران در صنایع مختلف در حال حاضر با یک محاسبه پیچیده روبرو هستند. آنچه هوش مصنوعی امروز واقعاً می‌تواند انجام دهد، همچنان مبهم است - تشخیص الگو و پردازش زبان پیشرفت‌های چشمگیری را نشان می‌دهند، اما در عمل، محدودیت‌ها کاملاً آشکار است. آنچه کمتر مشخص است این است که آیا قابلیت‌های شگفت‌انگیز امروزی با چنین سرعت سرسام‌آوری به پیشرفت خود ادامه خواهند داد یا خیر. چقدر بهتر خواهد شد؟ و از همه نامشخص‌تر: انقلاب هوش مصنوعی که همه چیز را تغییر خواهد داد، چه زمانی واقعاً از راه خواهد رسید؟ آیا در دهه ۲۰۳۰ خواهد بود، زمانی که سم آلتمن از OpenAI پیش‌بینی می‌کند که «به‌شدت متفاوت» خواهد بود؟ «متفاوت از هر زمان دیگری که قبلاً آمده است»؟ یا اکنون اینجاست؟ چگونه می‌توانید در فناوری‌ای که سریع‌تر از هر کسی در حال تکامل است، سرمایه‌گذاری عاقلانه‌ای انجام دهید، فناوری‌ای که در آن شرط‌بندی اشتباه به معنای انقراض رقابتی است، اما رویکرد درست همچنان به‌شدت نامشخص است؟ هوش مصنوعی نویدبخش انقلابی در نحوه عملکرد کسب‌وکارها است - از خودکارسازی عملکردهای دفتری گرفته تا بهینه‌سازی زنجیره‌های تأمین و تجزیه و تحلیل گنجینه‌های عظیم داده‌ها برای بینش‌های استراتژیک. شرکت‌هایی که در ادغام هوش مصنوعی مهارت دارند، می‌توانند یک مزیت رقابتی غیرقابل‌غلبه به دست آورند، در حالی که شرکت‌هایی که ریسک منسوخ شدن را نمی‌پذیرند. با این حال، شرکت RAND دریافت که بیش از ۸۰ درصد پروژه‌های هوش مصنوعی شکست می‌خورند - دو برابر نرخ شکست پروژه‌های فناوری اطلاعات بدون هوش مصنوعی. گزینه راحت احتیاط از بین رفته است. در چشم‌اندازی که به سرعت در حال تغییر است، آینده نیاز به تصمیم‌گیری‌هایی دارد که امروز گرفته شوند. از این گفتگوهای گسترده، شش درس اساسی از پیش‌بینی‌کنندگان و متخصصانی که دهه‌ها صرف ساخت، مطالعه و استقرار سیستم‌های پیچیده در دنیای واقعی کرده‌اند، استخراج می‌شود. درس ۱: انسان‌ها باید کنترل را در دست داشته باشند با توجه به ماهیت موضوع، هیچ چیز بیش از چشم‌انداز آینده‌ای بدون انسان که در آن ماشین‌ها بدون نظارت کار می‌کنند، بزرگان سیلیکون ولی را اغوا نمی‌کند. آلتمن معتقد است که فناوری‌ای که او در حال ساخت آن است، به زودی اجازه خواهد داد «۹۵ درصد از آنچه بازاریابان امروزه از آژانس‌ها، استراتژیست‌ها و متخصصان خلاق برای انجام آن استفاده می‌کنند - به راحتی، تقریباً فوراً و تقریباً بدون هیچ هزینه‌ای - توسط هوش مصنوعی مدیریت شود... تصاویر، ویدیوها، ایده‌های کمپین؟ مشکلی نیست.» آلتمن در یک جلسه خصوصی با قانونگذاران هشدار می‌دهد که «بیش از ۷۰ درصد مشاغل می‌تواند توسط هوش مصنوعی حذف شود.» انسان‌ها نقش بسیار مهمی در این فرآیند دارند. وقتی ایلان ماسک ربات انسان‌نمای خود، آپتیموس، را در یک رویداد مطبوعاتی در سال ۲۰۲۴ به نمایش گذاشت، این ربات‌ها از راه دور توسط انسان‌ها کنترل می‌شدند. قبل از اینکه کروز عملیات خود را متوقف کند، خودروهای «بدون راننده» آن هر چهار تا پنج مایل به کمک انسان از راه دور نیاز داشتند. لکون به نیوزویک می‌گوید: «یک نوجوان ۱۷ ساله می‌تواند رانندگی را در حدود ۲۰ ساعت، گاهی اوقات کمتر، تا حد زیادی بدون ایجاد هیچ تصادفی یاد بگیرد. ما میلیون‌ها دنیای امکانات داریم. از بالا به پایین: آپتیموس ربات انسان‌نمای تسلا از راه دور توسط انسان‌ها کنترل می‌شود. مزارع داده با ظهور هوش مصنوعی و تقاضاهای مرتبط با آن برای قدرت پردازش، در حال تقویت هستند. و لکون پیشرفت‌های بسیار بزرگتری را در افق می‌بیند. او می‌گوید: «ساعت‌ها داده آموزشی از افرادی که ماشین‌ها را می‌رانند وجود دارد، و ما هنوز ماشین‌های خودران نداریم.»

«واقعاً بزرگ.» با وجود اینکه لکان بخش زیادی از فناوری زیربنایی مدل‌های زبانی بزرگ امروزی را اختراع کرده است، معتقد است که این مدل‌ها اساساً برای دستیابی به قابلیت‌های خودکار که بخش زیادی از هیاهوی هوش مصنوعی سیلیکون ولی را هدایت می‌کنند، کافی نیستند. «اگر مسیری که من و همکارانم در [تحقیقات هوش مصنوعی فیسبوک] و دانشگاه نیویورک در پیش گرفته‌ایم... اگر بتوانیم این را ظرف سه تا پنج سال عملی کنیم، الگوی بسیار بهتری برای سیستم‌هایی خواهیم داشت که قابل کنترل هستند، به این معنا که می‌توانید به آنها اهدافی بدهید و آنها، همانطور که می‌دانید، با ساخت و ساز، تنها کاری که می‌توانند انجام دهند، دستیابی به آن اهداف است.»

 2: تقویت کنید، خودکار نکنید. دیوید ایگلمن، دانشمند علوم اعصاب استنفورد، در مورد موفق‌ترین استقرارهای هوش مصنوعی به نیوزویک می‌گوید: «در حال حاضر، همه چیز در مورد همکاری مشترک است.» او توضیح می‌دهد که برای افراد، «ما می‌توانیم با آن هم‌افزایی کنیم و سرعت کارها را به میزان زیادی افزایش دهیم.» این مدل همکاری به طور مداوم از تلاش‌های اتوماسیون در صنایع مختلف پیشی می‌گیرد. حتی در میان بزرگترین طرفداران هوش مصنوعی، به نظر می‌رسد که تقویت هوش مصنوعی در حال پیروزی است. با وجود اینکه هوش مصنوعی 30 درصد از کد شرکت را می‌نویسد، ساتیا نادلا، مدیرعامل مایکروسافت، همچنان مهندسانی را استخدام می‌کند تا بر ویژگی‌های کاملاً انسانی مانند «ایجاد وضوح» در موقعیت‌های مبهم تمرکز کنند. ساندار پیچای، مدیرعامل گوگل، هوش مصنوعی را به عنوان «شتاب‌دهنده‌ای» در نظر می‌گیرد که می‌تواند وظایف خسته‌کننده را حذف کند، نه اینکه کاملاً جایگزین کارگران انسانی شود. چگونه می‌توان عاقلانه در فناوری‌ای سرمایه‌گذاری کرد که سریع‌تر از هر کسی در حال تکامل است، جایی که شرط‌بندی اشتباه به معنای انقراض رقابتی است، اما رویکرد درست به طرز دیوانه‌کننده‌ای نامشخص است؟ LLMها در تولید گزینه‌ها عالی هستند اما نمی‌توانند تعیین کنند کدام یک بهتر است - تصمیمی که نیاز به یک مدل جهانی شامل ارزش‌های انسانی، درک زمینه‌ای و خرد تجربی دارد - قابلیتی که هیچ مدلی در حال حاضر ندارد. این فناوری می‌تواند خروجی‌های چشمگیری تولید کند، اما فاقد آن است زمینه‌سازی برای ارزیابی برنامه خود انسان در مقابل ماشین متصدیان بار انسانی با "تونی" خودکار ماکر شاکر رقابت کردند تا بهترین کوکتل‌های خوش طعم را در نمایشگاه "هوش مصنوعی: فراتر از انسان" 2019 مخلوط کنند. مناسب بودن، کیفیت یا پیامدهای دنیای واقعی. ایگلمن پیشنهاد می‌کند که راه حل در طراحی "سیستم‌های هوش مصنوعی برای بررسی سایر سیستم‌های هوش مصنوعی" و ایجاد "مترجم‌هایی برای ساده‌سازی چیزها برای ما نهفته است تا بتوانیم بفهمیم چه اتفاقی می‌افتد". شواهد اقتصادی قاطعانه از این رویکرد مشارکتی پشتیبانی می‌کنند. مطالعه‌ای در سال ۲۰۲۳ توسط اریک برینجولفسون، اقتصاددان دانشگاه استنفورد، نشان داده است که چرا تقویت عملکرد مؤثر است: کمک هوش مصنوعی، ۱۴ درصد افزایش بهره‌وری را برای کارکنان خدمات مشتری و ۳۴ درصد بهبود را برای کارکنان تازه‌کار به ارمغان آورده است، زمانی که به عنوان یک ابزار پشتیبانی به جای فناوری جایگزین استفاده شود. سباستین سیمیاتکوفسکی، مدیرعامل کلارنا، این موضوع را پس از توجه گسترده به اعلام اینکه «هوش مصنوعی می‌تواند تمام کارهایی را که ما به عنوان انسان انجام می‌دهیم انجام دهد» در حالی که ۷۰۰ پیمانکار خدمات مشتری را در فوریه سال گذشته با سیستم‌های هوش مصنوعی جایگزین کرد، متوجه شد. اما کمی بعد، او متوجه شد که مشتریان کلارنا در یک سوم موارد به نمایندگان انسانی واگذار می‌شوند، زمانی که هوش مصنوعی نمی‌تواند مسائل پیچیده را حل کند. در عرض چند ماه، سیمیاتکوفسکی اذعان کرد که هوش مصنوعی منجر به «کیفیت پایین‌تر» تجربیات مشتری شده است و همین امر باعث تغییر به رویکرد تقویت‌شده شده است. این شرکت دوباره انسان‌ها را استخدام کرده است و اکنون از هوش مصنوعی برای رسیدگی به سوالات معمول استفاده می‌کند، در حالی که نمایندگان انسانی پیچیده‌ترین موارد مشتری را حل می‌کنند. در ماه مه، سیمیاتکوفسکی گفت که کاهش هزینه‌های نیروی کار «یک عامل ارزیابی بسیار غالب» بوده است. زیرا «آنچه در نهایت نصیبتان می‌شود، کیفیت پایین‌تری است.» او افزود که «سرمایه‌گذاری در کیفیت پشتیبانی انسانی، راه آینده ماست.» دارون عجم‌اوغلو، اقتصاددان دانشگاه MIT که در سال ۲۰۲۴ جایزه نوبل را دریافت کرد، دهه‌ها صرف مطالعه تأثیر فناوری بر کارگران و رشد اقتصادی کرده است. او اکنون هشدار می‌دهد که سیلیکون ولی «مسیر اشتباهی را برای هوش مصنوعی دنبال کرده است. ما بیش از حد از آن برای اتوماسیون استفاده می‌کنیم و به اندازه کافی برای ارائه تخصص و اطلاعات به کارگران از آن استفاده نمی‌کنیم.» لئون نیل/گتی؛ ایستوک/گتی؛ پاول ماروتا/گتی برای تک‌کرانچ

 ۳: انتخاب وظایف هوش مصنوعی در مقیاس بزرگ خوب است مدل‌های زبانی می‌توانند شعر بنویسند، مقالات تحقیقاتی را خلاصه کنند و با روانی خیره‌کننده کد تولید کنند. چیزی که برای کشف آن به تریلیون‌ها توکن، میلیاردها پارامتر، پتابایت داده و هکتارها سرور GPU نیاز بود، این بود که کلمه نوشته شده حاوی الگوهای بسیار قابل پیش‌بینی‌تری از آنچه هر کسی انتظار داشت، است. بروکس اذعان می‌کند: «شگفت‌انگیز است که این چقدر خوب زبان را تولید می‌کند. فکر نمی‌کنم اکثر مردم ۱۰ سال پیش می‌توانستند باور کنند که این به خوبی کار کند.» شگفتی اساسی: «آنچه LLMها به ما نشان داده‌اند این است که می‌توانیم زبان را با آن بخش بی‌فکر تقلید کنیم.» این اشاره‌ای به کتاب «تفکر، سریع و آهسته» نوشته‌ی روانشناس برنده‌ی جایزه نوبل، دنیل کانمن، است که شناخت را به پاسخ‌های خودکار سیستم ۱ و تأملات پرزحمت سیستم ۲ تقسیم می‌کند. افراد دارای مدرک کارشناسی ارشد زبان انگلیسی (LLM) مانند پردازنده‌های سیستم ۱ عمل می‌کنند و در وظایف زبانی مانند نوشتن، ویرایش و ترجمه عالی هستند - اما احتمالاً در کارهایی که نیاز به تأمل سیستم ۲ دارند، مانند استدلال انتزاعی، حل خلاقانه‌ی مسئله و سازگاری با هیچ چیز، شکست می‌خورند.

موقعیت‌های سطح بالا. سوال کلیدی این می‌شود: چه نوع مشکلاتی را می‌توان تنها با پردازش شبیه سیستم ۱ حل کرد؟ برای دهه‌ها، کانمن و گری کلاین، روانشناسی که در مورد تصمیم‌گیری طبیعی تحقیق می‌کند، در مورد اینکه آیا می‌توان به شهود انسان اعتماد کرد یا خیر، اختلاف نظر داشتند. کلاین از متخصصانی که سریع تصمیم می‌گیرند مانند آتش‌نشان‌ها و پرستاران، حمایت می‌کرد. کانمن بر سوگیری‌های سیستماتیک که شهود را غیرقابل اعتماد می‌کند، تأکید داشت. در سال ۲۰۰۹، اختلاف آنها در مقاله مشترکی که با عنوان «شرایط تخصص شهودی» نوشتند، به توافق شگفت‌انگیزی منجر شد. کلاین تا حدودی توجیه شد: متخصصان باتجربه مهارت‌های شهودی قابل اعتمادی را توسعه می‌دهند، اما تنها زمانی که دو شرط برآورده شود: «محیطی که به اندازه کافی منظم باشد تا قابل پیش‌بینی باشد» و «فرصتی برای یادگیری نظم‌ها از طریق تمرین طولانی مدت و بازخورد». به راحتی می‌توان این الزامات را به هوش مصنوعی تعمیم داد: الگوهای منظم به علاوه مجموعه داده‌های بزرگ. به عنوان مثال، در ژانویه ۲۰۲۵، کلینیک مایو گزارش داد که مدلی که برای تجزیه و تحلیل اسلایدهای آسیب‌شناسی برای تشخیص سرطان ساخته بود، به خوبی پزشکان انسانی عمل نمی‌کند. با وجود ۱.۲ میلیون نمونه بافتی از ۴۹۰،۰۰۰ مورد، این مدل نمونه‌های کافی از هر یک از هزاران اختلال احتمالی که آسیب‌شناسان شناسایی می‌کنند، نداشت. یکی از محققان به مجله MIT Technology Review گفت: برای شرایط نادر، «شما در طول ۱۰ سال ۲۰ نمونه پیدا خواهید کرد» - که برای تشخیص الگو کافی نیست. بن ایبرت، مدیرعامل موسسه سرطان دانا-فاربر، به نیوزویک می‌گوید: «حتی تعریف اینکه چه چیزی منظم است، پیش پا افتاده نیست». او به انتشار الگوریتمی در سال ۲۰۱۷ اشاره می‌کند که توسعه‌دهندگان آن ادعا می‌کردند می‌تواند ذات‌الریه را «در سطحی فراتر از ادعای ۳۲ تمرین در یک ویدیوی تبلیغاتی گوگل بارد در مورد تلسکوپ فضایی جیمز وب» تشخیص دهد و ۱۰۰ میلیارد دلار از ارزش بازار این شرکت را در یک جلسه معاملاتی از بین ببرد. در همان سال، وکیل استیون شوارتز خطر تکیه بر ChatGPT را کشف کرد، در حالی که رویاهای جایگزینی کامل انسان‌ها با فناوری هنوز واقع‌بینانه نیستند. کلارنا برای خدمات مشتری به انسان نیاز دارد و این ماشین آزمایشی خودران از راه دور توسط انسان‌ها کنترل می‌شود. یک قاضی فدرال شش پرونده دادگاهی جعلی را که شوارتز به آنها استناد کرده بود و هوش مصنوعی اختراع کرده بود، کشف کرد و برای وکیل بدنامی ملی و ۵۰۰۰ دلار جریمه دادگاه به همراه داشت. این عدم دقت ناشی از معماری اساسی LLM است، نه اشکالات قابل رفع. محققان اپل در ماه ژوئن مطالعه‌ای با عنوان «توهم تفکر» منتشر کردند که نشان می‌داد مدل‌های استدلال پیشرفته «حتی زمانی که دستورالعمل‌های صریح حل مسئله در اختیارشان قرار می‌گیرد، با فروپاشی کامل دقت فراتر از پیچیدگی‌های خاص مواجه می‌شوند». با این حال، این ضعف زمانی به یک نقطه قوت تبدیل می‌شود که تیم‌های بازاریابی نیاز دارند ده‌ها مفهوم را فوراً تولید کنند. یا برنامه‌ریزان استراتژیک می‌خواهند احتمالات نادیده گرفته شده را کشف کنند - و حتی در زمینه‌های بسیار حساس به دقت مانند پزشکی. وقتی الی ون آلن، رئیس بخش جمعیت در موسسه سرطان دانا-فاربر، دانشجوی پزشکی بود، او و همکلاسی‌هایش هنگام ناهار قسمت‌هایی از سریال هاوس را تماشا می‌کردند و برای شکست دادن هیو لوری در شناسایی شرایط رقابت می‌کردند. ترفند، ارائه تشخیص‌های واضح نبود، بلکه یادآوری احتمالات ضعیف بود. ون آلن ارزش مشابهی را در طوفان فکری تشخیصی هوش مصنوعی می‌بیند، که احتمالاتی را که پزشکان انسانی ممکن است از دست بدهند، آشکار می‌کند. در جایی که پزشکان "تشخیص ۹۶۵" را به خاطر می‌آورند اما "تشخیص ۹۶۵۲" را نادیده می‌گیرند، هوش مصنوعی می‌تواند "تمام ۱۰۰۰۰ احتمال را فوراً پایین بکشد" و به پزشکان کمک کند تا مطمئن شوند "آن درخت، درخت درست است و شاخه‌های زیادی را در اوایل هرس نمی‌کند." آموزش ماشین‌ها برای متوقف کردن توهم، مبارزه با جریان غالب است - ترفند واقعی این است که به انسان‌ها یاد دهیم چگونه خلاقیت هوش مصنوعی را مهار کنند و خطرناک‌ترین نقص آن را به یک ویژگی ارزشمند تبدیل کنند.

۵: حل مشکلات انسانی شرکت‌هایی که متقاعد شده‌اند فناوری خارق‌العاده ناگزیر کاربردهای خارق‌العاده‌ای پیدا خواهد کرد. ذهنیت ساخت اولیه آنها، گورستانی از استارت‌آپ‌ها ایجاد کرده است که در جستجوی مشکلاتی برای حل، با خیره کردن کاربران با پیچیدگی‌های فنی و در عین حال با تعجب از خود می‌پرسیدند که قرار است با آن چه کنند. دیوید ام. بنت/دیو بنت/گتی برای کلارنا؛ Genmoji اپل به کاربران اجازه می‌دهد از عباراتی مانند «یک تاکو سوار بر اسکیت‌بورد» ایموجی‌های سفارشی بسازند. اما واکنش‌های کاربران که در ابتدا «فوق‌العاده سرگرم‌کننده، خلاقانه و راهی عالی برای افزودن احساسات بیشتر» به نظر می‌رسید، خیلی زود به «جادوی سریع» تبدیل شد. هوش مصنوعی Suno می‌تواند آهنگ‌های بلوزی تولید کند که انگار مستقیماً از یک رستوران دلتا بیرون آمده‌اند - اما چرا؟ NotebookLM گوگل از هر متنی که پر از صداهای عجیب و غریب انسانی واقعی است - مکث‌های واقعی، خنده، شوخی‌های گاه به گاه - پادکست تولید می‌کند که تأثیرگذار است. با این حال، مایکل سی. دورف، استاد حقوق دانشگاه کرنل، پس از اینکه نوشته‌های خود را به آن داد، متوجه شد که نتایج «شبیه مکالمه‌ای بین افرادی است که ستون‌های من را می‌خوانند، آموزش حقوقی ندارند، نسبتاً باهوش هستند و تقریباً نیمی از آنچه را که من می‌گویم متوجه می‌شوند اما واقعاً تعدادی از نکات کلیدی را دنبال نمی‌کنند.» آیا کسی به جلسه آنها نیاز دارد؟

ارائه‌ها به پادکست تبدیل شده‌اند؟ غول‌های فناوری ممکن است منابعی برای استفاده از نوآوری‌های ویروسی مانند ژنراتورهای تصویر Studio Ghibli شرکت OpenAI داشته باشند، اما تعداد کمی در خارج از سیلیکون ولی این منابع را دارند. بروکس می‌گوید: «افراد سرسختی که لجستیک چند تریلیون دلاری جهان را اداره می‌کنند، میلیاردها دلار را بر اساس زرق و برق خرج نخواهند کرد. آنها بر اساس بازگشت سرمایه عمل خواهند کرد.» ارزش پایدار از «درک اینکه مشتریان شما چه کسانی هستند و نقاط درد آنها کجاست و چگونه شما به طور منحصر به فرد واجد شرایط هستید تا یکی از این موارد را برای آنها حل کنید» ناشی می‌شود. موتور پیشنهاد Netflix به افراد کمک می‌کند تا وقتی با تعداد زیادی از انتخاب‌ها روبرو هستند، چیزی برای تماشا پیدا کنند. Copilot گیت‌هاب با تکمیل خودکار الگوهای کد تکراری، خستگی نوشتن توابع تکراری را کاهش می‌دهد. هر چقدر هم که قابلیت‌های هوش مصنوعی قابل توجه باشد، استقرار موفقیت‌آمیز با مشکلات انسانی به وضوح تعریف شده آغاز می‌شود - نه برعکس.

۶: مشارکت خلاقانه را بپذیرید. وقتی همه‌گیری، ریک کارتر، طراح تولید افسانه‌ای، را از همکاران خلاق همیشگی‌اش - کارگردانانی مانند استیون اسپیلبرگ، جیمز کامرون و جی. جی. آبرامز - جدا کرد، هنگام آزمایش ابزارهای ویدیویی هوش مصنوعی مانند Midjourney به کشف شگفت‌انگیزی رسید. کارتر در مجموعه مصاحبه‌های AI Impact به نیوزویک می‌گوید: «من می‌توانم آن را تحریک کنم و حتی اشتباه کنم، و با چیزهایی برمی‌گردد که... من آن را فقط کمکی به آنچه فکر می‌کنم می‌نامم.» کارتر نکته‌ای حیاتی را کشف کرد: هوش مصنوعی به عنوان یک شریک گفتگوی خلاق بهتر عمل می‌کند تا یک مولد خلاقیت. «شروع به تعامل با نحوه دیدن چیزها می‌کند و مرا تحریک می‌کند تا در آن جهت بیشتر حرکت کنم.» تجربه او یادآور دهه‌ها همکاری در فیلم‌هایی مانند پارک ژوراسیک، آواتار و جنگ ستارگان: ظهور اسکای‌واکر است. او توضیح می‌دهد: «شما به عنوان یک طراح تولید توسط کارگردان تحریک می‌شوید. و سپس یک گفتگو وجود دارد. این گفتگو رفت و برگشتی است.» کارتر درباره اسپیلبرگ می‌گوید: «استیون اصرار دارد که نمی‌داند چه کاری قرار است انجام دهد.» او یک بار از اسپیلبرگ پرسید که چرا این کار را به این شکل انجام می‌دهد و کارگردان پاسخ داد: «خب، اگر من بدانم چه کاری قرار است انجام دهم، مثل این است که در فروشگاه دنیز کار کنم و فقط دارم به یک سفارش رسیدگی می‌کنم.» تحقیقات دانشگاهی نشان می‌دهد که چگونه این گفتگوی خلاقانه متقابل، قابلیت‌های انسانی را تقویت می‌کند. محققان آلمانی، جنیفر هاسه و سه باستین پوکوتا، دریافتند که «خلاقیت مشترک» واقعی «ادغام خلاقیت انسانی با قابلیت‌های پیشرفته هوش مصنوعی است، جایی که هر دو نهاد به طور قابل توجهی در یک محصول خلاقانه مشترک مشارکت می‌کنند.» در مطالعه‌ای که در مجله نیچر منتشر شد، محققان دیپ‌مایند و آکسفورد دریافتند که مشارکت‌های هوش مصنوعی و ریاضیدانان با استفاده از نقاط قوت مربوطه، زمانی که هوش مصنوعی به عنوان «بستر آزمایشی برای شهود» عمل می‌کند، به «نتایج شگفت‌انگیزی» دست می‌یابد - به سرعت تأیید می‌کند که کدام حدس‌ها در مورد ارتباطات ریاضی «ممکن است ارزش پیگیری داشته باشند و در این صورت، راهنمایی در مورد چگونگی ارتباط آنها ارائه می‌دهد». این رویکرد مشارکتی منجر به پیشرفت‌هایی از جمله «یکی از اولین ارتباطات بین ساختار جبری و هندسی گره‌ها» و پیشرفت در یک مسئله حل نشده ۴۰ ساله در نظریه نمایش شد. همانطور که کارتر کشف کرد، هوش مصنوعی ممکن است فاقد قلب خلاق خود باشد، اما می‌تواند قلب شما را تقویت کند - اگر آن را به عنوان یک شریک در گفتگو به جای یک مولد ایده‌های تمام‌شده درگیر کنید. گسترش قضاوت انسانی هنگامی که OpenAI نام chAtGpt را انتخاب کرد، این مخفف اهمیت عمیق‌تری داشت. در حالی که رسماً «ترانسفورماتور مولد از پیش آموزش‌دیده» است، حروف همچنین مفهوم «فناوری عمومی» را تداعی می‌کنند - یک اصطلاح اقتصادی که برای نوآوری‌هایی که قادر به تغییر کل تمدن‌ها هستند، در نظر گرفته شده است. نوشتن، فلزکاری، برق: این پیشرفت‌های بنیادی، ساختار جامعه بشری را تغییر شکل دادند. کمتر کسی شک دارد که هوش مصنوعی به این بخش تعلق دارد، اما مانند انقلاب‌های پیشین، کاربردهای نهایی آن به طرز وسوسه‌انگیزی نامشخص است. این عدم قطعیت بی‌سابقه نیست. اگر به نحوی موفق شوید یک ژنراتور الکتریکی را به دهه ۱۸۵۰ منتقل کنید، کمتر کسی ایده‌ای از چیستی آن یا نحوه استفاده از آن خواهد داشت، حتی اگر در آن مرحله من را تحریک کند تا در آن مسیر بیشتر حرکت کنم.» تجربه او یادآور دهه‌ها همکاری در فیلم‌هایی مانند پارک ژوراسیک، آواتار و جنگ ستارگان: ظهور اسکای‌واکر است. او توضیح می‌دهد: «شما به عنوان یک طراح تولید، توسط کارگردان هدایت می‌شوید. و سپس یک دیالوگ وجود دارد. این دیالوگ رفت و برگشتی است.» کارتر درباره اسپیلبرگ می‌گوید: «استیون تأکید می‌کند که نمی‌داند چه کاری قرار است انجام دهد.» او یک بار از اسپیلبرگ پرسید که چرا این کار را به این روش انجام داده است و کارگردان پاسخ داد: «خب، اگر من بدانم چه کاری قرار است انجام دهم، مثل این است که در فروشگاه دنی کار کنم و فقط دارم به یک سفارش رسیدگی می‌کنم.» تحقیقات دانشگاهی نشان می‌دهد که چگونه این گفتگوی خلاقانه‌ی متقابل، قابلیت‌های انسانی را تقویت می‌کند. محققان آلمانی، جنیفر هاسه و سه باستین پوکوتا، دریافتند که «خلاقیت مشترک» واقعی «ادغام خلاقیت انسانی با قابلیت‌های پیشرفته هوش مصنوعی است، که در آن هر دو نهاد به طور قابل توجهی مشارکت می‌کنند.»

مخصوصاً برای یک محصول خلاقانه مشترک. در مطالعه‌ای که در مجله نیچر منتشر شد، محققان دیپ‌مایند و آکسفورد دریافتند که مشارکت‌های هوش مصنوعی و ریاضیدانان با بهره‌گیری از نقاط قوت مربوطه، به «نتایج شگفت‌انگیزی» دست می‌یابد، در حالی که دانشمندان قرن‌ها در مورد برق مطالعه کرده بودند. روشنایی الکتریکی، موتورها، ارتباطات از راه دور - همه اینها هنوز چشم‌اندازهای ضعیفی از آینده‌ای بسیار دور بودند. شکاف بین توانایی تکنولوژیکی و استقرار عملی همیشه تخیل انسان را به چالش کشیده است، اما الگوهایی که از گفتگوهای ما در مورد تأثیر هوش مصنوعی پدیدار می‌شوند، نشان می‌دهند که وعده واقعی هوش مصنوعی نه در جایگزینی قضاوت انسان، بلکه در گسترش آن نهفته است. در جایی که رویاهای اتوماسیون با پیچیدگی دنیای واقعی برخورد می‌کنند، تقویت با حفظ آنچه انسان‌ها در آن برتری دارند و در عین حال تقویت قابلیت‌ها از طریق مشارکت ماشین، رونق می‌گیرد. این اصول - حفظ کنترل انسان، برای آسان‌تر کردن امور در جهت عقربه‌های ساعت از چپ: ربات‌ها می‌توانند نمونه‌های آزمایشگاهی را در بیمارستان تحویل دهند یا به عنوان دستیار گلخانه عمل کنند، مانند این رندر - و کارتر دریافت که هوش مصنوعی می‌تواند به تشویق خلاقیت خود او کمک کند. همکاری بیشتر از جایگزینی، دامنه‌های هدف را با نظم کافی برای یادگیری هدف قرار دهند، به جای پاسخ، امکانات ایجاد کنند، مشکلات واقعی انسان را حل کنند و گفتگوی خلاقانه را تشویق کنند - از میان مه تبلیغاتی عبور کنند تا یک عملگرایی را آشکار کنند. مسیری پویا و در عین حال دگرگون‌کننده به جلو، نه به سوی آرمان‌شهری عاری از انسان، بلکه به سوی مشارکت‌های جدید و پیچیده بین ذهن و ماشین.