هوش مصنوعی مولد چه کارهایی را می‌توان بدون دخالت انسان انجام داد؟

خلاصه اجرایی

هوش مصنوعی مولد (AI) - فناوری‌ای که ماشین‌ها را قادر به ایجاد متن، تصاویر، کد و موارد دیگر می‌کند - در سال‌های اخیر رشد انفجاری را تجربه کرده است. این مقاله مروری قابل فهم از آنچه هوش مصنوعی مولد امروزه می‌تواند به طور قابل اعتمادی انجام دهد و آنچه انتظار می‌رود در دهه آینده انجام دهد، ارائه می‌دهد. ما کاربرد آن را در زمینه‌های نویسندگی، هنر، کدنویسی، خدمات مشتری، مراقبت‌های بهداشتی، آموزش، لجستیک و امور مالی بررسی می‌کنیم و برجسته می‌کنیم که هوش مصنوعی در کجا به صورت مستقل عمل می‌کند و نظارت انسانی در کجا همچنان حیاتی است. نمونه‌هایی از دنیای واقعی برای نشان دادن موفقیت‌ها و محدودیت‌ها گنجانده شده است. یافته‌های کلیدی عبارتند از:

• پذیرش گسترده: در سال ۲۰۲۴، ۶۵٪ از شرکت‌های مورد بررسی گزارش می‌دهند که مرتباً از هوش مصنوعی مولد استفاده می‌کنند - تقریباً دو برابر سهم سال قبل ( وضعیت هوش مصنوعی در اوایل سال ۲۰۲۴ | مک‌کینزی ). کاربردها شامل ایجاد محتوای بازاریابی، چت‌بات‌های پشتیبانی مشتری، تولید کد و موارد دیگر می‌شود.

• قابلیت‌های خودمختار فعلی: هوش مصنوعی مولد امروزی به طور قابل اعتمادی وظایف ساختاریافته و تکراری را با حداقل نظارت انجام می‌دهد. نمونه‌هایی از آن شامل تولید خودکار گزارش‌های خبری فرمولی (مثلاً خلاصه درآمد شرکت‌ها) ( فیلانا پترسون - نمایه انجمن ONA )، تولید توضیحات محصول و نکات برجسته نقد و بررسی در سایت‌های تجارت الکترونیک و تکمیل خودکار کد است. در این حوزه‌ها، هوش مصنوعی اغلب با به عهده گرفتن تولید محتوای روتین، کارگران انسانی را تقویت می‌کند.

• حضور انسان در حلقه برای وظایف پیچیده: برای وظایف پیچیده‌تر یا بازتر - مانند نویسندگی خلاقانه، تجزیه و تحلیل دقیق یا مشاوره پزشکی - معمولاً نظارت انسانی برای اطمینان از صحت اطلاعات، قضاوت اخلاقی و کیفیت مورد نیاز است. بسیاری از استقرارهای هوش مصنوعی امروزه از مدل «حضور انسان در حلقه» استفاده می‌کنند که در آن هوش مصنوعی محتوا را تهیه می‌کند و انسان‌ها آن را بررسی می‌کنند.

• پیشرفت‌های کوتاه‌مدت: قابل اعتمادتر و خودمختارتر شود . پیشرفت در دقت مدل و مکانیسم‌های محافظ ممکن است به هوش مصنوعی اجازه دهد تا سهم بیشتری از وظایف خلاقانه و تصمیم‌گیری را با حداقل ورودی انسانی انجام دهد. به عنوان مثال، کارشناسان پیش‌بینی می‌کنند که تا سال ۲۰۳۰، هوش مصنوعی اکثر تعاملات و تصمیمات خدمات مشتری را در زمان واقعی مدیریت خواهد کرد ( برای تصور مجدد تغییر به تجربه مشتری، بازاریابان باید این ۲ کار را انجام دهند ) و یک فیلم بزرگ می‌تواند با ۹۰٪ محتوای تولید شده توسط هوش مصنوعی تولید شود ( موارد استفاده هوش مصنوعی مولد برای صنایع و شرکت‌ها ).

• تا سال ۲۰۳۵: در عرض یک دهه، انتظار داریم که عوامل هوش مصنوعی مستقل در بسیاری از زمینه‌ها رایج شوند. معلمان هوش مصنوعی می‌توانند آموزش شخصی‌سازی‌شده را در مقیاس وسیع ارائه دهند، دستیاران هوش مصنوعی می‌توانند قراردادهای حقوقی یا گزارش‌های پزشکی را به طور قابل اعتمادی برای تأیید متخصص تهیه کنند، و سیستم‌های خودران (با کمک شبیه‌سازی مولد) می‌توانند عملیات لجستیکی را از ابتدا تا انتها اجرا کنند. با این حال، برخی از حوزه‌های حساس (مانند تشخیص‌های پزشکی پرخطر، تصمیمات قانونی نهایی) احتمالاً هنوز هم برای ایمنی و پاسخگویی به قضاوت انسانی نیاز خواهند داشت.

• نگرانی‌های اخلاقی و قابلیت اطمینان: با افزایش استقلال هوش مصنوعی، نگرانی‌ها نیز افزایش می‌یابد. مسائل امروز شامل توهم (ساختن حقایق توسط هوش مصنوعی)، سوگیری در محتوای تولید شده، عدم شفافیت و سوءاستفاده احتمالی برای اطلاعات نادرست است. اطمینان از اینکه می‌توان به هوش مصنوعی اعتماد کرد ، بسیار مهم است. پیشرفت‌هایی در حال انجام است - به عنوان مثال، سازمان‌ها در حال سرمایه‌گذاری بیشتر در کاهش ریسک (پرداختن به دقت، امنیت سایبری، مسائل مربوط به مالکیت معنوی) هستند ( وضعیت هوش مصنوعی: نظرسنجی جهانی | مک‌کینزی ) - اما به چارچوب‌های قوی حاکمیتی و اخلاقی نیاز است.

• ساختار این مقاله: ما با مقدمه‌ای بر هوش مصنوعی مولد و مفهوم کاربردهای خودمختار در مقابل کاربردهای تحت نظارت شروع می‌کنیم. سپس، برای هر حوزه اصلی (نویسندگی، هنر، کدنویسی و غیره)، در مورد آنچه هوش مصنوعی امروزه می‌تواند به طور قابل اعتماد انجام دهد در مقابل آنچه در آینده نزدیک خواهد بود، بحث می‌کنیم. در نهایت، با چالش‌های مشترک، پیش‌بینی‌های آینده و توصیه‌هایی برای مهار مسئولانه هوش مصنوعی مولد، نتیجه‌گیری می‌کنیم.

در مجموع، هوش مصنوعی مولد (Generative AI) تاکنون ثابت کرده است که قادر به انجام مجموعه‌ای شگفت‌انگیز از وظایف بدون راهنمایی مداوم انسان است. با درک محدودیت‌های فعلی و پتانسیل‌های آینده آن، سازمان‌ها و عموم مردم می‌توانند برای دورانی که در آن هوش مصنوعی نه تنها یک ابزار، بلکه یک همکار مستقل در کار و خلاقیت است، بهتر آماده شوند.

مقدمه

هوش مصنوعی مدت‌هاست که قادر به تجزیه و تحلیل داده‌ها است، اما سیستم‌های هوش مصنوعی اخیراً یاد گرفته‌اند که خلق کنند - نوشتن نثر، ساختن تصاویر، برنامه‌نویسی نرم‌افزار و موارد دیگر. این هوش مصنوعی مولد (مانند GPT-4 برای متن یا DALL·E برای تصاویر) بر روی مجموعه داده‌های وسیع آموزش داده می‌شوند تا در پاسخ به درخواست‌ها، محتوای بدیع تولید کنند. این پیشرفت، موجی از نوآوری را در صنایع مختلف به راه انداخته است. با این حال، یک سوال مهم مطرح می‌شود: واقعاً می‌توانیم به هوش مصنوعی اعتماد کنیم که بدون بررسی مجدد خروجی آن توسط انسان، چه کاری را به تنهایی انجام دهد؟

برای پاسخ به این سوال، مهم است که بین استفاده‌های تحت نظارت و خودمختار

• هوش مصنوعی تحت نظارت انسان به سناریوهایی اشاره دارد که در آنها خروجی‌های هوش مصنوعی قبل از نهایی شدن توسط افراد بررسی یا گزینش می‌شوند. به عنوان مثال، یک روزنامه‌نگار ممکن است از یک دستیار نویسندگی هوش مصنوعی برای تهیه پیش‌نویس مقاله استفاده کند، اما یک ویراستار آن را ویرایش و تأیید می‌کند.

• هوش مصنوعی خودمختار (هوش مصنوعی بدون دخالت انسان) به سیستم‌های هوش مصنوعی اشاره دارد که وظایف را انجام می‌دهند یا محتوایی تولید می‌کنند که مستقیماً با ویرایش کم یا بدون ویرایش انسانی مورد استفاده قرار می‌گیرد. به عنوان مثال، یک چت‌بات خودکار می‌تواند بدون دخالت عامل انسانی به پرسش مشتری پاسخ دهد، یا یک رسانه خبری که به طور خودکار خلاصه نتایج ورزشی تولید شده توسط هوش مصنوعی را منتشر می‌کند.

هوش مصنوعی مولد در حال حاضر در هر دو حالت در حال استقرار است. در سال‌های 2023-2025، پذیرش آن به سرعت افزایش یافته است و سازمان‌ها مشتاقانه در حال آزمایش آن هستند. یک نظرسنجی جهانی در سال 2024 نشان داد که 65٪ از شرکت‌ها به طور منظم از هوش مصنوعی مولد استفاده می‌کنند، که این رقم نسبت به حدود یک سوم تنها در یک سال قبل افزایش یافته است ( وضعیت هوش مصنوعی در اوایل سال 2024 | مک‌کینزی ). افراد نیز ابزارهایی مانند ChatGPT را پذیرفته‌اند - تخمین زده می‌شود که 79٪ از متخصصان تا اواسط سال 2023 حداقل تا حدودی با هوش مصنوعی مولد در ارتباط بوده‌اند ( وضعیت هوش مصنوعی در سال 2023: سال موفقیت هوش مصنوعی مولد | مک‌کینزی ). این جذب سریع ناشی از وعده افزایش بهره‌وری و خلاقیت است. با این حال، هنوز در "روزهای اولیه" است و بسیاری از شرکت‌ها هنوز در حال تدوین سیاست‌هایی در مورد نحوه استفاده مسئولانه از هوش مصنوعی هستند ( وضعیت هوش مصنوعی در سال 2023: سال موفقیت هوش مصنوعی مولد | مک‌کینزی ).

چرا خودمختاری مهم است: اجازه دادن به هوش مصنوعی برای انجام عملیات بدون نظارت انسانی می‌تواند مزایای زیادی در بهره‌وری ایجاد کند - خودکارسازی کامل وظایف خسته‌کننده - اما همچنین ریسک قابلیت اطمینان را افزایش می‌دهد. یک عامل هوش مصنوعی خودمختار باید کارها را درست انجام دهد (یا محدودیت‌های خود را بداند) زیرا ممکن است در لحظه انسانی برای گرفتن اشتباهات وجود نداشته باشد. برخی از وظایف بیشتر از سایرین به این امر نیاز دارند. به طور کلی، هوش مصنوعی زمانی به بهترین شکل خودمختار عمل می‌کند که:

• این وظیفه ساختار یا الگوی مشخصی (مثلاً تولید گزارش‌های روتین از داده‌ها).

• خطاها کم‌خطر یا به راحتی قابل تحمل هستند (مثلاً تولید تصویری که در صورت عدم رضایت می‌توان آن را کنار گذاشت، در مقابل تشخیص پزشکی).

• داده‌های آموزشی برای پوشش سناریوها وجود دارد

در مقابل، وظایفی که پایان باز ، ریسک بالا یا نیاز به قضاوت دقیق دارند، امروزه برای عدم نظارت مناسب نیستند.

در بخش‌های بعدی، طیف وسیعی از زمینه‌ها را بررسی می‌کنیم تا ببینیم هوش مصنوعی مولد اکنون چه کاری انجام می‌دهد و در آینده چه خواهد کرد. ما به مثال‌های مشخصی - از مقالات خبری نوشته شده توسط هوش مصنوعی و آثار هنری تولید شده توسط هوش مصنوعی گرفته تا دستیاران کدنویسی و نمایندگان خدمات مشتری مجازی - نگاهی خواهیم انداخت و مشخص می‌کنیم که کدام وظایف را می‌توان از ابتدا تا انتها توسط هوش مصنوعی انجام داد و کدام وظایف هنوز به یک انسان در حلقه نیاز دارند. برای هر حوزه، ما به وضوح قابلیت‌های فعلی (حدود سال ۲۰۲۵) را از پیش‌بینی‌های واقع‌بینانه از آنچه می‌تواند تا سال ۲۰۳۵ قابل اعتماد باشد، جدا می‌کنیم.

با ترسیم حال و آینده هوش مصنوعی خودمختار در حوزه‌های مختلف، هدف ما ارائه درکی متعادل به خوانندگان است: نه اغراق در مورد هوش مصنوعی به عنوان یک فناوری جادویی و مصون از خطا، و نه دست کم گرفتن قابلیت‌های واقعی و رو به رشد آن. با این مبنا، سپس چالش‌های اساسی در اعتماد به هوش مصنوعی بدون نظارت، از جمله ملاحظات اخلاقی و مدیریت ریسک را مورد بحث قرار می‌دهیم و سپس با نکات کلیدی نتیجه‌گیری می‌کنیم.

هوش مصنوعی مولد در نویسندگی و تولید محتوا

یکی از اولین حوزه‌هایی که هوش مصنوعی مولد در آن سر و صدا به پا کرد، تولید متن بود. مدل‌های زبانی بزرگ می‌توانند همه چیز را از مقالات خبری و متون بازاریابی گرفته تا پست‌های رسانه‌های اجتماعی و خلاصه اسناد تولید کنند. اما چه مقدار از این نوشتار را می‌توان بدون ویراستار انسانی انجام داد؟

قابلیت‌های فعلی (۲۰۲۵): هوش مصنوعی به عنوان نویسنده خودکار محتوای روتین

امروزه، هوش مصنوعی مولد به طور قابل اعتمادی انواع وظایف نوشتاری معمول را با حداقل یا بدون دخالت انسان انجام می‌دهد. یک مثال بارز در روزنامه‌نگاری است: آسوشیتدپرس سال‌هاست که از اتوماسیون برای تولید هزاران گزارش درآمد شرکت در هر فصل به طور مستقیم از فیدهای داده‌های مالی استفاده می‌کند ( فیلانا پترسون - پروفایل انجمن ONA ). این قطعات خبری کوتاه از یک الگو پیروی می‌کنند (مثلاً "شرکت X درآمد Y را گزارش کرده است، Z٪ افزایش یافته است...") و هوش مصنوعی (با استفاده از نرم‌افزار تولید زبان طبیعی) می‌تواند اعداد و عبارات را سریع‌تر از هر انسانی پر کند. سیستم آسوشیتدپرس این گزارش‌ها را به طور خودکار منتشر می‌کند و پوشش آنها را به طرز چشمگیری (بیش از 3000 گزارش در هر فصل) بدون نیاز به نویسندگان انسانی گسترش می‌دهد ( داستان‌های درآمد خودکار چند برابر می‌شوند | آسوشیتدپرس ).

روزنامه‌نگاری ورزشی نیز به همین ترتیب تقویت شده است: سیستم‌های هوش مصنوعی می‌توانند آمار بازی‌های ورزشی را دریافت کرده و خلاصه‌ای از گزارش‌ها را تولید کنند. از آنجا که این حوزه‌ها مبتنی بر داده و فرمولی هستند، تا زمانی که داده‌ها صحیح باشند، خطاها نادر هستند. در این موارد، ما شاهد استقلال واقعی - هوش مصنوعی می‌نویسد و محتوا بلافاصله منتشر می‌شود.

کسب‌وکارها همچنین از هوش مصنوعی مولد برای تهیه پیش‌نویس توضیحات محصول، خبرنامه‌های ایمیلی و سایر محتوای بازاریابی استفاده می‌کنند. به عنوان مثال، غول تجارت الکترونیک آمازون اکنون از هوش مصنوعی برای خلاصه کردن نظرات مشتریان در مورد محصولات استفاده می‌کند. هوش مصنوعی متن بسیاری از نظرات افراد را اسکن می‌کند و یک پاراگراف برجسته و مختصر از آنچه مردم در مورد کالا دوست دارند یا دوست ندارند، تولید می‌کند که سپس بدون ویرایش دستی در صفحه محصول نمایش داده می‌شود ( آمازون تجربه نظرات مشتریان را با هوش مصنوعی بهبود می‌بخشد ). در زیر تصویری از این ویژگی که در برنامه تلفن همراه آمازون مستقر شده است، آورده شده است که در آن بخش «نظر مشتریان» کاملاً توسط هوش مصنوعی از داده‌های نظرات تولید می‌شود:

( آمازون با هوش مصنوعی تجربه نظرات مشتریان را بهبود می‌بخشد ) خلاصه نظرات تولید شده توسط هوش مصنوعی در صفحه محصول تجارت الکترونیک. سیستم آمازون نکات مشترک نظرات کاربران (مثلاً سهولت استفاده، عملکرد) را در یک پاراگراف کوتاه خلاصه می‌کند که به خریداران با عنوان «تولید شده توسط هوش مصنوعی از متن نظرات مشتریان» نشان داده می‌شود.

چنین موارد استفاده‌ای نشان می‌دهد که وقتی محتوا از یک الگوی قابل پیش‌بینی پیروی می‌کند یا از داده‌های موجود جمع‌آوری می‌شود، هوش مصنوعی اغلب می‌تواند آن را به تنهایی مدیریت کند . سایر نمونه‌های فعلی عبارتند از:

• به‌روزرسانی‌های آب و هوا و ترافیک: رسانه‌هایی که از هوش مصنوعی برای گردآوری گزارش‌های روزانه آب و هوا یا بولتن‌های ترافیکی بر اساس داده‌های حسگر استفاده می‌کنند.

• گزارش‌های مالی: شرکت‌هایی که خلاصه‌های مالی ساده (نتایج سه‌ماهه، خلاصه‌های بازار سهام) را به‌طور خودکار تولید می‌کنند. از سال ۲۰۱۴، بلومبرگ و سایر رسانه‌های خبری از هوش مصنوعی برای کمک به نوشتن خلاصه‌های خبری در مورد درآمد شرکت‌ها استفاده کرده‌اند - فرآیندی که تا حد زیادی به‌طور خودکار پس از ورود داده‌ها اجرا می‌شود ( «روزنامه‌نگاران ربات» آسوشیتدپرس اکنون داستان‌های خود را می‌نویسند | The Verge ) ( خبرنگار وایومینگ که با استفاده از هوش مصنوعی نقل قول‌ها و داستان‌های جعلی ایجاد می‌کرد، دستگیر شد ).

• ترجمه و رونویسی: سرویس‌های رونویسی اکنون از هوش مصنوعی برای تولید رونوشت جلسات یا زیرنویس‌ها بدون تایپیست‌های انسانی استفاده می‌کنند. اگرچه این وظایف زبانی به معنای خلاقانه مولد نیستند، اما به صورت خودکار و با دقت بالا برای صدای واضح انجام می‌شوند.

• تولید پیش‌نویس: بسیاری از متخصصان از ابزارهایی مانند ChatGPT برای تهیه پیش‌نویس ایمیل‌ها یا نسخه‌های اولیه اسناد استفاده می‌کنند و گاهی اوقات اگر محتوا کم‌خطر باشد، آنها را با ویرایش کم یا بدون ویرایش ارسال می‌کنند.

با این حال، برای نثر پیچیده‌تر، نظارت انسانی در سال ۲۰۲۵ همچنان یک امر عادی است . سازمان‌های خبری به ندرت مقالات تحقیقی یا تحلیلی را مستقیماً از هوش مصنوعی منتشر می‌کنند - ویراستاران پیش‌نویس‌های نوشته شده توسط هوش مصنوعی را بررسی و اصلاح می‌کنند. هوش مصنوعی می‌تواند سبک و ساختار را به خوبی تقلید کند، اما ممکن است خطاهای واقعی (که اغلب "توهم" نامیده می‌شوند) یا عبارات ناشیانه‌ای را که یک انسان باید تشخیص دهد، ایجاد کند. به عنوان مثال، روزنامه آلمانی اکسپرس یک "همکار دیجیتال" هوش مصنوعی به نام کلارا را برای کمک به نوشتن قطعات خبری اولیه معرفی کرد. کلارا می‌تواند به طور مؤثر گزارش‌های ورزشی را تهیه کند و حتی تیترهایی بنویسد که خوانندگان را جذب کند و در ۱۱٪ از مقالات اکسپرس نقش داشته باشد - اما ویراستاران انسانی هنوز هم هر قطعه را از نظر دقت و صداقت روزنامه‌نگاری، به ویژه در داستان‌های پیچیده، بررسی می‌کنند ( ۱۲ روش استفاده روزنامه‌نگاران از ابزارهای هوش مصنوعی در اتاق خبر - Twipe ). این همکاری انسان و هوش مصنوعی امروزه رایج است: هوش مصنوعی بار سنگین تولید متن را بر عهده می‌گیرد و انسان‌ها در صورت نیاز آن را گردآوری و اصلاح می‌کنند.

چشم‌انداز ۲۰۳۰-۲۰۳۵: به سوی نوشتار خودکار و قابل اعتماد

در طول دهه آینده، انتظار داریم هوش مصنوعی مولد در تولید متن با کیفیت بالا و از نظر واقعی صحیح، بسیار قابل اعتمادتر شود، که این امر طیف وظایف نوشتاری را که می‌تواند به صورت خودکار انجام دهد، گسترش می‌دهد. چندین روند از این امر پشتیبانی می‌کنند:

• دقت بهبود یافته: تحقیقات مداوم به سرعت تمایل هوش مصنوعی به تولید اطلاعات نادرست یا نامربوط را کاهش می‌دهد. تا سال ۲۰۳۰، مدل‌های زبانی پیشرفته با آموزش بهتر (از جمله تکنیک‌هایی برای تأیید حقایق در برابر پایگاه‌های داده در زمان واقعی) می‌توانند به بررسی واقعیت در سطح نزدیک به انسان در داخل دست یابند. این بدان معناست که یک هوش مصنوعی می‌تواند یک مقاله خبری کامل را با نقل قول‌ها و آمارهای صحیح که به طور خودکار از منابع گرفته شده است، تهیه کند و به ویرایش کمی نیاز داشته باشد.

• هوش مصنوعی مختص حوزه: ما شاهد مدل‌های تولیدی تخصصی‌تری خواهیم بود که برای زمینه‌های خاص (حقوقی، پزشکی، نگارش فنی) تنظیم شده‌اند. یک مدل هوش مصنوعی حقوقی در سال ۲۰۳۰ ممکن است به طور قابل اعتمادی قراردادهای استاندارد را پیش‌نویس کند یا رویه‌های قضایی را خلاصه کند - وظایفی که از نظر ساختار فرمولی هستند اما در حال حاضر به زمان وکیل نیاز دارند. اگر هوش مصنوعی بر اساس اسناد حقوقی معتبر آموزش داده شود، پیش‌نویس‌های آن ممکن است به اندازه‌ای قابل اعتماد باشند که یک وکیل فقط یک نگاه سریع و نهایی به آنها بیندازد.

• سبک و انسجام طبیعی: مدل‌ها در حفظ زمینه در اسناد طولانی بهتر می‌شوند و منجر به محتوای طولانی‌تر، منسجم‌تر و دقیق‌تر می‌شوند. تا سال ۲۰۳۵، این احتمال وجود دارد که یک هوش مصنوعی بتواند به تنهایی پیش‌نویس اولیه مناسبی از یک کتاب غیرداستانی یا یک کتابچه راهنمای فنی را بنویسد، و انسان‌ها عمدتاً نقش مشاوره‌ای (برای تعیین اهداف یا ارائه دانش تخصصی) را ایفا کنند.

این در عمل چگونه خواهد بود؟ روزنامه‌نگاری روتین می‌تواند برای برخی از حوزه‌ها تقریباً کاملاً خودکار شود. ممکن است در سال ۲۰۳۰ شاهد باشیم که یک آژانس خبری، یک سیستم هوش مصنوعی داشته باشد که اولین نسخه از هر گزارش درآمد، گزارش ورزشی یا به‌روزرسانی نتایج انتخابات را بنویسد و یک ویراستار فقط تعداد کمی را برای تضمین کیفیت نمونه‌برداری کند. در واقع، کارشناسان پیش‌بینی می‌کنند که سهم رو به رشدی از محتوای آنلاین توسط ماشین تولید خواهد شد - یک پیش‌بینی جسورانه توسط تحلیلگران صنعت نشان می‌دهد که تا سال ۲۰۲۶، تا ۹۰٪ از محتوای آنلاین می‌تواند توسط هوش مصنوعی تولید شود ( تا سال ۲۰۲۶، محتوای آنلاین تولید شده توسط غیرانسان‌ها به طور قابل توجهی از محتوای تولید شده توسط انسان پیشی خواهد گرفت - OODAloop )، اگرچه این رقم مورد بحث است. حتی یک نتیجه محافظه‌کارانه‌تر نیز به این معنی است که تا اواسط دهه ۲۰۳۰، اکثر مقالات وب روتین، متن محصول و شاید حتی فیدهای خبری شخصی‌سازی شده توسط هوش مصنوعی نوشته می‌شوند.

در بازاریابی و ارتباطات شرکتی ، احتمالاً به هوش مصنوعی مولد (Generative AI) سپرده خواهد شد تا کل کمپین‌ها را به صورت خودکار اجرا کند. این هوش مصنوعی می‌تواند ایمیل‌های بازاریابی شخصی‌سازی‌شده، پست‌های رسانه‌های اجتماعی و نسخه‌های مختلف تبلیغات را تولید و ارسال کند و دائماً پیام‌ها را بر اساس واکنش‌های مشتری تنظیم کند - همه اینها بدون حضور یک نویسنده انسانی در حلقه. تحلیلگران گارتنر پیش‌بینی می‌کنند که تا سال ۲۰۲۵، حداقل ۳۰٪ از پیام‌های بازاریابی خروجی شرکت‌های بزرگ به صورت مصنوعی توسط هوش مصنوعی تولید خواهد شد ( موارد استفاده هوش مصنوعی مولد برای صنایع و شرکت‌ها ) و این درصد تا سال ۲۰۳۰ تنها افزایش خواهد یافت.

با این حال، توجه به این نکته مهم است که خلاقیت و قضاوت انسانی، به ویژه برای محتوای پرمخاطره، همچنان نقش خواهد داشت . تا سال ۲۰۳۵، هوش مصنوعی ممکن است یک بیانیه مطبوعاتی یا پست وبلاگ را به تنهایی مدیریت کند، اما برای روزنامه‌نگاری تحقیقی که شامل پاسخگویی یا موضوعات حساس است، ممکن است رسانه‌ها همچنان بر نظارت انسانی اصرار داشته باشند. آینده احتمالاً رویکردی چند مرحله‌ای را به همراه خواهد داشت: هوش مصنوعی به طور مستقل بخش عمده‌ای از محتوای روزمره را تولید می‌کند، در حالی که انسان‌ها بر ویرایش و تولید مطالب استراتژیک یا حساس تمرکز می‌کنند. اساساً، با افزایش مهارت هوش مصنوعی، مرز آنچه که به عنوان «روال» محسوب می‌شود، گسترش خواهد یافت.

علاوه بر این، ممکن است اشکال جدیدی از محتوا مانند روایت‌های تعاملی تولید شده توسط هوش مصنوعی یا گزارش‌های شخصی‌سازی شده پدیدار شوند. به عنوان مثال، گزارش سالانه یک شرکت می‌تواند توسط هوش مصنوعی در چندین سبک تولید شود - خلاصه‌ای برای مدیران، نسخه‌ای روایی برای کارمندان، نسخه‌ای غنی از داده‌ها برای تحلیلگران - که هر کدام به طور خودکار از داده‌های اساسی یکسان ایجاد می‌شوند. در آموزش، کتاب‌های درسی می‌توانند به صورت پویا توسط هوش مصنوعی نوشته شوند تا با سطوح مختلف خواندن مطابقت داشته باشند. این برنامه‌ها می‌توانند تا حد زیادی مستقل باشند اما توسط اطلاعات تأیید شده پشتیبانی شوند.

مسیر نوشتاری نشان می‌دهد که تا اواسط دهه ۲۰۳۰، هوش مصنوعی نویسنده‌ای پرکار خواهد بود . کلید عملیات واقعاً مستقل، ایجاد اعتماد به خروجی‌های آن است. اگر هوش مصنوعی بتواند به طور مداوم دقت واقعی، کیفیت سبکی و همسویی با استانداردهای اخلاقی را نشان دهد، نیاز به بررسی خط به خط انسانی کاهش خواهد یافت. بخش‌هایی از خود این مقاله سفید، تا سال ۲۰۳۵، ممکن است توسط یک محقق هوش مصنوعی بدون نیاز به ویراستار نوشته شود - چشم‌اندازی که ما با احتیاط به آن خوش‌بین هستیم، مشروط بر اینکه اقدامات حفاظتی مناسب انجام شود.

هوش مصنوعی مولد در هنرهای تجسمی و طراحی

توانایی هوش مصنوعی مولد در خلق تصاویر و آثار هنری، از نقاشی‌های تولید شده توسط هوش مصنوعی که در مسابقات هنری برنده می‌شوند تا ویدیوهای دیپ‌فیک که از فیلم‌های واقعی قابل تشخیص نیستند، توجه عموم را به خود جلب کرده است. در حوزه‌های بصری، مدل‌های هوش مصنوعی مانند شبکه‌های مولد تخاصمی (GAN) و مدل‌های انتشار (مانند انتشار پایدار، Midjourney) می‌توانند تصاویر بدیع را بر اساس پیام‌های متنی تولید کنند. بنابراین، آیا هوش مصنوعی اکنون می‌تواند به عنوان یک هنرمند یا طراح مستقل عمل کند؟

قابلیت‌های فعلی (۲۰۲۵): هوش مصنوعی به عنوان دستیار خلاق

از سال ۲۰۲۵، مدل‌های مولد در ایجاد تصاویر بر اساس تقاضا با دقت چشمگیر مهارت دارند. کاربران می‌توانند از یک هوش مصنوعی تصویر بخواهند که «یک شهر قرون وسطایی در غروب آفتاب به سبک ون گوگ» را ترسیم کند و در عرض چند ثانیه یک تصویر هنری متقاعدکننده دریافت کنند. این امر منجر به استفاده گسترده از هوش مصنوعی در طراحی گرافیک، بازاریابی و سرگرمی برای هنرهای مفهومی، نمونه‌های اولیه و حتی در برخی موارد، تصاویر نهایی شده است. به ویژه:

• طراحی گرافیک و تصاویر استوک: شرکت‌ها گرافیک وب‌سایت، تصاویر یا عکس‌های استوک را از طریق هوش مصنوعی تولید می‌کنند و نیاز به سفارش هر اثر از یک هنرمند را کاهش می‌دهند. بسیاری از تیم‌های بازاریابی از ابزارهای هوش مصنوعی برای تولید انواع تبلیغات یا تصاویر محصول استفاده می‌کنند تا ببینند چه چیزی برای مصرف‌کنندگان جذاب است.

• هنر و تصویرسازی: هنرمندان انفرادی با هوش مصنوعی همکاری می‌کنند تا ایده‌های خود را مطرح کنند یا جزئیات را تکمیل کنند. به عنوان مثال، یک تصویرگر ممکن است از هوش مصنوعی برای ایجاد مناظر پس‌زمینه استفاده کند، که سپس آنها را با شخصیت‌های طراحی شده توسط انسان ادغام می‌کند. برخی از سازندگان کتاب‌های مصور، پنل‌ها یا رنگ‌آمیزی تولید شده توسط هوش مصنوعی را آزمایش کرده‌اند.

• رسانه و سرگرمی: هنر تولید شده توسط هوش مصنوعی روی جلد مجلات و جلد کتاب‌ها ظاهر شده است. یک نمونه معروف، کازموپولیتن که تصویر یک فضانورد را نشان می‌داد - طبق گزارش‌ها، اولین تصویر جلد مجله‌ای بود که توسط یک هوش مصنوعی (DALL·E از OpenAI) و به کارگردانی یک مدیر هنری خلق شده بود. در حالی که این کار شامل الهام و انتخاب انسانی بود، اثر هنری اصلی توسط ماشین رندر شده بود.

نکته‌ی مهم این است که اکثر این کاربردهای فعلی هنوز شامل گزینش و تکرار انسانی هستند . هوش مصنوعی می‌تواند ده‌ها تصویر را ارائه دهد و یک انسان بهترین را انتخاب کرده و احتمالاً آن را اصلاح کند. از این نظر، هوش مصنوعی به طور مستقل برای تولید گزینه‌ها کار می‌کند، اما انسان‌ها جهت‌گیری خلاقانه را هدایت کرده و انتخاب‌های نهایی را انجام می‌دهند. این روش برای تولید سریع محتوای زیاد قابل اعتماد است، اما تضمینی برای برآورده کردن تمام الزامات در اولین تلاش وجود ندارد. مسائلی مانند جزئیات نادرست (مثلاً طراحی دست با تعداد انگشتان اشتباه توسط هوش مصنوعی، یک ویژگی عجیب شناخته شده) یا نتایج ناخواسته به این معنی است که معمولاً یک مدیر هنری انسانی باید بر کیفیت خروجی نظارت داشته باشد.

با این حال، حوزه‌هایی وجود دارند که هوش مصنوعی در آنها به استقلال کامل نزدیک می‌شود:

• طراحی مولد: در زمینه‌هایی مانند معماری و طراحی محصول، ابزارهای هوش مصنوعی می‌توانند به طور خودکار نمونه‌های اولیه طراحی را ایجاد کنند که محدودیت‌های مشخصی را برآورده می‌کنند. به عنوان مثال، با توجه به ابعاد و عملکردهای مورد نظر یک قطعه مبلمان، یک الگوریتم مولد ممکن است چندین طرح قابل اجرا (برخی کاملاً غیرمتعارف) را بدون دخالت انسان فراتر از مشخصات اولیه تولید کند. این طرح‌ها می‌توانند مستقیماً توسط انسان‌ها مورد استفاده یا اصلاح قرار گیرند. به طور مشابه، در مهندسی، هوش مصنوعی مولد می‌تواند قطعاتی (مثلاً یک قطعه هواپیما) را که از نظر وزن و استحکام بهینه شده‌اند، طراحی کند و اشکال جدیدی تولید کند که ممکن است یک انسان تصور نکرده باشد.

• دارایی‌های بازی‌های ویدیویی: هوش مصنوعی می‌تواند بافت‌ها، مدل‌های سه‌بعدی یا حتی کل مراحل بازی‌های ویدیویی را به‌طور خودکار تولید کند. توسعه‌دهندگان از این موارد برای سرعت بخشیدن به تولید محتوا استفاده می‌کنند. برخی از بازی‌های مستقل شروع به ترکیب آثار هنری تولید شده به صورت رویه‌ای و حتی گفتگو (از طریق مدل‌های زبانی) کرده‌اند تا جهان‌های بازی وسیع و پویا را با حداقل دارایی‌های ساخته شده توسط انسان ایجاد کنند.

• انیمیشن و ویدیو (در حال ظهور): اگرچه هوش مصنوعی مولد برای ویدیو به بلوغ کمتری نسبت به تصاویر ثابت رسیده است، اما در حال پیشرفت است. هوش مصنوعی در حال حاضر می‌تواند کلیپ‌های ویدیویی کوتاه یا انیمیشن‌هایی از دستورالعمل‌ها تولید کند، هرچند کیفیت آنها ثابت نیست. فناوری دیپ‌فیک - که مولد است - می‌تواند تعویض چهره یا کلون‌های صوتی واقع‌گرایانه ایجاد کند. در یک محیط کنترل‌شده، یک استودیو می‌تواند از هوش مصنوعی برای تولید خودکار صحنه پس‌زمینه یا انیمیشن جمعیت استفاده کند.

فیلم پرفروش بزرگ خواهیم بود (از فیلمنامه گرفته تا جلوه‌های بصری) تولید می‌شود ( موارد استفاده هوش مصنوعی مولد برای صنایع و شرکت‌ها ). تا سال ۲۰۲۵، ما هنوز به آن مرحله نرسیده‌ایم - هوش مصنوعی نمی‌تواند به طور مستقل یک فیلم بلند بسازد. اما قطعات این پازل در حال توسعه هستند: تولید فیلمنامه (هوش مصنوعی متن)، تولید شخصیت و صحنه (هوش مصنوعی تصویر/ویدئو)، صداپیشگی (کلون‌های صوتی هوش مصنوعی) و کمک در تدوین (هوش مصنوعی همین حالا هم می‌تواند در کات‌ها و انتقال‌ها کمک کند).

چشم‌انداز ۲۰۳۰-۲۰۳۵: رسانه‌های تولید شده توسط هوش مصنوعی در مقیاس بزرگ

با نگاهی به آینده، نقش هوش مصنوعی مولد در هنرهای تجسمی و طراحی به طور چشمگیری گسترش خواهد یافت. پیش‌بینی می‌کنیم تا سال ۲۰۳۵، هوش مصنوعی خالق محتوای اصلی و اغلب با حداقل ورودی انسانی فراتر از راهنمایی‌های اولیه عمل کند. برخی از انتظارات:

• فیلم‌ها و ویدیوهای کاملاً تولید شده توسط هوش مصنوعی: در ده سال آینده، کاملاً محتمل است که اولین فیلم‌ها یا سریال‌هایی را ببینیم که عمدتاً توسط هوش مصنوعی تولید شده‌اند. انسان‌ها ممکن است جهت‌دهی سطح بالایی (مثلاً طرح کلی فیلمنامه یا سبک مورد نظر) را ارائه دهند و هوش مصنوعی صحنه‌ها را رندر کند، شباهت بازیگر را ایجاد کند و همه چیز را متحرک کند. آزمایش‌های اولیه در فیلم‌های کوتاه احتمالاً ظرف چند سال آینده انجام خواهد شد و تلاش‌هایی برای ساخت فیلم‌های بلند تا دهه 2030 صورت خواهد گرفت. این فیلم‌های هوش مصنوعی ممکن است در ابتدا جایگاه ویژه‌ای داشته باشند (انیمیشن تجربی و غیره) اما با بهبود کیفیت می‌توانند به جریان اصلی تبدیل شوند. پیش‌بینی فیلم 90٪ گارتنر تا سال 2030 ( موارد استفاده از هوش مصنوعی مولد برای صنایع و شرکت‌ها )، در حالی که بلندپروازانه است، بر این باور صنعت تأکید می‌کند که تولید محتوای هوش مصنوعی به اندازه کافی پیچیده خواهد بود تا بیشتر بار فیلمسازی را به دوش بکشد.

• اتوماسیون طراحی: در زمینه‌هایی مانند مد یا معماری، هوش مصنوعی مولد احتمالاً برای تهیه خودکار صدها مفهوم طراحی بر اساس پارامترهایی مانند «هزینه، مواد، سبک X» مورد استفاده قرار خواهد گرفت و انسان‌ها را مجبور به انتخاب طرح نهایی می‌کند. این امر، پویایی فعلی را تغییر می‌دهد: به جای اینکه طراحان از ابتدا خلق کنند و شاید از هوش مصنوعی برای الهام گرفتن استفاده کنند، طراحان آینده ممکن است بیشتر به عنوان متصدی عمل کنند، بهترین طرح تولید شده توسط هوش مصنوعی را انتخاب کنند و شاید آن را اصلاح کنند. تا سال ۲۰۳۵، یک معمار ممکن است الزامات یک ساختمان را وارد کند و طرح‌های کامل را به عنوان پیشنهاد از یک هوش مصنوعی دریافت کند (همه از نظر ساختاری، به لطف قوانین مهندسی تعبیه شده).

• تولید محتوای شخصی‌سازی‌شده: ممکن است شاهد باشیم که هوش مصنوعی در حال خلق تصاویر برای کاربران مختلف است. یک بازی ویدیویی یا تجربه واقعیت مجازی را در سال ۲۰۳۵ تصور کنید که در آن مناظر و شخصیت‌ها با ترجیحات بازیکن سازگار می‌شوند و به صورت بلادرنگ توسط هوش مصنوعی تولید می‌شوند. یا کمیک استریپ‌های شخصی‌سازی‌شده که بر اساس روز کاربر تولید می‌شوند - یک هوش مصنوعی «کمیک روزانه» مستقل که هر شب به طور خودکار دفتر خاطرات متنی شما را به تصاویر تبدیل می‌کند.

• خلاقیت چندوجهی: سیستم‌های هوش مصنوعی مولد به طور فزاینده‌ای چندوجهی می‌شوند - به این معنی که می‌توانند متن، تصاویر، صدا و غیره را با هم مدیریت کنند. با ترکیب این موارد، یک هوش مصنوعی می‌تواند یک درخواست ساده مانند «برای من یک کمپین بازاریابی برای محصول X بساز» را دریافت کند و نه تنها متن نوشتاری، بلکه گرافیک‌های منطبق، شاید حتی کلیپ‌های ویدیویی تبلیغاتی کوتاه، همه با سبکی سازگار تولید کند. این نوع مجموعه محتوای تک‌کلیکی احتمالاً تا اوایل دهه 2030 به یک سرویس تبدیل خواهد شد.

آیا هوش مصنوعی جایگزین هنرمندان انسانی ؟ این سوال اغلب مطرح می‌شود. احتمال دارد که هوش مصنوعی بخش زیادی از کارهای تولیدی (به‌ویژه هنرهای تکراری یا سریع مورد نیاز برای تجارت) را به عهده بگیرد، اما هنر انسانی برای اصالت و نوآوری باقی خواهد ماند. تا سال ۲۰۳۵، یک هوش مصنوعی مستقل ممکن است به طور قابل اعتمادی تصویری به سبک یک هنرمند مشهور بکشد - اما خلق یک جدید یا هنری عمیقاً فرهنگی همچنان می‌تواند یک نقطه قوت انسان باشد (به‌طور بالقوه با همکاری هوش مصنوعی). ما آینده‌ای را پیش‌بینی می‌کنیم که در آن هنرمندان انسانی در کنار «همکاران» هوش مصنوعی مستقل کار می‌کنند. برای مثال، می‌توان یک هوش مصنوعی شخصی را مأمور کرد تا به‌طور مداوم برای یک گالری دیجیتال در خانه فرد، آثار هنری تولید کند و فضایی خلاقانه و همواره در حال تغییر ایجاد کند.

از دیدگاه قابلیت اطمینان، هوش مصنوعی مولد بصری از برخی جهات مسیر آسان‌تری برای رسیدن به استقلال نسبت به متن دارد: یک تصویر می‌تواند از نظر ذهنی «به اندازه کافی خوب» باشد، حتی اگر کامل نباشد، در حالی که یک خطای واقعی در متن مشکل‌سازتر است. بنابراین، ما در حال حاضر شاهد پذیرش نسبتاً کم‌خطری - اگر یک طرح تولید شده توسط هوش مصنوعی زشت یا اشتباه باشد، شما به سادگی از آن استفاده نمی‌کنید، اما به خودی خود هیچ آسیبی نمی‌رساند. این بدان معناست که تا دهه 2030، شرکت‌ها ممکن است راحت باشند که به هوش مصنوعی اجازه دهند طرح‌های بدون نظارت را تولید کند و فقط زمانی که چیزی واقعاً جدید یا پرخطر مورد نیاز است، انسان را درگیر کنند.

به طور خلاصه، انتظار می‌رود تا سال ۲۰۳۵، هوش مصنوعی مولد، به یک تولیدکننده محتوای قدرتمند در حوزه تصاویر تبدیل شود و احتمالاً مسئول بخش قابل توجهی از تصاویر و رسانه‌های اطراف ما باشد. این هوش مصنوعی به طور قابل اعتمادی محتوا را برای سرگرمی، طراحی و ارتباطات روزمره تولید خواهد کرد. هنرمند مستقل در افق دیده می‌شود - هرچند اینکه آیا هوش مصنوعی به عنوان خلاق یا صرفاً یک ابزار بسیار هوشمند دیده می‌شود، بحثی است که با غیرقابل تشخیص شدن خروجی‌های آن از ساخته‌های دست بشر، تکامل خواهد یافت.

هوش مصنوعی مولد در توسعه نرم‌افزار (کدنویسی)

توسعه نرم‌افزار ممکن است یک کار بسیار تحلیلی به نظر برسد، اما یک عنصر خلاقانه نیز دارد - نوشتن کد اساساً ایجاد متن به یک زبان ساختاریافته است. هوش مصنوعی مولد مدرن، به ویژه مدل‌های زبانی بزرگ، در کدنویسی کاملاً ماهر بوده‌اند. ابزارهایی مانند GitHub Copilot، Amazon CodeWhisperer و دیگران به عنوان برنامه‌نویسان جفت هوش مصنوعی عمل می‌کنند و قطعه کدها یا حتی کل توابع را به عنوان تایپ توسعه‌دهندگان پیشنهاد می‌دهند. این امر تا چه حد می‌تواند به سمت برنامه‌نویسی مستقل پیش برود؟

قابلیت‌های فعلی (۲۰۲۵): هوش مصنوعی به عنوان کمک‌خلبان برنامه‌نویسی

تا سال ۲۰۲۵، مولدهای کد هوش مصنوعی در گردش کار بسیاری از توسعه‌دهندگان رایج شده‌اند. این ابزارها می‌توانند خطوط کد را به صورت خودکار تکمیل کنند، کدهای تکراری (مانند توابع یا تست‌های استاندارد) تولید کنند و حتی برنامه‌های ساده‌ای را با توجه به توضیحات زبان طبیعی بنویسند. با این حال، نکته مهم این است که آنها تحت نظارت یک توسعه‌دهنده کار می‌کنند - توسعه‌دهنده پیشنهادات هوش مصنوعی را بررسی و ادغام می‌کند.

برخی از حقایق و ارقام فعلی:

• بیش از نیمی از توسعه‌دهندگان حرفه‌ای تا اواخر سال ۲۰۲۳ دستیاران کدنویسی هوش مصنوعی را به کار گرفته بودند ( کدنویسی در Copilot: داده‌های ۲۰۲۳ نشان‌دهنده فشار رو به پایین بر کیفیت کد است (شامل پیش‌بینی‌های ۲۰۲۴) - GitClear )، که نشان‌دهنده جذب سریع است. گزارش شده است که GitHub Copilot، یکی از اولین ابزارهای موجود، به طور متوسط ​​۳۰ تا ۴۰ درصد از کد پروژه‌هایی را که در آنها استفاده می‌شود، تولید می‌کند ( کدنویسی دیگر یک خندق نیست. ۴۶ درصد از کدهای GitHub در حال حاضر ... هستند ). این بدان معناست که هوش مصنوعی در حال حاضر بخش‌های قابل توجهی از کد را می‌نویسد، اگرچه یک انسان آن را هدایت و اعتبارسنجی می‌کند.

• این ابزارهای هوش مصنوعی در کارهایی مانند نوشتن کدهای تکراری (مثلاً کلاس‌های مدل داده، متدهای getter/setter)، تبدیل یک زبان برنامه‌نویسی به زبان دیگر یا تولید الگوریتم‌های سرراست که شبیه نمونه‌های آموزشی هستند، عالی عمل می‌کنند. برای مثال، یک توسعه‌دهنده می‌تواند عبارت «// function to sort list of users by name» را کامنت کند و هوش مصنوعی تقریباً فوراً یک تابع مرتب‌سازی مناسب ایجاد می‌کند.

• آنها همچنین در رفع اشکال و توضیح آن : توسعه‌دهندگان می‌توانند یک پیام خطا را وارد کنند و هوش مصنوعی ممکن است راه حلی را پیشنهاد دهد، یا بپرسد "این کد چه کاری انجام می‌دهد؟" و توضیحی به زبان طبیعی دریافت کند. این به نوعی خودکار است (هوش مصنوعی می‌تواند مشکلات را به تنهایی تشخیص دهد)، اما یک انسان تصمیم می‌گیرد که آیا راه حل را اعمال کند یا خیر.

• نکته مهم این است که دستیاران کدنویسی هوش مصنوعی فعلی مصون از خطا نیستند. آن‌ها می‌توانند کد ناامن یا کدی را پیشنهاد دهند که تقریباً مشکل را حل می‌کند اما دارای اشکالات جزئی است. بنابراین، بهترین روش امروز این است که یک انسان را در حلقه نگه دارید - توسعه‌دهنده، کد نوشته شده توسط هوش مصنوعی را درست مانند کد نوشته شده توسط انسان، آزمایش و اشکال‌زدایی می‌کند. در صنایع تحت نظارت یا نرم‌افزارهای حیاتی (مانند سیستم‌های پزشکی یا هوانوردی)، هرگونه مشارکت هوش مصنوعی تحت بررسی دقیق قرار می‌گیرد.

امروزه هیچ سیستم نرم‌افزاری رایجی وجود ندارد که کاملاً توسط هوش مصنوعی و از ابتدا و بدون نظارت توسعه‌دهنده نوشته شده باشد. با این حال، برخی از کاربردهای خودکار یا نیمه خودکار در حال ظهور هستند:

• تست‌های واحد تولید خودکار: هوش مصنوعی می‌تواند کد را تجزیه و تحلیل کند و تست‌های واحد را برای پوشش موارد مختلف تولید کند. یک چارچوب تست ممکن است به طور خودکار این تست‌های نوشته شده توسط هوش مصنوعی را برای گرفتن اشکالات تولید و اجرا کند و تست‌های نوشته شده توسط انسان را تقویت کند.

• پلتفرم‌های کم‌کد/بدون کد با هوش مصنوعی: برخی پلتفرم‌ها به افراد غیربرنامه‌نویس اجازه می‌دهند آنچه را که می‌خواهند توصیف کنند (مثلاً «ساخت یک صفحه وب با فرم تماس و پایگاه داده برای ذخیره ورودی‌ها») و سیستم کد را تولید می‌کند. اگرچه هنوز در مراحل اولیه است، اما به آینده‌ای اشاره دارد که هوش مصنوعی می‌تواند به‌طور مستقل نرم‌افزارهایی را برای موارد استفاده استاندارد ایجاد کند.

• اسکریپت‌نویسی و کد چسبی: اتوماسیون فناوری اطلاعات اغلب شامل نوشتن اسکریپت‌هایی برای اتصال سیستم‌ها است. ابزارهای هوش مصنوعی اغلب می‌توانند این اسکریپت‌های کوچک را به طور خودکار تولید کنند. به عنوان مثال، نوشتن اسکریپتی برای تجزیه یک فایل لاگ و ارسال هشدار ایمیل - یک هوش مصنوعی می‌تواند یک اسکریپت کارآمد با حداقل ویرایش یا بدون ویرایش تولید کند.

چشم‌انداز ۲۰۳۰-۲۰۳۵: به سوی نرم‌افزار «خود-توسعه‌دهنده»

انتظار می‌رود در دهه آینده، هوش مصنوعی مولد سهم بیشتری از بار کدنویسی را بر عهده بگیرد و به توسعه نرم‌افزار کاملاً خودکار برای دسته‌های خاصی از پروژه‌ها نزدیک‌تر شود. برخی از پیشرفت‌های پیش‌بینی‌شده:

• پیاده‌سازی کامل ویژگی‌ها: پیش‌بینی می‌کنیم تا سال ۲۰۳۰، هوش مصنوعی قادر به پیاده‌سازی ویژگی‌های ساده‌ی اپلیکیشن به صورت سرتاسری باشد. یک مدیر محصول ممکن است یک ویژگی را به زبان ساده توصیف کند ("کاربران باید بتوانند رمز عبور خود را از طریق لینک ایمیل تنظیم مجدد کنند") و هوش مصنوعی می‌تواند کد لازم (فرم front-end، منطق back-end، به‌روزرسانی پایگاه داده، ارسال ایمیل) را تولید و آن را در پایگاه کد ادغام کند. هوش مصنوعی عملاً به عنوان یک توسعه‌دهنده‌ی جوان عمل می‌کند که می‌تواند مشخصات را دنبال کند. یک مهندس انسانی ممکن است فقط یک بررسی کد انجام دهد و آزمایش‌ها را اجرا کند. با بهبود قابلیت اطمینان هوش مصنوعی، بررسی کد ممکن است به یک مرور سریع تبدیل شود، اگر اصلاً انجام شود.

• نگهداری خودکار کد: بخش بزرگی از مهندسی نرم‌افزار فقط نوشتن کد جدید نیست، بلکه به‌روزرسانی کد موجود - رفع اشکالات، بهبود عملکرد، و سازگاری با الزامات جدید - است. توسعه‌دهندگان هوش مصنوعی آینده احتمالاً در این زمینه سرآمد خواهند بود. با داشتن یک پایگاه کد و یک دستورالعمل ("برنامه ما وقتی تعداد زیادی کاربر همزمان وارد سیستم می‌شوند، از کار می‌افتد")، هوش مصنوعی ممکن است مشکل را پیدا کند (مانند یک اشکال همزمانی) و آن را برطرف کند. تا سال 2035، سیستم‌های هوش مصنوعی ممکن است به طور خودکار تیکت‌های نگهداری روتین را یک شبه مدیریت کنند و به عنوان یک تیم نگهداری خستگی‌ناپذیر برای سیستم‌های نرم‌افزاری عمل کنند.

• ادغام و استفاده از API: از آنجایی که سیستم‌های نرم‌افزاری و APIهای بیشتری با مستندات قابل خواندن توسط هوش مصنوعی ارائه می‌شوند، یک عامل هوش مصنوعی می‌تواند به طور مستقل نحوه اتصال سیستم A را با سرویس B با نوشتن کد اتصال تشخیص دهد. به عنوان مثال، اگر شرکتی بخواهد سیستم منابع انسانی داخلی خود را با یک API حقوق و دستمزد جدید همگام‌سازی کند، ممکن است به یک هوش مصنوعی وظیفه دهد که "اینها را با یکدیگر ارتباط دهد" و هوش مصنوعی پس از خواندن مشخصات هر دو سیستم، کد ادغام را خواهد نوشت.

• کیفیت و بهینه‌سازی: مدل‌های تولید کد آینده احتمالاً حلقه‌های بازخورد را برای تأیید عملکرد کد در خود جای خواهند داد (مثلاً اجرای تست‌ها یا شبیه‌سازی‌ها در یک محیط آزمایشی). این بدان معناست که یک هوش مصنوعی نه تنها می‌تواند کد بنویسد، بلکه با آزمایش آن، خود را اصلاح کند. تا سال ۲۰۳۵، می‌توانیم هوش مصنوعی را تصور کنیم که با توجه به یک وظیفه، کد خود را تا زمانی که همه تست‌ها با موفقیت پشت سر گذاشته شوند، تکرار می‌کند - فرآیندی که ممکن است یک انسان نیازی به نظارت خط به خط بر آن نداشته باشد. این امر اعتماد به کد تولید شده به صورت خودکار را تا حد زیادی افزایش می‌دهد.

می‌توان سناریویی را تا سال ۲۰۳۵ تصور کرد که در آن یک پروژه نرم‌افزاری کوچک - مثلاً یک اپلیکیشن موبایل سفارشی برای یک کسب‌وکار - می‌تواند عمدتاً توسط یک عامل هوش مصنوعی با دستورالعمل‌های سطح بالا توسعه یابد. «توسعه‌دهنده» انسانی در این سناریو بیشتر یک مدیر پروژه یا اعتبارسنج است که الزامات و محدودیت‌ها (امنیت، دستورالعمل‌های سبک) را مشخص می‌کند و به هوش مصنوعی اجازه می‌دهد تا کارهای سنگین کدنویسی واقعی را انجام دهد.

با این حال، برای نرم‌افزارهای پیچیده و در مقیاس بزرگ (سیستم‌های عامل، خود الگوریتم‌های پیشرفته هوش مصنوعی و غیره)، متخصصان انسانی همچنان عمیقاً درگیر خواهند بود. حل خلاقانه مسئله و طراحی معماری در نرم‌افزار احتمالاً برای مدتی تحت هدایت انسان باقی خواهد ماند. هوش مصنوعی ممکن است وظایف کدنویسی زیادی را انجام دهد، اما تصمیم‌گیری در مورد اینکه چه چیزی ساخته شود و ساختار کلی را طراحی کند، چالش متفاوتی است. با این اوصاف، با شروع همکاری هوش مصنوعی مولد - چندین عامل هوش مصنوعی که اجزای مختلف یک سیستم را مدیریت می‌کنند - قابل تصور است که آنها بتوانند تا حدی معماری‌ها را با هم طراحی کنند (به عنوان مثال، یک هوش مصنوعی طراحی سیستم را پیشنهاد می‌دهد، دیگری آن را نقد می‌کند و آنها تکرار می‌کنند، و یک انسان بر این فرآیند نظارت دارد).

یکی از مزایای اصلی مورد انتظار هوش مصنوعی در کدنویسی، افزایش بهره‌وری . گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، ۹۰٪ از مهندسان نرم‌افزار از دستیاران کد هوش مصنوعی استفاده خواهند کرد (این رقم در سال ۲۰۲۴ کمتر از ۱۵٪ بود) ( گزارش تحقیقاتی GitHub Copilot در مورد دستیاران کد هوش مصنوعی - مجله ویژوال استودیو ). این نشان می‌دهد که تعداد افراد خارج از محدوده - کسانی که از هوش مصنوعی استفاده نمی‌کنند - کم خواهد بود. همچنین ممکن است شاهد کمبود توسعه‌دهندگان انسانی در برخی زمینه‌ها باشیم که با پر کردن شکاف‌ها توسط هوش مصنوعی کاهش می‌یابد. اساساً هر توسعه‌دهنده می‌تواند با یک دستیار هوش مصنوعی که می‌تواند به طور مستقل کد بنویسد، کارهای بیشتری انجام دهد.

اعتماد همچنان یک مسئله‌ی محوری خواهد بود. حتی در سال ۲۰۳۵، سازمان‌ها باید اطمینان حاصل کنند که کد تولید شده به صورت خودکار ایمن است (هوش مصنوعی نباید آسیب‌پذیری ایجاد کند) و با هنجارهای قانونی/اخلاقی همسو است (به عنوان مثال، هوش مصنوعی نباید شامل کد سرقت شده از یک کتابخانه‌ی منبع باز بدون مجوز مناسب باشد). ما انتظار داریم ابزارهای مدیریت هوش مصنوعی بهبود یافته که می‌توانند منشأ کد نوشته شده توسط هوش مصنوعی را تأیید و ردیابی کنند، به فعال کردن کدنویسی خودکارتر و بدون ریسک کمک کنند.

به طور خلاصه، تا اواسط دهه 2030، هوش مصنوعی مولد احتمالاً بخش عمده‌ای از کدنویسی برای وظایف نرم‌افزاری روتین را بر عهده خواهد گرفت و به طور قابل توجهی در وظایف پیچیده کمک خواهد کرد. چرخه عمر توسعه نرم‌افزار - از الزامات تا استقرار - بسیار خودکارتر خواهد شد و هوش مصنوعی به طور بالقوه تغییرات کد را به طور خودکار ایجاد و اعمال می‌کند. توسعه‌دهندگان انسانی بیشتر بر منطق سطح بالا، تجربه کاربری و نظارت تمرکز خواهند کرد، در حالی که عوامل هوش مصنوعی جزئیات پیاده‌سازی را بررسی می‌کنند.

هوش مصنوعی مولد در خدمات و پشتیبانی مشتری

اگر اخیراً با یک چت پشتیبانی مشتری آنلاین تعامل داشته‌اید، احتمال زیادی وجود دارد که حداقل در بخشی از آن، یک هوش مصنوعی در طرف دیگر بوده باشد. خدمات مشتری حوزه‌ای مناسب برای اتوماسیون هوش مصنوعی است: این حوزه شامل پاسخ به سوالات کاربر است که هوش مصنوعی مولد (به‌ویژه مدل‌های مکالمه‌ای) می‌تواند به خوبی از عهده آن برآید و اغلب از اسکریپت‌ها یا مقالات پایگاه دانش پیروی می‌کند که هوش مصنوعی می‌تواند آنها را یاد بگیرد. هوش مصنوعی چقدر می‌تواند به‌طور مستقل با مشتریان برخورد کند؟

قابلیت‌های فعلی (۲۰۲۵): چت‌بات‌ها و عامل‌های مجازی که در خط مقدم قرار می‌گیرند

امروزه، بسیاری از سازمان‌ها، چت‌بات‌های هوش مصنوعی را به عنوان اولین نقطه تماس در خدمات مشتری به کار می‌گیرند. این چت‌بات‌ها از ربات‌های ساده مبتنی بر قانون ("برای صورتحساب عدد ۱، برای پشتیبانی عدد ۲ را فشار دهید...") تا چت‌بات‌های پیشرفته هوش مصنوعی مولد که می‌توانند سوالات آزاد را تفسیر کرده و به صورت مکالمه‌ای پاسخ دهند، متغیر هستند. نکات کلیدی:

• رسیدگی به سوالات متداول: عوامل هوش مصنوعی در پاسخ به سوالات متداول، ارائه اطلاعات (ساعات کاری فروشگاه، سیاست‌های بازپرداخت، مراحل عیب‌یابی برای مشکلات شناخته شده) و راهنمایی کاربران در طی رویه‌های استاندارد، عالی عمل می‌کنند. به عنوان مثال، یک چت‌بات هوش مصنوعی برای یک بانک می‌تواند به طور مستقل به کاربر کمک کند تا موجودی حساب خود را بررسی کند، رمز عبور را تنظیم مجدد کند یا نحوه درخواست وام را بدون کمک انسانی توضیح دهد.

• درک زبان طبیعی: مدل‌های مولد مدرن امکان تعامل روان‌تر و «شبیه انسان» را فراهم می‌کنند. مشتریان می‌توانند سوالی را با کلمات خودشان تایپ کنند و هوش مصنوعی معمولاً می‌تواند منظور را درک کند. شرکت‌ها گزارش می‌دهند که عوامل هوش مصنوعی امروزی برای مشتریان بسیار رضایت‌بخش‌تر از ربات‌های دست و پا چلفتی چند سال پیش هستند - تقریباً نیمی از مشتریان اکنون معتقدند که عوامل هوش مصنوعی می‌توانند در رسیدگی به نگرانی‌ها همدل و مؤثر باشند ( ۵۹ آمار خدمات مشتری هوش مصنوعی برای سال ۲۰۲۵ )، که نشان دهنده اعتماد روزافزون به خدمات مبتنی بر هوش مصنوعی است.

• پشتیبانی چند کاناله: هوش مصنوعی فقط در چت نیست. دستیارهای صوتی (مانند سیستم‌های تلفن گویا با هوش مصنوعی) شروع به مدیریت تماس‌ها کرده‌اند و هوش مصنوعی همچنین می‌تواند پاسخ‌های ایمیلی به سوالات مشتریان را تهیه کند که در صورت دقیق بودن، ممکن است به طور خودکار ارسال شوند.

• وقتی انسان‌ها وارد عمل می‌شوند: معمولاً اگر هوش مصنوعی گیج شود یا سوال خیلی پیچیده باشد، آن را به یک عامل انسانی واگذار می‌کند. سیستم‌های فعلی در بسیاری از موارد در شناخت محدودیت‌های خود . به عنوان مثال، اگر مشتری چیزی غیرمعمول بپرسد یا ناامیدی نشان دهد ("این سومین بار است که با شما تماس می‌گیرم و بسیار ناراحت هستم...")، هوش مصنوعی ممکن است این را برای به دست گرفتن کنترل توسط یک انسان علامت‌گذاری کند. آستانه واگذاری توسط شرکت‌ها تعیین می‌شود تا تعادلی بین کارایی و رضایت مشتری برقرار شود.

بسیاری از شرکت‌ها گزارش داده‌اند که بخش قابل توجهی از تعاملات تنها توسط هوش مصنوعی حل و فصل می‌شود. طبق بررسی‌های صنعتی، امروزه حدود ۷۰ تا ۸۰ درصد از سوالات روتین مشتریان را می‌توان توسط چت‌بات‌های هوش مصنوعی مدیریت کرد و حدود ۴۰ درصد از تعاملات مشتریان شرکت‌ها در کانال‌های مختلف، در حال حاضر خودکار یا با کمک هوش مصنوعی انجام می‌شود ( ۵۲ آمار خدمات مشتری هوش مصنوعی که باید بدانید - Plivo ). شاخص جهانی پذیرش هوش مصنوعی IBM (۲۰۲۲) نشان داد که ۸۰ درصد از شرکت‌ها یا از چت‌بات‌های هوش مصنوعی برای خدمات مشتری استفاده می‌کنند یا قصد دارند تا سال ۲۰۲۵ از آنها استفاده کنند.

یک پیشرفت جالب این است که هوش مصنوعی نه تنها به مشتریان پاسخ می‌دهد، بلکه به طور فعال به نمایندگان انسانی در زمان واقعی کمک می‌کند. به عنوان مثال، در طول یک چت یا تماس زنده، یک هوش مصنوعی ممکن است گوش دهد و پاسخ‌های پیشنهادی یا اطلاعات مرتبط را فوراً در اختیار نماینده انسانی قرار دهد. این امر مرز استقلال را محو می‌کند - هوش مصنوعی تنها با مشتری روبرو نیست، بلکه به طور فعال و بدون درخواست صریح انسانی درگیر است. این به طور مؤثر به عنوان یک مشاور مستقل برای نماینده عمل می‌کند.

چشم‌انداز ۲۰۳۰-۲۰۳۵: تعاملات مشتری عمدتاً مبتنی بر هوش مصنوعی

انتظار می‌رود تا سال ۲۰۳۰، اکثر تعاملات خدمات مشتری شامل هوش مصنوعی شود و بسیاری از آنها از ابتدا تا انتها کاملاً توسط هوش مصنوعی مدیریت شوند. پیش‌بینی‌ها و روندهای پشتیبان این موضوع عبارتند از:

• حل سوالات با پیچیدگی بالاتر: با ادغام دانش گسترده و بهبود استدلال در مدل‌های هوش مصنوعی، آنها قادر خواهند بود درخواست‌های پیچیده‌تر مشتری را مدیریت کنند. هوش مصنوعی آینده به جای پاسخ دادن صرف به «چگونه یک کالا را برگردانم؟»، ممکن است با تشخیص مشکل از طریق گفتگو، راهنمایی مشتری در عیب‌یابی پیشرفته و تنها در صورت عدم موفقیت همه موارد دیگر، با تعیین وقت ملاقات با تکنسین، مسائل چند مرحله‌ای مانند «اینترنت من قطع است، سعی کردم دستگاه را دوباره راه‌اندازی کنم، می‌توانید کمک کنید؟» را مدیریت کند. این وظایفی هستند که امروزه احتمالاً به یک تکنسین پشتیبانی انسانی نیاز دارند. در خدمات مشتریان مراقبت‌های بهداشتی، یک هوش مصنوعی ممکن است برنامه‌ریزی قرار ملاقات بیمار یا سوالات بیمه را از ابتدا تا انتها انجام دهد.

• حل مسئله از ابتدا تا انتها: ممکن است شاهد باشیم که هوش مصنوعی نه تنها به مشتری می‌گوید چه کاری انجام دهد، بلکه در واقع این کار را از طرف مشتری در سیستم‌های پشتیبان انجام دهد. به عنوان مثال، اگر مشتری بگوید: «می‌خواهم پروازم را به دوشنبه آینده تغییر دهم و یک چمدان دیگر اضافه کنم»، یک عامل هوش مصنوعی در سال ۲۰۳۰ ممکن است مستقیماً با سیستم رزرواسیون شرکت هواپیمایی ارتباط برقرار کند، تغییر را انجام دهد، پرداخت هزینه چمدان را پردازش کند و به مشتری تأیید کند - همه اینها به صورت خودکار انجام می‌شود. هوش مصنوعی به یک عامل خدمات کامل تبدیل می‌شود، نه فقط یک منبع اطلاعات.

• نمایندگان هوش مصنوعی همه جا حاضر: شرکت‌ها احتمالاً هوش مصنوعی را در تمام نقاط تماس مشتری - تلفن، چت، ایمیل، رسانه‌های اجتماعی - مستقر خواهند کرد. بسیاری از مشتریان ممکن است حتی متوجه نشوند که آیا با یک هوش مصنوعی صحبت می‌کنند یا یک انسان، به خصوص که صداهای هوش مصنوعی طبیعی‌تر می‌شوند و پاسخ‌های چت بیشتر از متن آگاه می‌شوند. تا سال ۲۰۳۵، تماس با خدمات مشتری اغلب می‌تواند به معنای تعامل با یک هوش مصنوعی هوشمند باشد که تعاملات گذشته شما را به خاطر می‌آورد، ترجیحات شما را درک می‌کند و با لحن شما سازگار می‌شود - اساساً یک نماینده مجازی شخصی برای هر مشتری.

• تصمیم‌گیری هوش مصنوعی در تعاملات: هوش مصنوعی فراتر از پاسخ دادن به سوالات، شروع به تصمیم‌گیری‌هایی خواهد کرد که در حال حاضر نیاز به تأیید مدیریتی دارند. به عنوان مثال، امروزه یک عامل انسانی ممکن است برای ارائه بازپرداخت یا تخفیف ویژه برای آرام کردن یک مشتری عصبانی به تأیید سرپرست نیاز داشته باشد. در آینده، می‌توان این تصمیمات را، در محدوده‌های تعریف‌شده، بر اساس ارزش طول عمر محاسبه‌شده مشتری و تحلیل احساسات، به یک هوش مصنوعی واگذار کرد. مطالعه‌ای توسط Futurum/IBM پیش‌بینی کرده است که تا سال ۲۰۳۰ حدود ۶۹٪ از تصمیماتی که در طول تعاملات بلادرنگ با مشتری گرفته می‌شود، توسط ماشین‌های هوشمند گرفته خواهد شد ( برای تصور مجدد تغییر به سمت تجربه مشتری، بازاریابان باید این ۲ کار را انجام دهند ) - در واقع هوش مصنوعی بهترین مسیر اقدام را در یک تعامل تعیین می‌کند.

• مشارکت ۱۰۰٪ هوش مصنوعی: هر تعامل با مشتری ( ۵۹ آمار خدمات مشتری هوش مصنوعی برای سال ۲۰۲۵ نقشی ایفا خواهد کرد . این می‌تواند به این معنی باشد که حتی اگر یک انسان با مشتری در تعامل باشد، توسط هوش مصنوعی (ارائه پیشنهادات، بازیابی اطلاعات) کمک خواهد شد. از طرف دیگر، تفسیر این است که هیچ سؤال مشتری در هیچ زمانی بدون پاسخ نمی‌ماند - اگر انسان‌ها آفلاین باشند، هوش مصنوعی همیشه آنجاست.

تا سال ۲۰۳۵، ممکن است شاهد باشیم که کارشناسان خدمات مشتریان انسانی فقط برای حساس‌ترین یا پرتماس‌ترین سناریوها (مثلاً مشتریان VIP یا حل شکایات پیچیده که نیاز به همدلی انسانی دارند) تخصص پیدا کرده‌اند. پرسش‌های معمولی - از بانکداری گرفته تا خرده‌فروشی و پشتیبانی فنی - می‌توانند توسط ناوگانی از کارشناسان هوش مصنوعی که ۲۴ ساعته و ۷ روز هفته کار می‌کنند و به طور مداوم از هر تعامل یاد می‌گیرند، پاسخ داده شوند. این تغییر می‌تواند خدمات مشتری را منسجم‌تر و فوری‌تر کند، زیرا هوش مصنوعی افراد را منتظر نگه نمی‌دارد و از نظر تئوری می‌تواند چندوظیفگی را برای رسیدگی همزمان به تعداد نامحدودی از مشتریان انجام دهد.

برای رسیدن به این چشم‌انداز، چالش‌هایی وجود دارد که باید بر آنها غلبه کرد: هوش مصنوعی باید بسیار قوی باشد تا بتواند غیرقابل پیش‌بینی بودن مشتریان انسانی را مدیریت کند. باید بتواند با اصطلاحات عامیانه، عصبانیت، سردرگمی و تنوع بی‌پایان روش‌های ارتباطی افراد کنار بیاید. همچنین به دانش به‌روز نیاز دارد (اگر اطلاعات هوش مصنوعی قدیمی باشد، فایده‌ای ندارد). با سرمایه‌گذاری در ادغام بین هوش مصنوعی و پایگاه‌های داده شرکت (برای اطلاعات بلادرنگ در مورد سفارشات، قطعی‌ها و غیره)، می‌توان این موانع را برطرف کرد.

از نظر اخلاقی، شرکت‌ها باید تصمیم بگیرند که چه زمانی «شما با یک هوش مصنوعی صحبت می‌کنید» را فاش کنند و از انصاف اطمینان حاصل کنند (هوش مصنوعی به دلیل آموزش مغرضانه با برخی از مشتریان به طور متفاوت و منفی رفتار نمی‌کند). با فرض اینکه این موارد مدیریت شوند، توجیه تجاری قوی است: خدمات مشتری هوش مصنوعی می‌تواند هزینه‌ها و زمان انتظار را به طور چشمگیری کاهش دهد. پیش‌بینی می‌شود که بازار هوش مصنوعی در خدمات مشتری تا سال 2030 به ده‌ها میلیارد دلار افزایش یابد ( گزارش بازار هوش مصنوعی در خدمات مشتری 2025-2030: مورد ) ( چگونه هوش مصنوعی مولد، لجستیک را تقویت می‌کند | رایدر ) زیرا سازمان‌ها در این قابلیت‌ها سرمایه‌گذاری می‌کنند.

به طور خلاصه، انتظار آینده‌ای را داشته باشید که در آن خدمات مشتری هوش مصنوعی مستقل به امری عادی تبدیل شود . دریافت کمک اغلب به معنای تعامل با یک ماشین هوشمند است که می‌تواند مشکل شما را به سرعت حل کند. انسان‌ها همچنان در حلقه نظارت و رسیدگی به موارد خاص خواهند بود، اما بیشتر به عنوان سرپرستان نیروی کار هوش مصنوعی. نتیجه می‌تواند خدمات سریع‌تر و شخصی‌سازی‌شده‌تر برای مصرف‌کنندگان باشد - البته تا زمانی که هوش مصنوعی به درستی آموزش دیده و نظارت شود تا از ناامیدی‌های تجربیات «خط تلفن ربات» گذشته جلوگیری شود.

هوش مصنوعی مولد در مراقبت‌های بهداشتی و پزشکی

مراقبت‌های بهداشتی حوزه‌ای است که ریسک بالایی دارد. ایده‌ی عملکرد هوش مصنوعی بدون نظارت انسان در پزشکی، هم هیجان (به دلیل کارایی و دسترسی) و هم احتیاط (به دلایل ایمنی و همدلی) را برمی‌انگیزد. هوش مصنوعی مولد (Generative AI) در حوزه‌هایی مانند تجزیه و تحلیل تصویربرداری پزشکی، مستندسازی بالینی و حتی کشف دارو، شروع به پیشروی کرده است. این هوش مصنوعی به تنهایی چه کارهایی را می‌تواند مسئولانه انجام دهد؟

قابلیت‌های فعلی (۲۰۲۵): کمک به پزشکان، نه جایگزینی آنها

در حال حاضر، هوش مصنوعی مولد در مراقبت‌های بهداشتی در درجه اول به عنوان یک دستیار قدرتمند برای متخصصان پزشکی عمل می‌کند، نه یک تصمیم‌گیرنده مستقل. به عنوان مثال:

• مستندات پزشکی: یکی از موفق‌ترین کاربردهای هوش مصنوعی در مراقبت‌های بهداشتی، کمک به پزشکان در انجام کارهای اداری است. مدل‌های زبان طبیعی می‌توانند ویزیت‌های بیمار را رونویسی کرده و یادداشت‌های بالینی یا خلاصه‌های ترخیص را تولید کنند. شرکت‌ها «کاتبان هوش مصنوعی» دارند که در طول معاینه (از طریق میکروفون) گوش می‌دهند و به طور خودکار پیش‌نویس یادداشت‌های ملاقات را برای بررسی پزشک تهیه می‌کنند. این امر باعث صرفه‌جویی در زمان تایپ پزشکان می‌شود. برخی از سیستم‌ها حتی بخش‌هایی از پرونده‌های الکترونیکی سلامت را به صورت خودکار پر می‌کنند. این کار را می‌توان با حداقل مداخله انجام داد - پزشک فقط هرگونه خطای کوچک در پیش‌نویس را اصلاح می‌کند، به این معنی که نوشتن یادداشت تا حد زیادی خودکار است.

• رادیولوژی و تصویربرداری: هوش مصنوعی، از جمله مدل‌های مولد، می‌تواند تصاویر اشعه ایکس، ام‌آر‌آی و سی‌تی‌اسکن را برای تشخیص ناهنجاری‌ها (مانند تومورها یا شکستگی‌ها) تجزیه و تحلیل کند. در سال ۲۰۱۸، سازمان غذا و داروی آمریکا (FDA) یک سیستم هوش مصنوعی را برای تشخیص خودکار رتینوپاتی دیابتی (یک بیماری چشمی) در تصاویر شبکیه تأیید کرد - به ویژه، این سیستم مجاز بود بدون بررسی متخصص در آن زمینه غربالگری خاص، تصمیم بگیرد. آن سیستم هوش مصنوعی مولد نبود، اما نشان می‌دهد که تنظیم‌کننده‌ها در موارد محدود اجازه تشخیص خودکار هوش مصنوعی را داده‌اند. مدل‌های مولد برای ایجاد گزارش‌های جامع وارد عمل می‌شوند. به عنوان مثال، یک هوش مصنوعی ممکن است عکس قفسه سینه را بررسی کند و گزارش رادیولوژیست را با این مضمون تهیه کند: "هیچ یافته حادی وجود ندارد. ریه‌ها سالم هستند. اندازه قلب طبیعی است." سپس رادیولوژیست فقط تأیید و امضا می‌کند. در برخی موارد معمول، اگر رادیولوژیست به هوش مصنوعی اعتماد کند و فقط یک بررسی سریع انجام دهد، این گزارش‌ها می‌توانند بدون ویرایش ارائه شوند.

• بررسی‌کننده‌های علائم و پرستاران مجازی: چت‌بات‌های هوش مصنوعی مولد به عنوان بررسی‌کننده‌های علائم خط مقدم استفاده می‌شوند. بیماران می‌توانند علائم خود را وارد کرده و توصیه دریافت کنند (مثلاً «ممکن است سرماخوردگی معمولی باشد؛ استراحت کنید و مایعات بنوشید، اما اگر X یا Y رخ داد به پزشک مراجعه کنید.»). برنامه‌هایی مانند Babylon Health از هوش مصنوعی برای ارائه توصیه‌ها استفاده می‌کنند. در حال حاضر، این توصیه‌ها معمولاً به عنوان توصیه‌های اطلاعاتی و نه قطعی پزشکی ارائه می‌شوند و در صورت بروز مشکلات جدی، بیمار را به مراجعه به پزشک انسانی تشویق می‌کنند.

• کشف دارو (شیمی مولد): مدل‌های هوش مصنوعی مولد می‌توانند ساختارهای مولکولی جدیدی برای داروها پیشنهاد دهند. این بیشتر در حوزه تحقیقات است تا مراقبت از بیمار. این هوش‌های مصنوعی به طور خودکار هزاران ترکیب کاندید با خواص مطلوب را پیشنهاد می‌دهند که سپس شیمیدانان انسانی آنها را در آزمایشگاه بررسی و آزمایش می‌کنند. شرکت‌هایی مانند Insilico Medicine از هوش مصنوعی برای تولید کاندیداهای دارویی جدید در زمان بسیار کمتری استفاده کرده‌اند. اگرچه این روش مستقیماً با بیماران تعامل ندارد، اما نمونه‌ای از ایجاد خودکار راه‌حل‌ها (طرح‌های مولکولی) توسط هوش مصنوعی است که یافتن آنها برای انسان‌ها بسیار بیشتر طول می‌کشید.

• عملیات مراقبت‌های بهداشتی: هوش مصنوعی به بهینه‌سازی برنامه‌ریزی، مدیریت تأمین و سایر تدارکات در بیمارستان‌ها کمک می‌کند. به عنوان مثال، یک مدل مولد ممکن است جریان بیمار را شبیه‌سازی کند و تنظیمات برنامه‌ریزی را برای کاهش زمان انتظار پیشنهاد دهد. اگرچه به این اندازه قابل مشاهده نیست، اما اینها تصمیماتی هستند که یک هوش مصنوعی می‌تواند با حداقل تغییرات دستی اتخاذ کند.

لازم به ذکر است که از سال ۲۰۲۵، هیچ بیمارستانی اجازه نمی‌دهد هوش مصنوعی به طور مستقل و بدون تایید انسان، تصمیمات پزشکی یا درمان‌های مهم را اتخاذ کند. تشخیص و برنامه‌ریزی درمان همچنان در دستان انسان باقی می‌ماند و هوش مصنوعی اطلاعات لازم را ارائه می‌دهد. اعتماد لازم برای اینکه یک هوش مصنوعی بتواند به طور کاملاً مستقل به بیمار بگوید "شما سرطان دارید" یا دارو تجویز کند، هنوز وجود ندارد و بدون اعتبارسنجی گسترده نیز نباید وجود داشته باشد. متخصصان پزشکی از هوش مصنوعی به عنوان یک جفت چشم دوم یا به عنوان ابزاری برای صرفه‌جویی در زمان استفاده می‌کنند، اما خروجی‌های حیاتی را تأیید می‌کنند.

چشم‌انداز ۲۰۳۰-۲۰۳۵: هوش مصنوعی به عنوان همکار پزشک (و شاید یک پرستار یا داروساز)

در دهه آینده، انتظار داریم هوش مصنوعی مولد، وظایف بالینی روتین‌تری را به صورت خودکار انجام دهد و دسترسی به خدمات مراقبت‌های بهداشتی را افزایش دهد:

• تشخیص‌های اولیه خودکار: تا سال ۲۰۳۰، هوش مصنوعی می‌تواند به طور قابل اعتمادی تجزیه و تحلیل اولیه بسیاری از بیماری‌های رایج را انجام دهد. یک سیستم هوش مصنوعی را در یک کلینیک تصور کنید که علائم، سابقه پزشکی، حتی لحن و نشانه‌های چهره بیمار را از طریق دوربین می‌خواند و یک پیشنهاد تشخیصی و آزمایش‌های توصیه شده ارائه می‌دهد - همه اینها قبل از اینکه پزشک انسانی حتی بیمار را ببیند. سپس پزشک می‌تواند بر تأیید و بحث در مورد تشخیص تمرکز کند. در پزشکی از راه دور، بیمار ممکن است ابتدا با یک هوش مصنوعی چت کند که موضوع را محدودتر می‌کند (مثلاً عفونت احتمالی سینوس در مقابل چیزی شدیدتر) و سپس در صورت نیاز او را به پزشک متصل می‌کند. در صورت اثبات دقت بسیار بالا، ممکن است نهادهای نظارتی به هوش مصنوعی اجازه دهند تا به طور رسمی تشخیص دهد - به عنوان مثال، تشخیص عفونت گوش ساده توسط هوش مصنوعی از روی تصویر اتوسکوپ می‌تواند امکان‌پذیر باشد.

• پایشگرهای سلامت شخصی: با گسترش پوشیدنی‌ها (ساعت‌های هوشمند، حسگرهای سلامت)، هوش مصنوعی به طور مداوم بیماران را رصد می‌کند و به طور خودکار در مورد مشکلات هشدار می‌دهد. به عنوان مثال، تا سال ۲۰۳۵، هوش مصنوعی پوشیدنی شما ممکن است ریتم غیرطبیعی قلب را تشخیص دهد و به طور خودکار برای شما یک مشاوره مجازی فوری برنامه‌ریزی کند یا حتی در صورت تشخیص علائم حمله قلبی یا سکته مغزی، با آمبولانس تماس بگیرد. این امر به حوزه تصمیم‌گیری خودکار - تصمیم‌گیری در مورد اضطراری بودن یک وضعیت و اقدام - وارد می‌شود که یک کاربرد احتمالی و نجات‌بخش هوش مصنوعی است.

• توصیه‌های درمانی: هوش مصنوعی مولد که بر اساس متون پزشکی و داده‌های بیمار آموزش دیده است، ممکن است برنامه‌های درمانی شخصی‌سازی‌شده‌ای را پیشنهاد دهد. تا سال ۲۰۳۰، برای بیماری‌های پیچیده‌ای مانند سرطان، بوردهای تومور هوش مصنوعی می‌توانند ساختار ژنتیکی و سابقه پزشکی بیمار را تجزیه و تحلیل کرده و به طور خودکار یک رژیم درمانی توصیه‌شده (برنامه شیمی‌درمانی، انتخاب دارو) را تهیه کنند. پزشکان انسانی آن را بررسی می‌کنند، اما با گذشت زمان و با افزایش اعتماد به نفس، ممکن است برنامه‌های تولید شده توسط هوش مصنوعی را به ویژه برای موارد معمول بپذیرند و فقط در صورت نیاز آنها را تنظیم کنند.

• پرستاران مجازی و مراقبت در منزل: یک هوش مصنوعی که می‌تواند صحبت کند و راهنمایی‌های پزشکی ارائه دهد، می‌تواند بسیاری از پیگیری‌ها و نظارت بر مراقبت‌های مزمن را انجام دهد. به عنوان مثال، بیمارانی که در خانه با بیماری‌های مزمن هستند می‌توانند معیارهای روزانه را به یک دستیار پرستار هوش مصنوعی گزارش دهند که توصیه‌هایی ارائه می‌دهد ("قند خون شما کمی بالاست، تنظیم میان وعده عصرانه خود را در نظر بگیرید") و فقط زمانی که مقادیر از محدوده خارج می‌شوند یا مشکلی پیش می‌آید، به یک پرستار انسانی متصل می‌شود. این هوش مصنوعی می‌تواند تا حد زیادی به صورت خودکار تحت نظارت از راه دور پزشک عمل کند.

• تصویربرداری پزشکی و تجزیه و تحلیل آزمایشگاهی - خطوط لوله کاملاً خودکار: تا سال 2035، خواندن اسکن‌های پزشکی ممکن است در برخی زمینه‌ها عمدتاً توسط هوش مصنوعی انجام شود. رادیولوژیست‌ها بر سیستم‌های هوش مصنوعی نظارت خواهند داشت و موارد پیچیده را مدیریت می‌کنند، اما اکثر اسکن‌های معمولی (که در واقع معمولی هستند) می‌توانند مستقیماً توسط یک هوش مصنوعی "خوانده" و تأیید شوند. به طور مشابه، تجزیه و تحلیل اسلایدهای پاتولوژی (به عنوان مثال، تشخیص سلول‌های سرطانی در بیوپسی) می‌تواند به صورت خودکار برای غربالگری اولیه انجام شود و نتایج آزمایشگاهی را به طرز چشمگیری سرعت بخشد.

• کشف دارو و آزمایش‌های بالینی: هوش مصنوعی احتمالاً نه تنها مولکول‌های دارو را طراحی خواهد کرد، بلکه داده‌های مصنوعی بیمار را برای آزمایش‌ها تولید می‌کند یا کاندیداهای بهینه آزمایش را پیدا می‌کند. این فناوری ممکن است به طور خودکار آزمایش‌های مجازی (شبیه‌سازی واکنش بیماران) را اجرا کند تا گزینه‌ها را قبل از آزمایش‌های واقعی محدود کند. این امر می‌تواند داروها را سریع‌تر و با آزمایش‌های انسانی کمتر به بازار عرضه کند.

چشم‌انداز پزشک هوش مصنوعی با پزشک انسانی هنوز بسیار دور از دسترس و بحث‌برانگیز است. حتی تا سال ۲۰۳۵، انتظار می‌رود که هوش مصنوعی به عنوان همکار پزشکان عمل کند، نه جایگزینی برای تماس انسانی. تشخیص‌های پیچیده اغلب نیاز به شهود، اخلاق و گفتگو برای درک زمینه بیمار دارند - حوزه‌هایی که پزشکان انسانی در آنها برتری دارند. با این حال، یک هوش مصنوعی ممکن است مثلاً ۸۰٪ از حجم کار معمول را انجام دهد: کاغذبازی، موارد ساده، نظارت و غیره، و به پزشکان انسانی اجازه دهد تا روی ۲۰٪ دشوار و روابط بیمار تمرکز کنند.

موانع قابل توجهی وجود دارد: تصویب مقررات برای هوش مصنوعی مستقل در مراقبت‌های بهداشتی بسیار سختگیرانه است (که به طور مناسب نیز همینطور است). سیستم‌های هوش مصنوعی به اعتبارسنجی بالینی گسترده‌ای نیاز خواهند داشت. ممکن است شاهد پذیرش تدریجی باشیم - به عنوان مثال، به هوش مصنوعی اجازه داده می‌شود تا به طور مستقل در مناطق محروم که هیچ پزشکی در دسترس نیست، تشخیص یا درمان انجام دهد، به عنوان راهی برای گسترش دسترسی به مراقبت‌های بهداشتی (تصور کنید تا سال 2030 یک "کلینیک هوش مصنوعی" در یک روستای دورافتاده ایجاد شود که با نظارت دوره‌ای از راه دور توسط یک پزشک در شهر فعالیت می‌کند).

ملاحظات اخلاقی اهمیت زیادی دارند. پاسخگویی (اگر یک هوش مصنوعی مستقل در تشخیص اشتباه کند، چه کسی مسئول است؟)، رضایت آگاهانه (بیماران باید بدانند که آیا هوش مصنوعی در مراقبت از آنها دخیل است یا خیر) و تضمین عدالت (هوش مصنوعی برای همه جمعیت‌ها به خوبی کار می‌کند و از تعصب جلوگیری می‌کند) چالش‌هایی هستند که باید با آنها روبرو شد. با فرض اینکه این موارد برطرف شوند، تا اواسط دهه 2030، هوش مصنوعی مولد می‌تواند در تار و پود ارائه خدمات درمانی تنیده شود و بسیاری از وظایف را انجام دهد که ارائه دهندگان خدمات انسانی را آزاد می‌کند و به طور بالقوه به بیمارانی که در حال حاضر دسترسی محدودی دارند، دسترسی پیدا کند.

به طور خلاصه، تا سال ۲۰۳۵، احتمالاً هوش مصنوعی عمیقاً در مراقبت‌های بهداشتی ادغام خواهد شد، اما بیشتر در زیر کاپوت یا در نقش‌های حمایتی. ما به هوش مصنوعی اعتماد خواهیم کرد تا بسیاری از کارها را به تنهایی انجام دهد - اسکن‌ها را بخواند، علائم حیاتی را بررسی کند، طرح‌ها را تهیه کند - اما همچنان یک شبکه ایمنی از نظارت انسانی برای تصمیمات حیاتی وجود خواهد داشت. نتیجه می‌تواند یک سیستم مراقبت‌های بهداشتی کارآمدتر و پاسخگوتر باشد، جایی که هوش مصنوعی کارهای سنگین را انجام می‌دهد و انسان‌ها همدلی و قضاوت نهایی را ارائه می‌دهند.

هوش مصنوعی مولد در آموزش

آموزش یکی دیگر از حوزه‌هایی است که هوش مصنوعی مولد در آن موج می‌آفریند، از ربات‌های آموزشی مبتنی بر هوش مصنوعی گرفته تا نمره‌دهی خودکار و تولید محتوا. آموزش و یادگیری شامل ارتباط و خلاقیت است که از نقاط قوت مدل‌های مولد هستند. اما آیا می‌توان به هوش مصنوعی برای آموزش بدون نظارت معلم اعتماد کرد؟

قابلیت‌های فعلی (۲۰۲۵): مدرسان و تولیدکنندگان محتوا در دسترس

در حال حاضر، هوش مصنوعی در آموزش و پرورش عمدتاً به عنوان یک ابزار مکمل و نه یک معلم مستقل مورد استفاده قرار می‌گیرد. نمونه‌هایی از کاربردهای فعلی:

• دستیاران تدریس هوش مصنوعی: ابزارهایی مانند «خانمیگو» (که توسط GPT-4 پشتیبانی می‌شود) از آکادمی خان یا برنامه‌های مختلف یادگیری زبان از هوش مصنوعی برای شبیه‌سازی یک معلم خصوصی یا شریک مکالمه‌ای تک نفره استفاده می‌کنند. دانش‌آموزان می‌توانند به زبان طبیعی سؤال بپرسند و پاسخ یا توضیح دریافت کنند. هوش مصنوعی می‌تواند نکاتی را برای مشکلات تکالیف ارائه دهد، مفاهیم را به روش‌های مختلف توضیح دهد یا حتی به عنوان یک شخصیت تاریخی برای یک درس تاریخ تعاملی نقش‌آفرینی کند. با این حال، این معلمان هوش مصنوعی معمولاً با نظارت استفاده می‌شوند. معلمان یا مدیران برنامه اغلب گفتگوها را نظارت می‌کنند یا مرزهایی را برای آنچه هوش مصنوعی می‌تواند بحث کند (برای جلوگیری از اطلاعات نادرست یا محتوای نامناسب) تعیین می‌کنند.

• تولید محتوا برای معلمان: هوش مصنوعی مولد با ایجاد سوالات آزمون، خلاصه مطالب خوانده شده، طرح کلی درس و غیره به معلمان کمک می‌کند. یک معلم ممکن است از یک هوش مصنوعی بخواهد: «۵ مسئله تمرینی در مورد معادلات درجه دوم به همراه پاسخ‌ها ایجاد کن» و در زمان آماده‌سازی صرفه‌جویی کند. این یک تولید محتوای خودکار است، اما یک معلم معمولاً خروجی را از نظر دقت و همسویی با برنامه درسی بررسی می‌کند. بنابراین، این بیشتر یک وسیله صرفه‌جویی در کار است تا یک وسیله کاملاً مستقل.

• نمره‌دهی و بازخورد: هوش مصنوعی می‌تواند به طور خودکار به امتحانات چندگزینه‌ای نمره بدهد (چیز جدیدی نیست) و به طور فزاینده‌ای می‌تواند پاسخ‌های کوتاه یا انشاها را ارزیابی کند. برخی از سیستم‌های مدرسه از هوش مصنوعی برای نمره‌دهی به پاسخ‌های کتبی و ارائه بازخورد به دانش‌آموزان استفاده می‌کنند (مثلاً اصلاحات دستوری، پیشنهادهایی برای بسط یک استدلال). اگرچه هوش مصنوعی جدید به خودی خود یک کار تولیدی نیست، اما حتی می‌تواند ایجاد کند و زمینه‌های بهبود را برجسته کند. معلمان اغلب در این مرحله به دلیل نگرانی در مورد نکات ظریف، انشاهای نمره‌دهی شده توسط هوش مصنوعی را دوباره بررسی می‌کنند.

• سیستم‌های یادگیری تطبیقی: اینها پلتفرم‌هایی هستند که سختی یا سبک مطالب را بر اساس عملکرد دانش‌آموز تنظیم می‌کنند. هوش مصنوعی مولد با ایجاد مسائل یا مثال‌های جدید متناسب با نیازهای دانش‌آموز، این امر را بهبود می‌بخشد. به عنوان مثال، اگر دانش‌آموزی با یک مفهوم مشکل دارد، هوش مصنوعی ممکن است یک قیاس یا سوال تمرینی دیگر با تمرکز بر آن مفهوم ایجاد کند. این تا حدودی مستقل است، اما در سیستمی که توسط مربیان طراحی شده است.

• استفاده دانش‌آموزان برای یادگیری: دانش‌آموزان خودشان از ابزارهایی مانند ChatGPT برای کمک به یادگیری استفاده می‌کنند - درخواست توضیحات، ترجمه یا حتی استفاده از هوش مصنوعی برای دریافت بازخورد در مورد پیش‌نویس مقاله ("بهبود پاراگراف مقدمه من"). این کار خودآموز است و می‌تواند بدون اطلاع معلم انجام شود. هوش مصنوعی در این سناریو به عنوان یک معلم یا مصحح در صورت تقاضا عمل می‌کند. چالش این است که اطمینان حاصل شود دانش‌آموزان از آن برای یادگیری استفاده می‌کنند نه فقط برای دریافت پاسخ (صداقت تحصیلی).

واضح است که تا سال ۲۰۲۵، هوش مصنوعی در آموزش قدرتمند است، اما معمولاً با یک مربی انسانی در حلقه‌ای که مشارکت‌های هوش مصنوعی را تنظیم می‌کند، فعالیت می‌کند. احتیاط قابل درکی وجود دارد: ما نمی‌خواهیم به یک هوش مصنوعی اعتماد کنیم تا اطلاعات نادرست را آموزش دهد یا تعاملات حساس دانش‌آموزان را در خلاء مدیریت کند. معلمان، مربیان هوش مصنوعی را به عنوان دستیاران مفیدی می‌بینند که می‌توانند تمرین بیشتری به دانش‌آموزان بدهند و پاسخ‌های فوری به سوالات معمول بدهند و معلمان را آزاد کنند تا بر مربیگری عمیق‌تر تمرکز کنند.

چشم‌انداز ۲۰۳۰-۲۰۳۵: معلمان خصوصی هوش مصنوعی و دستیاران آموزشی خودکار

در دهه آینده، پیش‌بینی می‌کنیم که هوش مصنوعی مولد، تجربیات یادگیری شخصی‌تر و مستقل‌تری ، در حالی که نقش معلمان تکامل می‌یابد:

• معلمان خصوصی هوش مصنوعی برای هر دانش‌آموز: تا سال ۲۰۳۰، چشم‌انداز (که توسط متخصصانی مانند سال خان از آکادمی خان به اشتراک گذاشته شده است) این است که هر دانش‌آموز بتواند به یک معلم هوش مصنوعی دسترسی داشته باشد که از بسیاری جهات به اندازه یک معلم انسانی مؤثر باشد ( خالق آن می‌گوید این معلم هوش مصنوعی می‌تواند انسان‌ها را ۱۰ برابر باهوش‌تر کند ). این معلمان هوش مصنوعی ۲۴ ساعته و ۷ روز هفته در دسترس خواهند بود، تاریخچه یادگیری دانش‌آموز را به طور دقیق می‌دانند و سبک تدریس خود را بر اساس آن تطبیق می‌دهند. به عنوان مثال، اگر دانش‌آموزی یک یادگیرنده بصری است که با یک مفهوم جبر مشکل دارد، هوش مصنوعی ممکن است به صورت پویا یک توضیح بصری یا شبیه‌سازی تعاملی برای کمک به او ایجاد کند. از آنجا که هوش مصنوعی می‌تواند پیشرفت دانش‌آموز را در طول زمان پیگیری کند، می‌تواند به طور مستقل تصمیم بگیرد که چه موضوعی را در مرحله بعد مرور کند یا چه زمانی به یک مهارت جدید بپردازد - و به طور مؤثر برنامه درسی را برای آن دانش‌آموز به معنای خرد مدیریت کند.

• کاهش حجم کار معلم در وظایف روتین: نمره‌دهی، تهیه برگه‌های تمرین، تهیه پیش‌نویس مطالب درسی - این وظایف می‌توانند تقریباً به طور کامل تا دهه ۲۰۳۰ به هوش مصنوعی واگذار شوند. یک هوش مصنوعی می‌تواند تکالیف سفارشی یک هفته را برای یک کلاس ایجاد کند، تمام تکالیف هفته گذشته (حتی تکالیف باز) را با بازخورد تصحیح کند و برای معلم مشخص کند که کدام دانش‌آموزان ممکن است در مورد کدام مباحث به کمک بیشتری نیاز داشته باشند. این می‌تواند با حداقل دخالت معلم اتفاق بیفتد، شاید فقط یک نگاه سریع برای اطمینان از منصفانه بودن نمرات هوش مصنوعی.

• پلتفرم‌های یادگیری تطبیقی ​​خودکار: ممکن است شاهد دوره‌های کاملاً مبتنی بر هوش مصنوعی برای موضوعات خاص باشیم. یک دوره آنلاین بدون مربی انسانی را تصور کنید که در آن یک عامل هوش مصنوعی مطالب را معرفی می‌کند، مثال‌هایی ارائه می‌دهد، به سؤالات پاسخ می‌دهد و سرعت را بر اساس دانش‌آموز تنظیم می‌کند. تجربه دانش‌آموز می‌تواند منحصر به فرد باشد و به صورت بلادرنگ تولید شود. برخی از آموزش‌های شرکتی و آموزش بزرگسالان ممکن است زودتر به این مدل منتقل شوند، جایی که تا سال ۲۰۳۵ یک کارمند می‌تواند بگوید: «من می‌خواهم ماکروهای پیشرفته اکسل را یاد بگیرم» و یک معلم هوش مصنوعی از طریق یک برنامه درسی شخصی‌سازی شده، از جمله ایجاد تمرین‌ها و ارزیابی راه‌حل‌های آنها، بدون مربی انسانی به آنها آموزش می‌دهد.

• دستیاران هوش مصنوعی کلاس درس: در کلاس‌های درس فیزیکی یا مجازی، هوش مصنوعی می‌تواند به بحث‌های کلاس گوش دهد و در حین کار به معلم کمک کند (مثلاً از طریق هدفون پیشنهادهایی را زمزمه کند: «به نظر می‌رسد چندین دانش‌آموز در مورد آن مفهوم گیج شده‌اند، شاید بهتر باشد مثال دیگری بزنید»). همچنین می‌تواند انجمن‌های کلاس آنلاین را مدیریت کند، به سؤالات ساده‌ای که دانش‌آموزان می‌پرسند پاسخ دهد («زمان تحویل تکلیف چه زمانی است؟» یا حتی نکته‌ای از سخنرانی را روشن کند) تا معلم با ایمیل‌ها بمباران نشود. تا سال ۲۰۳۵، داشتن یک معلم کمکی هوش مصنوعی در کلاس، در حالی که معلم انسانی بر راهنمایی سطح بالاتر و جنبه‌های انگیزشی تمرکز می‌کند، می‌تواند استاندارد باشد.

• دسترسی جهانی به آموزش: معلمان هوش مصنوعی مستقل می‌توانند به آموزش دانش‌آموزان در مناطقی که کمبود معلم دارند، کمک کنند. یک تبلت با یک معلم هوش مصنوعی می‌تواند به عنوان یک مربی اصلی برای دانش‌آموزانی که در غیر این صورت تحصیلات محدودی دارند، عمل کند و سواد پایه و ریاضی را پوشش دهد. تا سال ۲۰۳۵، این ممکن است یکی از تأثیرگذارترین کاربردها باشد - هوش مصنوعی شکاف‌هایی را که معلمان انسانی در دسترس نیستند، پر می‌کند. با این حال، اطمینان از کیفیت و تناسب فرهنگی آموزش هوش مصنوعی در زمینه‌های مختلف حیاتی خواهد بود.

آیا هوش مصنوعی جایگزین معلمان خواهد شد؟ بعید است که به طور کامل جایگزین شود. تدریس چیزی بیش از ارائه محتوا است - این شامل راهنمایی، الهام‌بخشی، حمایت اجتماعی-عاطفی است. تکرار این عناصر انسانی برای هوش مصنوعی دشوار است. اما هوش مصنوعی می‌تواند به معلم دوم در کلاس درس یا حتی معلم اول برای انتقال دانش تبدیل شود و مربیان انسانی را بر آنچه انسان‌ها در آن بهترین هستند متمرکز کند: همدلی، ایجاد انگیزه و پرورش تفکر انتقادی.

نگرانی‌هایی وجود دارد که باید مدیریت شوند: اطمینان از اینکه هوش مصنوعی اطلاعات دقیقی ارائه می‌دهد (بدون توهمات آموزشی از حقایق نادرست)، اجتناب از تعصب در محتوای آموزشی، حفظ حریم خصوصی داده‌های دانش‌آموزان و درگیر نگه داشتن دانش‌آموزان (هوش مصنوعی باید انگیزه‌بخش باشد، نه فقط درست). احتمالاً شاهد اعتباربخشی یا صدور گواهینامه برای سیستم‌های آموزشی هوش مصنوعی - شبیه به تأیید کتاب‌های درسی - خواهیم بود تا از مطابقت آنها با استانداردها اطمینان حاصل شود.

چالش دیگر، اتکای بیش از حد است: اگر یک معلم هوش مصنوعی خیلی راحت پاسخ دهد، ممکن است دانش‌آموزان پشتکار یا حل مسئله را یاد نگیرند. برای کاهش این مشکل، معلمان هوش مصنوعی آینده ممکن است طوری طراحی شوند که گاهی اوقات به دانش‌آموزان اجازه دهند (مانند یک معلم انسانی) تقلا کنند یا آنها را تشویق کنند که به جای ارائه راه‌حل، با نکات، مسائل را حل کنند.

تا سال ۲۰۳۵، کلاس درس ممکن است متحول شود: هر دانش‌آموز با یک دستگاه متصل به هوش مصنوعی، او را با سرعت خودش راهنمایی می‌کند، در حالی که معلم فعالیت‌های گروهی را هماهنگ می‌کند و بینش انسانی ارائه می‌دهد. آموزش می‌تواند کارآمدتر و متناسب‌تر شود. وعده این است که هر دانش‌آموز در زمان نیاز، کمکی را که نیاز دارد دریافت کند - یک تجربه واقعی "معلم شخصی" در مقیاس بزرگ. خطر از دست دادن بخشی از تماس انسانی یا سوءاستفاده از هوش مصنوعی (مانند تقلب دانش‌آموزان از طریق هوش مصنوعی) وجود دارد. اما در کل، اگر به خوبی مدیریت شود، هوش مصنوعی مولد با تبدیل شدن به یک همراه همیشه در دسترس و آگاه در سفر آموزشی دانش‌آموز، یادگیری را دموکراتیک و بهبود می‌بخشد.

هوش مصنوعی مولد در لجستیک و زنجیره تامین

لجستیک - هنر و علم جابجایی کالاها و مدیریت زنجیره‌های تأمین - ممکن است به عنوان یک حوزه سنتی برای هوش مصنوعی "مولد" به نظر نرسد، اما حل مسئله خلاقانه و برنامه‌ریزی در این زمینه کلیدی هستند. هوش مصنوعی مولد می‌تواند با شبیه‌سازی سناریوها، بهینه‌سازی برنامه‌ها و حتی کنترل سیستم‌های رباتیک کمک کند. هدف در لجستیک، کارایی و صرفه‌جویی در هزینه است که به خوبی با نقاط قوت هوش مصنوعی در تجزیه و تحلیل داده‌ها و ارائه راه‌حل‌ها همسو است. بنابراین هوش مصنوعی چگونه می‌تواند در اجرای زنجیره‌های تأمین و عملیات لجستیک به صورت خودکار عمل کند؟

قابلیت‌های فعلی (۲۰۲۵): بهینه‌سازی و ساده‌سازی با نظارت انسانی

امروزه، هوش مصنوعی (از جمله برخی رویکردهای تولیدی) در لجستیک عمدتاً به عنوان یک ابزار پشتیبانی تصمیم‌گیری :

• بهینه‌سازی مسیر: شرکت‌هایی مانند UPS و FedEx در حال حاضر از الگوریتم‌های هوش مصنوعی برای بهینه‌سازی مسیرهای تحویل استفاده می‌کنند - تضمین می‌کنند که رانندگان کارآمدترین مسیر را انتخاب می‌کنند. به طور سنتی، این الگوریتم‌ها الگوریتم‌های تحقیق در عملیات بودند، اما اکنون رویکردهای مولد می‌توانند به بررسی استراتژی‌های مسیریابی جایگزین در شرایط مختلف (ترافیک، آب و هوا) کمک کنند. در حالی که هوش مصنوعی مسیرها را پیشنهاد می‌دهد، توزیع‌کنندگان یا مدیران انسانی پارامترها (مثلاً اولویت‌ها) را تعیین می‌کنند و در صورت نیاز می‌توانند آنها را نادیده بگیرند.

• برنامه‌ریزی بار و فضا: برای بسته‌بندی کامیون‌ها یا کانتینرهای حمل و نقل، هوش مصنوعی می‌تواند برنامه‌های بارگیری بهینه (کدام جعبه به کجا می‌رود) تولید کند. یک هوش مصنوعی مولد ممکن است چندین پیکربندی بسته‌بندی را برای به حداکثر رساندن استفاده از فضا تولید کند، که اساساً راه‌حل‌هایی را «ایجاد» می‌کند که انسان‌ها می‌توانند از بین آنها انتخاب کنند. این موضوع توسط یک مطالعه برجسته شد که نشان می‌داد کامیون‌ها اغلب در ایالات متحده 30٪ خالی کار می‌کنند و برنامه‌ریزی بهتر - با کمک هوش مصنوعی - می‌تواند این ضایعات را کاهش دهد ( موارد برتر استفاده از هوش مصنوعی مولد در لجستیک ). این برنامه‌های بارگیری تولید شده توسط هوش مصنوعی با هدف کاهش هزینه‌های سوخت و انتشار گازهای گلخانه‌ای انجام می‌شوند و در برخی از انبارها با حداقل تغییرات دستی اجرا می‌شوند.

• پیش‌بینی تقاضا و مدیریت موجودی: مدل‌های هوش مصنوعی می‌توانند تقاضای محصول را پیش‌بینی کرده و برنامه‌هایی برای انبارداری مجدد ایجاد کنند. یک مدل مولد ممکن است سناریوهای مختلف تقاضا را شبیه‌سازی کند (مثلاً، یک هوش مصنوعی افزایش تقاضا را به دلیل تعطیلات پیش رو «تصور» می‌کند) و موجودی را بر اساس آن برنامه‌ریزی کند. این به مدیران زنجیره تأمین کمک می‌کند تا آماده شوند. در حال حاضر، هوش مصنوعی پیش‌بینی‌ها و پیشنهاداتی ارائه می‌دهد، اما انسان‌ها معمولاً تصمیم نهایی را در مورد سطح تولید یا سفارش می‌گیرند.

• ارزیابی ریسک: زنجیره تأمین جهانی با اختلالاتی (بلایای طبیعی، تأخیر در بنادر، مسائل سیاسی) مواجه است. سیستم‌های هوش مصنوعی اکنون اخبار و داده‌ها را بررسی می‌کنند تا خطرات پیش رو را شناسایی کنند. به عنوان مثال، یک شرکت لجستیکی از هوش مصنوعی نسل جدید برای اسکن اینترنت و علامت‌گذاری مسیرهای حمل و نقل پرخطر (مناطقی که احتمالاً به دلیل مثلاً طوفان یا ناآرامی‌های پیش رو دچار مشکل می‌شوند) استفاده می‌کند ( موارد برتر استفاده از هوش مصنوعی نسل جدید در لجستیک ). با این اطلاعات، برنامه‌ریزان می‌توانند به طور خودکار محموله‌ها را در اطراف نقاط مشکل‌دار تغییر مسیر دهند. در برخی موارد، هوش مصنوعی ممکن است به طور خودکار تغییرات مسیر یا تغییر نحوه حمل و نقل را پیشنهاد دهد که سپس توسط انسان‌ها تأیید می‌شود.

• اتوماسیون انبار: بسیاری از انبارها نیمه‌خودکار هستند و ربات‌ها برای جمع‌آوری و بسته‌بندی به کار می‌روند. هوش مصنوعی مولد می‌تواند به صورت پویا وظایف را برای جریان بهینه به ربات‌ها و انسان‌ها اختصاص دهد. به عنوان مثال، یک هوش مصنوعی ممکن است هر روز صبح بر اساس سفارشات، صف کاری را برای ربات‌های جمع‌آوری‌کننده ایجاد کند. این کار اغلب در اجرا کاملاً خودکار است و مدیران فقط KPIها را رصد می‌کنند - اگر سفارشات به طور غیرمنتظره‌ای افزایش یابد، هوش مصنوعی عملیات را به تنهایی تنظیم می‌کند.

• مدیریت ناوگان: هوش مصنوعی با تجزیه و تحلیل الگوها و ایجاد برنامه‌های بهینه تعمیر و نگهداری که زمان از کارافتادگی را به حداقل می‌رساند، در برنامه‌ریزی تعمیر و نگهداری وسایل نقلیه کمک می‌کند. همچنین می‌تواند محموله‌ها را برای کاهش سفرها گروه‌بندی کند. این تصمیمات را می‌توان به طور خودکار توسط نرم‌افزار هوش مصنوعی تا زمانی که الزامات خدمات را برآورده کند، اتخاذ کرد.

روی هم رفته، از سال ۲۰۲۵، انسان‌ها اهداف را تعیین می‌کنند (مثلاً «هزینه را به حداقل برسانید اما تحویل دو روزه را تضمین کنید») و هوش مصنوعی راه‌حل‌ها یا برنامه‌هایی را برای دستیابی به آن ارائه می‌دهد. سیستم‌ها می‌توانند بدون مداخله، روز به روز اجرا شوند تا زمانی که اتفاق غیرمعمولی رخ دهد. بسیاری از لجستیک‌ها شامل تصمیمات تکراری هستند (این محموله چه زمانی باید حرکت کند؟ از کدام انبار باید این سفارش را انجام دهد؟)، که هوش مصنوعی می‌تواند یاد بگیرد که به طور مداوم آنها را اتخاذ کند. شرکت‌ها به تدریج به هوش مصنوعی اعتماد می‌کنند تا این تصمیمات خرد را مدیریت کند و فقط در صورت بروز استثنائات به مدیران هشدار دهد.

چشم‌انداز ۲۰۳۰-۲۰۳۵: زنجیره‌های تأمین خودران

در دهه آینده، می‌توانیم هماهنگی بسیار مستقل‌تری را در لجستیک که توسط هوش مصنوعی هدایت می‌شود، تصور کنیم:

• وسایل نقلیه و پهپادهای خودران: کامیون‌های خودران و پهپادهای تحویل کالا، در حالی که موضوع گسترده‌تری در حوزه هوش مصنوعی/رباتیک هستند، مستقیماً بر لجستیک تأثیر می‌گذارند. تا سال ۲۰۳۰، اگر چالش‌های نظارتی و فنی برطرف شوند، ممکن است شاهد رانندگی کامیون‌ها توسط هوش مصنوعی در بزرگراه‌ها به طور معمول یا پهپادهایی باشیم که تحویل کالا در آخرین مایل را در شهرها انجام می‌دهند. این هوش‌های مصنوعی بدون راننده انسانی، تصمیمات بلادرنگ (تغییر مسیر، اجتناب از مانع) خواهند گرفت. زاویه دید سازنده در نحوه یادگیری این هوش‌های مصنوعی وسایل نقلیه از داده‌های گسترده و شبیه‌سازی‌ها است که به طور مؤثر در سناریوهای بی‌شماری «آموزش» می‌بینند. یک ناوگان کاملاً خودران می‌تواند ۲۴ ساعته و ۷ روز هفته فعالیت کند و انسان‌ها فقط از راه دور بر آن نظارت داشته باشند. این امر عنصر انسانی عظیمی (رانندگان) را از عملیات لجستیک حذف می‌کند و به طور چشمگیری استقلال را افزایش می‌دهد.

• زنجیره‌های تأمین خوددرمانگر: هوش مصنوعی مولد احتمالاً برای شبیه‌سازی مداوم سناریوهای زنجیره تأمین و تهیه برنامه‌های احتمالی مورد استفاده قرار خواهد گرفت. تا سال ۲۰۳۵، یک هوش مصنوعی ممکن است به طور خودکار تشخیص دهد که چه زمانی یک کارخانه تأمین‌کننده تعطیل شده است (از طریق فیدهای خبری یا داده‌ای) و بلافاصله منبع‌یابی را به تأمین‌کنندگان جایگزینی که قبلاً در شبیه‌سازی بررسی کرده است، تغییر دهد. این بدان معناست که زنجیره تأمین با ابتکار عمل هوش مصنوعی، خود را از اختلالات «درمان» می‌کند. مدیران انسانی از آنچه هوش مصنوعی انجام داده است، مطلع می‌شوند، نه از کسانی که راه حل را آغاز می‌کنند.

• بهینه‌سازی موجودی از ابتدا تا انتها: هوش مصنوعی می‌تواند به طور خودکار موجودی را در کل شبکه انبارها و فروشگاه‌ها مدیریت کند. این هوش مصنوعی تصمیم می‌گیرد که چه زمانی و به کجا موجودی را جابجا کند (شاید با استفاده از ربات‌ها یا وسایل نقلیه خودکار برای انجام این کار)، و موجودی کافی را در هر مکان نگه دارد. هوش مصنوعی اساساً برج کنترل زنجیره تأمین را اداره می‌کند: همه جریان‌ها را می‌بیند و تنظیمات را در زمان واقعی انجام می‌دهد. تا سال 2035، ایده یک زنجیره تأمین «خودران» ممکن است به این معنی باشد که سیستم هر روز بهترین برنامه توزیع را تعیین می‌کند، محصولات را سفارش می‌دهد، برنامه‌های کارخانه را تنظیم می‌کند و حمل و نقل را به تنهایی ترتیب می‌دهد. انسان‌ها بر استراتژی کلی نظارت خواهند کرد و استثنائاتی را فراتر از درک فعلی هوش مصنوعی مدیریت خواهند کرد.

• طراحی مولد در لجستیک: می‌توانیم شاهد طراحی شبکه‌های جدید زنجیره تأمین توسط هوش مصنوعی باشیم. فرض کنید یک شرکت به منطقه جدیدی گسترش می‌یابد؛ یک هوش مصنوعی می‌تواند با توجه به داده‌ها، مکان‌های بهینه انبار، پیوندهای حمل و نقل و سیاست‌های موجودی را برای آن منطقه ایجاد کند - کاری که مشاوران و تحلیلگران امروزه انجام می‌دهند. تا سال 2030، شرکت‌ها ممکن است برای انتخاب‌های طراحی زنجیره تأمین به توصیه‌های هوش مصنوعی تکیه کنند و به آن اعتماد کنند تا عوامل را سریع‌تر وزن کند و شاید راه‌حل‌های خلاقانه‌ای (مانند مراکز توزیع غیرمشخص) پیدا کند که انسان‌ها از دست می‌دهند.

• ادغام با تولید (صنعت ۴.۰): لجستیک به تنهایی قابل استفاده نیست؛ بلکه با تولید گره خورده است. کارخانه‌های آینده ممکن است دارای هوش مصنوعی مولد باشند که برنامه‌های تولید را زمان‌بندی می‌کند، مواد اولیه را درست به موقع سفارش می‌دهد و سپس به شبکه لجستیک دستور می‌دهد تا محصولات را فوراً ارسال کند. این هوش مصنوعی یکپارچه می‌تواند به معنای برنامه‌ریزی کمتر انسانی در کل باشد - یک زنجیره یکپارچه از تولید تا تحویل که توسط الگوریتم‌هایی هدایت می‌شود که هزینه، سرعت و پایداری را بهینه می‌کنند. در حال حاضر، تا سال ۲۰۲۵، زنجیره‌های تأمین با عملکرد بالا مبتنی بر داده هستند؛ تا سال ۲۰۳۵ ممکن است تا حد زیادی مبتنی بر هوش مصنوعی باشند.

• خدمات پویای مشتری در لجستیک: با تکیه بر هوش مصنوعی خدمات مشتری، هوش مصنوعی زنجیره تأمین می‌تواند مستقیماً با مشتریان یا ارباب رجوع‌ها ارتباط برقرار کند. به عنوان مثال، اگر یک مشتری بزرگ بخواهد سفارش عمده خود را در آخرین لحظه تغییر دهد، یک عامل هوش مصنوعی می‌تواند بدون انتظار برای یک مدیر انسانی، گزینه‌های ممکن (مانند "ما می‌توانیم نیمی را الان و نیمی را هفته آینده به دلیل محدودیت‌ها تحویل دهیم") را مذاکره کند. این شامل درک هوش مصنوعی مولد از هر دو طرف (نیاز مشتری در مقابل ظرفیت عملیاتی) و تصمیم‌گیری‌هایی است که عملیات را روان نگه می‌دارد و در عین حال رضایت مشتریان را نیز جلب می‌کند.

مزیت مورد انتظار، یک کارآمدتر، مقاوم‌تر و پاسخگوتر . شرکت‌ها صرفه‌جویی‌های عظیمی را پیش‌بینی می‌کنند - مک‌کینزی تخمین زده است که بهینه‌سازی‌های زنجیره تأمین مبتنی بر هوش مصنوعی می‌تواند هزینه‌ها را به میزان قابل توجهی کاهش داده و سطح خدمات را بهبود بخشد و به طور بالقوه تریلیون‌ها ارزش را در صنایع مختلف اضافه کند ( وضعیت هوش مصنوعی در سال 2023: سال شکوفایی هوش مصنوعی مولد | مک‌کینزی ).

با این حال، واگذاری کنترل بیشتر به هوش مصنوعی خطراتی را نیز به همراه دارد، مانند خطاهای آبشاری در صورت نقص منطق هوش مصنوعی (مثلاً سناریوی بدنام یک زنجیره تأمین هوش مصنوعی که به دلیل خطای مدل‌سازی، سهواً موجودی یک شرکت را تمام می‌کند). تمهیداتی مانند «حضور انسان در حلقه برای تصمیمات بزرگ» یا حداقل داشبوردهایی که امکان لغو سریع تصمیمات انسانی را فراهم می‌کنند، احتمالاً تا سال ۲۰۳۵ باقی خواهند ماند. با گذشت زمان، با اثبات تصمیمات هوش مصنوعی، انسان‌ها راحت‌تر می‌توانند عقب‌نشینی کنند.

جالب اینجاست که هوش مصنوعی با بهینه‌سازی برای بهره‌وری، گاهی اوقات ممکن است انتخاب‌هایی انجام دهد که با ترجیحات انسانی یا شیوه‌های سنتی در تضاد باشد. به عنوان مثال، بهینه‌سازی صرف ممکن است به موجودی بسیار کم منجر شود که کارآمد است اما می‌تواند خطرناک به نظر برسد. متخصصان زنجیره تأمین در سال ۲۰۳۰ ممکن است مجبور شوند شهود خود را تنظیم کنند زیرا هوش مصنوعی، با پردازش داده‌های عظیم، ممکن است نشان دهد که استراتژی غیرمعمول آن در واقع بهتر عمل می‌کند.

در نهایت، باید در نظر داشته باشیم که محدودیت‌های فیزیکی (زیرساخت‌ها، سرعت فرآیندهای فیزیکی) سرعت تغییر لجستیک را محدود می‌کنند، بنابراین انقلاب در اینجا مربوط به برنامه‌ریزی و استفاده هوشمندانه‌تر از دارایی‌ها است، نه یک واقعیت فیزیکی کاملاً جدید. اما حتی در این محدوده‌ها، راه‌حل‌های خلاقانه و بهینه‌سازی بی‌وقفه هوش مصنوعی مولد می‌تواند به طور چشمگیری نحوه جابجایی کالاها در سراسر جهان را با حداقل برنامه‌ریزی دستی بهبود بخشد.

به طور خلاصه، لجستیک تا سال ۲۰۳۵ ممکن است مانند یک ماشین خودکارِ کاملاً روغن‌کاری شده عمل کند: کالاها به طور کارآمد جریان می‌یابند، مسیرها در زمان واقعی با اختلالات تنظیم می‌شوند، انبارها توسط ربات‌ها خود را مدیریت می‌کنند و کل سیستم به طور مداوم از داده‌ها یاد می‌گیرد و بهبود می‌یابد - همه اینها توسط هوش مصنوعی مولد که به عنوان مغز عملیات عمل می‌کند، هماهنگ می‌شود.

هوش مصنوعی مولد در امور مالی و تجارت

صنعت مالی به شدت با اطلاعات - گزارش‌ها، تجزیه و تحلیل، ارتباطات مشتری - سروکار دارد و این امر آن را به بستری حاصلخیز برای هوش مصنوعی مولد تبدیل می‌کند. از بانکداری گرفته تا مدیریت سرمایه‌گذاری و بیمه، سازمان‌ها در حال بررسی هوش مصنوعی برای اتوماسیون و تولید بینش هستند. سوال این است که با توجه به اهمیت دقت و اعتماد در این حوزه، هوش مصنوعی چه وظایف مالی را می‌تواند به طور قابل اعتمادی بدون نظارت انسانی انجام دهد؟

قابلیت‌های فعلی (۲۰۲۵): گزارش‌های خودکار و پشتیبانی از تصمیم‌گیری

امروزه، هوش مصنوعی مولد از چندین طریق، اغلب تحت نظارت انسان، در امور مالی مشارکت می‌کند:

• تولید گزارش: بانک‌ها و شرکت‌های مالی گزارش‌های متعددی تولید می‌کنند - خلاصه سود، تفسیر بازار، تحلیل پرتفوی و غیره. هوش مصنوعی در حال حاضر برای تهیه پیش‌نویس این گزارش‌ها استفاده می‌شود. به عنوان مثال، بلومبرگ BloombergGPT ، یک مدل زبانی بزرگ که بر اساس داده‌های مالی آموزش دیده است، را برای کمک به وظایفی مانند طبقه‌بندی اخبار و پرسش و پاسخ برای کاربران ترمینال خود توسعه داده است ( هوش مصنوعی مولد به حوزه مالی می‌آید ). در حالی که کاربرد اصلی آن کمک به انسان‌ها برای یافتن اطلاعات است، نقش رو به رشد هوش مصنوعی را نشان می‌دهد. Automated Insights (شرکتی که AP با آن کار می‌کرد) نیز مقالات مالی تولید می‌کند. بسیاری از خبرنامه‌های سرمایه‌گذاری از هوش مصنوعی برای خلاصه کردن حرکات روزانه بازار یا شاخص‌های اقتصادی استفاده می‌کنند. معمولاً، انسان‌ها قبل از ارسال به مشتریان، این گزارش‌ها را بررسی می‌کنند، اما این یک ویرایش سریع است و نه نوشتن از ابتدا.

• ارتباط با مشتری: در بانکداری خرد، چت‌بات‌های هوش مصنوعی به سوالات مشتریان در مورد موجودی حساب، تراکنش‌ها یا اطلاعات محصول (که در حوزه خدمات مشتری ادغام می‌شوند) پاسخ می‌دهند. همچنین، هوش مصنوعی می‌تواند نامه‌ها یا توصیه‌های مالی شخصی‌سازی‌شده ایجاد کند. به عنوان مثال، یک هوش مصنوعی ممکن است تشخیص دهد که یک مشتری می‌تواند در هزینه‌ها صرفه‌جویی کند و به طور خودکار پیامی را تهیه کند که به او پیشنهاد می‌دهد به نوع حساب دیگری تغییر دهد، که سپس با حداقل دخالت انسان انجام می‌شود. این نوع ارتباط شخصی‌سازی‌شده در مقیاس بزرگ، کاربرد فعلی هوش مصنوعی در امور مالی است.

• تشخیص و هشدارهای کلاهبرداری: هوش مصنوعی مولد می‌تواند به ایجاد روایت‌ها یا توضیحاتی برای ناهنجاری‌های شناسایی‌شده توسط سیستم‌های کلاهبرداری کمک کند. به عنوان مثال، اگر فعالیت مشکوکی علامت‌گذاری شود، یک هوش مصنوعی ممکن است یک پیام توضیحی برای مشتری ایجاد کند ("ما متوجه ورود از یک دستگاه جدید شدیم...") یا گزارشی برای تحلیلگران. تشخیص خودکار است (با استفاده از تشخیص ناهنجاری هوش مصنوعی/یادگیری ماشین) و ارتباطات به طور فزاینده‌ای خودکار می‌شوند، اگرچه اقدامات نهایی (مسدود کردن یک حساب) اغلب نیاز به بررسی انسانی دارند.

• مشاوره مالی (محدود): برخی از مشاوران رباتیک (پلتفرم‌های سرمایه‌گذاری خودکار) از الگوریتم‌ها (نه لزوماً هوش مصنوعی مولد) برای مدیریت پرتفوی‌ها بدون مشاوران انسانی استفاده می‌کنند. هوش مصنوعی مولد، مثلاً با ارائه توضیحاتی در مورد دلیل انجام معاملات خاص یا خلاصه‌ای از عملکرد پرتفوی متناسب با مشتری، وارد می‌شود. با این حال، مشاوره مالی صرف (مانند برنامه‌ریزی مالی پیچیده) هنوز عمدتاً انسانی یا الگوریتمی مبتنی بر قانون است. مشاوره مولد آزاد و بدون نظارت به دلیل مسئولیت در صورت اشتباه، خطرناک است.

• ارزیابی ریسک و بیمه‌گری: شرکت‌های بیمه در حال آزمایش هوش مصنوعی برای نوشتن خودکار گزارش‌های ارزیابی ریسک یا حتی پیش‌نویس اسناد بیمه‌نامه هستند. به عنوان مثال، با توجه به داده‌های مربوط به یک ملک، یک هوش مصنوعی می‌تواند پیش‌نویس بیمه‌نامه یا گزارش بیمه‌گر را که عوامل خطر را شرح می‌دهد، تولید کند. در حال حاضر انسان‌ها این خروجی‌ها را بررسی می‌کنند زیرا هرگونه خطا در یک قرارداد می‌تواند پرهزینه باشد.

• تحلیل داده‌ها و بینش‌ها: هوش مصنوعی می‌تواند صورت‌های مالی یا اخبار را بررسی کرده و خلاصه‌هایی تولید کند. تحلیلگران از ابزارهایی استفاده می‌کنند که می‌توانند فوراً یک گزارش سالانه ۱۰۰ صفحه‌ای را به نکات کلیدی خلاصه کنند، یا نکات اصلی را از صورتجلسه گزارش درآمد استخراج کنند. این خلاصه‌ها در زمان صرفه‌جویی می‌کنند و می‌توانند مستقیماً در تصمیم‌گیری استفاده شوند یا به دیگران منتقل شوند، اما تحلیلگران محتاط جزئیات مهم را دوباره بررسی می‌کنند.

در اصل، هوش مصنوعی فعلی در امور مالی به عنوان یک تحلیلگر/نویسنده خستگی‌ناپذیر عمل می‌کند و محتوایی تولید می‌کند که انسان‌ها آن را اصلاح می‌کنند. استفاده کاملاً خودکار عمدتاً در حوزه‌های کاملاً تعریف‌شده مانند اخبار مبتنی بر داده (بدون نیاز به قضاوت ذهنی) یا پاسخ‌های خدمات مشتری است. اعتماد مستقیم به هوش مصنوعی برای تصمیم‌گیری در مورد پول (مانند جابجایی وجوه، اجرای معاملات فراتر از الگوریتم‌های از پیش تعیین‌شده) به دلیل ریسک بالا و بررسی دقیق نظارتی نادر است.

چشم‌انداز ۲۰۳۰-۲۰۳۵: تحلیلگران هوش مصنوعی و عملیات مالی خودکار

با نگاهی به آینده، تا سال ۲۰۳۵ هوش مصنوعی مولد می‌تواند عمیقاً در عملیات مالی گنجانده شود و به طور بالقوه بسیاری از وظایف را به صورت خودکار انجام دهد:

• تحلیلگران مالی هوش مصنوعی: ممکن است شاهد سیستم‌های هوش مصنوعی باشیم که می‌توانند شرکت‌ها و بازارها را تجزیه و تحلیل کنند و توصیه‌ها یا گزارش‌هایی در سطح یک تحلیلگر تحقیقات سهام انسانی ارائه دهند. تا سال ۲۰۳۰، یک هوش مصنوعی می‌تواند به طور قابل تصوری تمام پرونده‌های مالی یک شرکت را بخواند، با داده‌های صنعت مقایسه کند و به تنهایی یک گزارش توصیه سرمایه‌گذاری ("خرید/فروش" با استدلال) تولید کند. برخی از صندوق‌های پوشش ریسک در حال حاضر از هوش مصنوعی برای تولید سیگنال‌های معاملاتی استفاده می‌کنند. تا دهه ۲۰۳۰، گزارش‌های تحقیقاتی هوش مصنوعی می‌تواند رایج شود. مدیران پرتفوی انسانی ممکن است به تحلیل‌های تولید شده توسط هوش مصنوعی به عنوان یکی از ورودی‌ها اعتماد کنند. حتی این پتانسیل برای هوش مصنوعی وجود دارد که پرتفوی‌ها را به طور مستقل مدیریت کند: نظارت مداوم و متعادل‌سازی سرمایه‌گذاری‌ها بر اساس یک استراتژی از پیش تعریف شده. در واقع، معاملات الگوریتمی در حال حاضر به شدت خودکار هستند - هوش مصنوعی مولد ممکن است با تولید و آزمایش مدل‌های معاملاتی جدید، استراتژی‌ها را سازگارتر کند.

• برنامه‌ریزی مالی خودکار: مشاوران هوش مصنوعی که با مصرف‌کننده در ارتباط هستند، می‌توانند برنامه‌ریزی مالی معمول را برای افراد انجام دهند. تا سال ۲۰۳۰، ممکن است اهداف خود (خرید خانه، پس‌انداز برای دانشگاه) را به یک هوش مصنوعی بگویید و او می‌تواند یک برنامه مالی کامل (بودجه، تخصیص سرمایه‌گذاری، پیشنهادات بیمه) متناسب با شما ایجاد کند. در ابتدا، یک برنامه‌ریز مالی انسانی ممکن است آن را بررسی کند، اما با افزایش اعتماد، چنین توصیه‌هایی ممکن است مستقیماً به مصرف‌کنندگان، با سلب مسئولیت‌های مناسب، ارائه شود. نکته کلیدی این است که اطمینان حاصل شود توصیه‌های هوش مصنوعی با مقررات مطابقت دارد و به نفع مشتری است. در صورت حل این مشکل، هوش مصنوعی می‌تواند مشاوره مالی اولیه را با هزینه کم بسیار قابل دسترس‌تر کند.

• اتوماسیون اداری: هوش مصنوعی مولد ممکن است به طور خودکار بسیاری از اسناد اداری - درخواست‌های وام، گزارش‌های انطباق، خلاصه‌های حسابرسی - را مدیریت کند. به عنوان مثال، یک هوش مصنوعی می‌تواند تمام داده‌های تراکنش را دریافت کرده و یک گزارش حسابرسی ایجاد کند که هرگونه نگرانی را نشان می‌دهد. حسابرسان در سال 2035 ممکن است زمان بیشتری را صرف بررسی استثنائات مشخص شده توسط هوش مصنوعی کنند تا اینکه خودشان همه چیز را بررسی کنند. به طور مشابه، برای انطباق، هوش مصنوعی می‌تواند گزارش‌های فعالیت مشکوک (SAR) را برای تنظیم‌کنندگان بدون اینکه یک تحلیلگر آنها را از ابتدا بنویسد، تولید کند. تولید خودکار این اسناد روتین، با نظارت انسانی که به سمت استثنائات حرکت می‌کند، می‌تواند به استاندارد تبدیل شود.

• دعاوی بیمه و صدور بیمه‌نامه: یک هوش مصنوعی می‌تواند یک ادعای بیمه (با شواهد عکس و غیره) را پردازش کند، پوشش را تعیین کند و نامه تصمیم پرداخت را به طور خودکار تولید کند. ممکن است به نقطه‌ای برسیم که دعاوی ساده (مانند تصادفات رانندگی با داده‌های واضح) به طور کامل توسط هوش مصنوعی در عرض چند دقیقه پس از ارسال حل و فصل شوند. صدور بیمه‌نامه‌های جدید نیز می‌تواند مشابه باشد: هوش مصنوعی ریسک را ارزیابی کرده و شرایط بیمه‌نامه را ایجاد می‌کند. تا سال 2035، شاید فقط پرونده‌های پیچیده یا مرزی به بیمه‌گران انسانی ارجاع داده شوند.

• کلاهبرداری و امنیت: هوش مصنوعی احتمالاً در تشخیص و پاسخ به کلاهبرداری یا تهدیدات سایبری در امور مالی حتی حیاتی‌تر خواهد بود. عوامل خودمختار هوش مصنوعی ممکن است تراکنش‌ها را به صورت بلادرنگ رصد کنند و در صورت بروز معیارهای خاص، اقدامات فوری (مسدود کردن حساب‌ها، مسدود کردن تراکنش‌ها) انجام دهند، سپس یک دلیل منطقی ارائه دهند. سرعت در اینجا بسیار مهم است، بنابراین حداقل دخالت انسان مطلوب است. بخش مولد ممکن است در ابلاغ این اقدامات به مشتریان یا نهادهای نظارتی به روشی واضح باشد.

• پشتیبانی اجرایی: یک «رئیس دفتر» هوش مصنوعی را تصور کنید که می‌تواند گزارش‌های تجاری را برای مدیران در لحظه تولید کند. بپرسید: «عملکرد بخش اروپایی ما در این سه‌ماهه چگونه بوده و عوامل اصلی در مقایسه با سال گذشته چه بوده‌اند؟» و هوش مصنوعی گزارشی مختصر با نمودارهایی دقیق از داده‌ها تهیه خواهد کرد. این نوع گزارش‌دهی و تحلیل پویا و مستقل می‌تواند به آسانی یک مکالمه باشد. تا سال ۲۰۳۰، درخواست اطلاعات هوش تجاری از هوش مصنوعی و اعتماد به آن برای ارائه پاسخ‌های صحیح می‌تواند تا حد زیادی جایگزین گزارش‌های ایستا و شاید حتی برخی از نقش‌های تحلیلگر شود.

یک پیش‌بینی جالب: تا دهه ۲۰۳۰، اکثر محتوای مالی (اخبار، گزارش‌ها و غیره) ممکن است توسط هوش مصنوعی تولید شود . در حال حاضر، رسانه‌هایی مانند داو جونز و رویترز از اتوماسیون برای بخش‌های خاصی از اخبار استفاده می‌کنند. اگر این روند ادامه یابد، و با توجه به انفجار داده‌های مالی، هوش مصنوعی ممکن است مسئول فیلتر کردن و ارتباط بیشتر آن باشد.

با این حال، اعتماد و تأیید هویت از اهمیت بالایی برخوردار خواهند بود. صنعت مالی به شدت تحت نظارت است و هر هوش مصنوعی که به صورت مستقل عمل کند، باید استانداردهای سختگیرانه‌ای را رعایت کند:

• اطمینان از عدم توهم (شما نمی‌توانید از یک تحلیلگر هوش مصنوعی بخواهید که یک معیار مالی غیرواقعی اختراع کند - که می‌تواند بازارها را گمراه کند).

• اجتناب از سوگیری یا اقدامات غیرقانونی (مانند سهواً خط قرمز کشیدن در تصمیمات وام‌دهی به دلیل داده‌های آموزشی سوگیرانه).

• قابلیت حسابرسی: احتمالاً قانون‌گذاران الزام خواهند کرد که تصمیمات هوش مصنوعی قابل توضیح باشند. اگر یک هوش مصنوعی وامی را رد کند یا تصمیمی در مورد معاملات بگیرد، باید منطقی وجود داشته باشد که بتوان آن را بررسی کرد. مدل‌های مولد می‌توانند تا حدودی مانند یک جعبه سیاه باشند، بنابراین انتظار می‌رود که هوش مصنوعی قابل توضیح برای شفاف‌سازی تصمیمات آنها توسعه یابند.

ده سال آینده احتمالاً شامل همکاری نزدیک بین هوش مصنوعی و متخصصان مالی خواهد بود و به تدریج با افزایش اعتماد، خط استقلال را جابجا خواهیم کرد. پیروزی‌های اولیه در اتوماسیون کم‌ریسک (مانند تولید گزارش) حاصل خواهد شد. قضاوت‌های اصلی مانند تصمیمات اعتباری یا انتخاب‌های سرمایه‌گذاری دشوارتر خواهد بود، اما حتی در آنجا نیز، با افزایش سابقه هوش مصنوعی، شرکت‌ها ممکن است به آن استقلال بیشتری بدهند. به عنوان مثال، شاید یک صندوق هوش مصنوعی با یک ناظر انسانی اداره شود که فقط در صورت انحراف عملکرد یا اگر هوش مصنوعی عدم قطعیت را نشان دهد، مداخله می‌کند.

از نظر اقتصادی، مک‌کینزی تخمین زده است که هوش مصنوعی (به‌ویژه هوش مصنوعی نسل جدید) می‌تواند سالانه حدود ۲۰۰ تا ۳۴۰ میلیارد دلار به ارزش بانکداری بیفزاید و تأثیرات بزرگ مشابهی را در بیمه و بازارهای سرمایه ایجاد کند ( وضعیت هوش مصنوعی در سال ۲۰۲۳: سال شکوفایی هوش مصنوعی مولد | مک‌کینزی ) ( آینده هوش مصنوعی مولد چیست؟ | مک‌کینزی ). این امر از طریق بهره‌وری و نتایج تصمیم‌گیری بهتر محقق می‌شود. برای کسب این ارزش، احتمالاً بسیاری از تحلیل‌ها و ارتباطات مالی روتین به سیستم‌های هوش مصنوعی واگذار خواهد شد.

به طور خلاصه، تا سال ۲۰۳۵، هوش مصنوعی مولد می‌تواند مانند ارتشی از تحلیلگران، مشاوران و کارمندان جوان باشد که در سراسر بخش مالی کار می‌کنند و بسیاری از کارهای روزمره و برخی از تحلیل‌های پیچیده را به صورت خودکار انجام می‌دهند. انسان‌ها همچنان اهداف را تعیین کرده و استراتژی‌های سطح بالا، روابط با مشتری و نظارت را مدیریت خواهند کرد. دنیای مالی، با احتیاط، به تدریج استقلال خود را گسترش خواهد داد - اما جهت آن مشخص است که پردازش اطلاعات و حتی توصیه‌های تصمیم‌گیری بیشتر و بیشتر از هوش مصنوعی ناشی خواهد شد. در حالت ایده‌آل، این امر منجر به خدمات سریع‌تر (وام‌های فوری، مشاوره شبانه‌روزی)، هزینه‌های کمتر و به طور بالقوه بی‌طرفی بیشتر (تصمیمات مبتنی بر الگوهای داده) می‌شود. اما حفظ اعتماد بسیار مهم خواهد بود. یک خطای هوش مصنوعی برجسته در امور مالی می‌تواند خسارات بزرگی ایجاد کند (یک تصادف ناگهانی ناشی از هوش مصنوعی یا یک مزیت به اشتباه رد شده برای هزاران نفر را تصور کنید). از این رو، احتمالاً موانع و بررسی‌های انسانی به ویژه برای اقدامات رو در رو با مصرف‌کننده، حتی با خودمختار شدن شدید فرآیندهای اداری، همچنان ادامه خواهد داشت.

چالش‌ها و ملاحظات اخلاقی

در تمام این حوزه‌ها، همزمان با اینکه هوش مصنوعی مولد مسئولیت‌های خودمختارتری را بر عهده می‌گیرد، مجموعه‌ای از چالش‌ها و سوالات اخلاقی رایج مطرح می‌شود. اطمینان از اینکه هوش مصنوعی یک عامل خودمختار قابل اعتماد و مفید است، فقط یک کار فنی نیست، بلکه یک کار اجتماعی است. در اینجا نگرانی‌های کلیدی و نحوه رسیدگی به آنها (یا نحوه نیاز به رسیدگی) را شرح می‌دهیم:

قابلیت اطمینان و دقت

مشکل توهم: مدل‌های هوش مصنوعی مولد می‌توانند خروجی‌های نادرست یا کاملاً ساختگی تولید کنند که مطمئن به نظر می‌رسند. این امر به ویژه زمانی خطرناک است که هیچ انسانی برای تشخیص اشتباهات در حلقه نباشد. یک چت‌بات ممکن است به مشتری دستورالعمل‌های اشتباه بدهد، یا یک گزارش نوشته شده توسط هوش مصنوعی ممکن است حاوی یک آمار ساختگی باشد. از سال ۲۰۲۵، عدم دقت به عنوان بزرگترین ریسک هوش مصنوعی مولد توسط سازمان‌ها شناخته شده است ( وضعیت هوش مصنوعی در سال ۲۰۲۳: سال موفقیت هوش مصنوعی مولد | مک‌کینزی ) ( وضعیت هوش مصنوعی: نظرسنجی جهانی | مک‌کینزی ). در ادامه، تکنیک‌هایی مانند بررسی واقعیت در برابر پایگاه‌های داده، بهبود معماری مدل و یادگیری تقویتی با بازخورد برای به حداقل رساندن توهمات به کار گرفته می‌شوند. سیستم‌های هوش مصنوعی خودمختار احتمالاً به آزمایش دقیق و شاید تأیید رسمی برای وظایف حیاتی (مانند تولید کد که در صورت اشتباه می‌تواند باعث ایجاد اشکالات/نقص‌های امنیتی شود) نیاز خواهند داشت.

ثبات: سیستم‌های هوش مصنوعی باید در طول زمان و در سناریوهای مختلف، عملکرد قابل اعتمادی داشته باشند. به عنوان مثال، یک هوش مصنوعی ممکن است در سوالات استاندارد خوب عمل کند اما در موارد خاص دچار مشکل شود. تضمین عملکرد پایدار، نیازمند داده‌های آموزشی گسترده است که موقعیت‌های متنوع را پوشش می‌دهد و نظارت مستمر را می‌طلبد. بسیاری از سازمان‌ها قصد دارند رویکردهای ترکیبی داشته باشند - هوش مصنوعی کار می‌کند، اما نمونه‌های تصادفی توسط انسان‌ها حسابرسی می‌شوند - تا میزان دقت مداوم را اندازه‌گیری کنند.

ایمنی در برابر خطا: وقتی هوش مصنوعی خودکار است، تشخیص عدم قطعیت خود توسط آن بسیار مهم است. سیستم باید طوری طراحی شود که «بداند چه زمانی نمی‌داند». به عنوان مثال، اگر یک پزشک هوش مصنوعی از تشخیص خود مطمئن نیست، باید آن را برای بررسی توسط انسان علامت‌گذاری کند، نه اینکه حدس تصادفی بزند. ایجاد تخمین عدم قطعیت در خروجی‌های هوش مصنوعی (و داشتن آستانه‌هایی برای انتقال خودکار توسط انسان) یک حوزه فعال در توسعه است.

تعصب و انصاف

هوش مصنوعی مولد از داده‌های تاریخی که می‌توانند حاوی تعصبات (نژادی، جنسیتی و غیره) باشند، یاد می‌گیرد. یک هوش مصنوعی مستقل ممکن است این تعصبات را تداوم بخشد یا حتی تقویت کند:

• در استخدام یا پذیرش، اگر داده‌های آموزشی یک تصمیم‌گیرنده هوش مصنوعی دارای سوگیری باشد، می‌تواند به طور ناعادلانه تبعیض قائل شود.

• در خدمات مشتری، یک هوش مصنوعی ممکن است بر اساس گویش یا عوامل دیگر به کاربران پاسخ متفاوتی بدهد، مگر اینکه با دقت بررسی شود.

• در حوزه‌های خلاقانه، اگر مجموعه آموزش نامتوازن باشد، هوش مصنوعی ممکن است فرهنگ‌ها یا سبک‌های خاصی را کمتر از حد واقعی نشان دهد.

پرداختن به این موضوع نیازمند گردآوری دقیق مجموعه داده‌ها، آزمایش سوگیری و شاید تنظیمات الگوریتمی برای تضمین انصاف است. شفافیت کلیدی است: شرکت‌ها باید معیارهای تصمیم‌گیری هوش مصنوعی را افشا کنند، به خصوص اگر یک هوش مصنوعی مستقل بر فرصت‌ها یا حقوق کسی (مانند دریافت وام یا شغل) تأثیر بگذارد. تنظیم‌کنندگان مقررات در حال حاضر توجه دارند؛ به عنوان مثال، قانون هوش مصنوعی اتحادیه اروپا (که از اواسط دهه 2020 در دست تهیه است) احتمالاً ارزیابی سوگیری را برای سیستم‌های هوش مصنوعی پرخطر الزامی خواهد کرد.

پاسخگویی و مسئولیت قانونی

وقتی یک سیستم هوش مصنوعی که به صورت خودکار عمل می‌کند، باعث آسیب یا اشتباه می‌شود، چه کسی مسئول است؟ چارچوب‌های قانونی در حال پیشرفت هستند:

• شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، احتمالاً مسئولیت‌هایی مشابه مسئولیت در قبال اقدامات یک کارمند خواهند داشت. به عنوان مثال، اگر یک هوش مصنوعی مشاوره مالی بدی ارائه دهد که منجر به ضرر شود، شرکت ممکن است مجبور به جبران خسارت به مشتری شود.

• بحث‌هایی در مورد «شخصیت» هوش مصنوعی یا اینکه آیا هوش مصنوعی پیشرفته می‌تواند تا حدی مسئول باشد، وجود دارد، اما این موضوع اکنون بیشتر در حد تئوری است. در عمل، سرزنش به توسعه‌دهندگان یا اپراتورها برمی‌گردد.

• ممکن است محصولات بیمه جدیدی برای نقص‌های هوش مصنوعی ظهور کنند. اگر یک کامیون خودران باعث تصادف شود، بیمه سازنده ممکن است آن را پوشش دهد، مشابه مسئولیت محصول.

• مستندسازی و ثبت تصمیمات هوش مصنوعی برای بررسی‌های پس از وقوع حادثه مهم خواهد بود. اگر مشکلی پیش بیاید، باید مسیر تصمیم‌گیری هوش مصنوعی را بررسی کنیم تا از آن درس بگیریم و مسئولیت را به آن واگذار کنیم. دقیقاً به همین دلیل، ممکن است قانون‌گذاران، ثبت وقایع را برای اقدامات مستقل هوش مصنوعی الزامی کنند.

شفافیت و قابلیت توضیح

هوش مصنوعی خودمختار در حالت ایده‌آل باید بتواند استدلال خود را با عبارات قابل فهم برای انسان توضیح دهد، به خصوص در حوزه‌های مهم (مالی، مراقبت‌های بهداشتی، سیستم قضایی). هوش مصنوعی قابل توضیح، حوزه‌ای است که در تلاش برای باز کردن جعبه سیاه است:

• برای رد درخواست وام توسط یک هوش مصنوعی، مقررات (مانند مقررات ECOA در ایالات متحده) ممکن است ارائه دلیل به متقاضی را الزامی کند. بنابراین، هوش مصنوعی باید عواملی (مثلاً «نسبت بالای بدهی به درآمد») را به عنوان توضیح ارائه دهد.

• کاربرانی که با هوش مصنوعی تعامل دارند (مانند دانش‌آموزانی که با یک معلم هوش مصنوعی کار می‌کنند یا بیمارانی که با یک اپلیکیشن سلامت هوش مصنوعی کار می‌کنند) شایسته آن هستند که بدانند هوش مصنوعی چگونه به توصیه‌ها می‌رسد. تلاش‌هایی برای قابل ردیابی‌تر کردن استدلال هوش مصنوعی، چه با ساده‌سازی مدل‌ها و چه با داشتن مدل‌های توضیحی موازی، در حال انجام است.

• شفافیت همچنین به این معنی است که کاربران باید بدانند چه زمانی با هوش مصنوعی در مقابل انسان سروکار دارند. دستورالعمل‌های اخلاقی (و احتمالاً برخی قوانین) به سمت الزام افشای اطلاعات در صورت صحبت مشتری با ربات گرایش دارند. این امر از فریب جلوگیری می‌کند و رضایت کاربر را فراهم می‌کند. برخی از شرکت‌ها اکنون به صراحت محتوای نوشته شده توسط هوش مصنوعی (مانند "این مقاله توسط هوش مصنوعی تولید شده است") را برای حفظ اعتماد برچسب‌گذاری می‌کنند.

حریم خصوصی و حفاظت از داده‌ها

هوش مصنوعی مولد اغلب برای عملکرد یا یادگیری به داده‌ها - از جمله داده‌های شخصی بالقوه حساس - نیاز دارد. عملیات خودمختار باید به حریم خصوصی احترام بگذارند:

• یک کارشناس خدمات مشتری هوش مصنوعی برای کمک به مشتری به اطلاعات حساب دسترسی پیدا می‌کند؛ این داده‌ها باید محافظت شوند و فقط برای انجام وظیفه مورد استفاده قرار گیرند.

• اگر معلمان هوش مصنوعی به پروفایل دانش‌آموزان دسترسی داشته باشند، طبق قوانینی مانند FERPA (در ایالات متحده) ملاحظاتی برای تضمین حریم خصوصی داده‌های آموزشی وجود دارد.

• مدل‌های بزرگ می‌توانند سهواً جزئیاتی از داده‌های آموزشی خود را به خاطر بسپارند (مثلاً آدرس شخصی که در طول آموزش دیده شده است را دوباره به خاطر بسپارند). تکنیک‌هایی مانند حریم خصوصی تفاضلی و ناشناس‌سازی داده‌ها در آموزش برای جلوگیری از نشت اطلاعات شخصی در خروجی‌های تولید شده مهم هستند.

• مقرراتی مانند GDPR به افراد در مورد تصمیمات خودکاری که بر آنها تأثیر می‌گذارد، حق می‌دهد. افراد می‌توانند در صورت تأثیر قابل توجه تصمیمات یا بررسی‌های انسانی، درخواست کنند که صرفاً خودکار نباشند. تا سال ۲۰۳۰، این مقررات ممکن است با رواج بیشتر هوش مصنوعی تکامل یابند و احتمالاً حق توضیح یا انصراف از پردازش هوش مصنوعی را ارائه دهند.

امنیت و سوءاستفاده

سیستم‌های هوش مصنوعی خودمختار می‌توانند هدف هک شدن قرار گیرند یا برای انجام کارهای مخرب مورد سوءاستفاده قرار گیرند:

• یک تولیدکننده محتوای هوش مصنوعی می‌تواند برای ایجاد اطلاعات نادرست در مقیاس بزرگ (ویدیوهای دیپ‌فیک، مقالات خبری جعلی) مورد سوءاستفاده قرار گیرد، که یک خطر اجتماعی است. اخلاق انتشار مدل‌های مولد بسیار قدرتمند به شدت مورد بحث است (به عنوان مثال، OpenAI در ابتدا با قابلیت‌های تصویر GPT-4 محتاط بود). راه‌حل‌ها شامل واترمارک کردن محتوای تولید شده توسط هوش مصنوعی برای کمک به تشخیص جعلیات و استفاده از هوش مصنوعی برای مبارزه با هوش مصنوعی (مانند الگوریتم‌های تشخیص برای دیپ‌فیک) است.

• اگر یک هوش مصنوعی فرآیندهای فیزیکی (پهپادها، خودروها، کنترل صنعتی) را کنترل کند، ایمن‌سازی آن در برابر حملات سایبری بسیار مهم است. یک سیستم خودران هک شده می‌تواند باعث آسیب در دنیای واقعی شود. این به معنای رمزگذاری قوی، سیستم‌های ایمن در برابر خرابی و امکان لغو یا خاموش کردن توسط انسان در صورت به خطر افتادن چیزی است.

• همچنین نگرانی‌هایی در مورد فراتر رفتن هوش مصنوعی از مرزهای تعیین‌شده (سناریوی «هوش مصنوعی سرکش») وجود دارد. در حالی که هوش مصنوعی‌های فعلی فاقد عاملیت یا قصد هستند، اگر سیستم‌های خودمختار آینده عاملیت بیشتری داشته باشند، محدودیت‌ها و نظارت‌های سختگیرانه‌ای لازم است تا اطمینان حاصل شود که مثلاً به دلیل یک هدف اشتباه، معاملات غیرمجاز انجام نمی‌دهند یا قوانین را نقض نمی‌کنند.

استفاده اخلاقی و تأثیر انسانی

در نهایت، ملاحظات اخلاقی گسترده‌تر:

• جابجایی شغلی: اگر هوش مصنوعی بتواند وظایف را بدون دخالت انسان انجام دهد، چه اتفاقی برای آن مشاغل می‌افتد؟ از نظر تاریخی، فناوری برخی مشاغل را خودکار می‌کند اما مشاغل دیگری را ایجاد می‌کند. این گذار می‌تواند برای کارگرانی که مهارت‌هایشان در کارهایی است که خودکار می‌شوند، دردناک باشد. جامعه باید این را از طریق مهارت‌آموزی مجدد، آموزش و احتمالاً بازنگری در حمایت اقتصادی مدیریت کند (برخی می‌گویند اگر بسیاری از کارها خودکار شوند، هوش مصنوعی ممکن است ایده‌هایی مانند درآمد پایه جهانی را ضروری کند). در حال حاضر، نظرسنجی‌ها احساسات متفاوتی را نشان می‌دهند - یک مطالعه نشان داد که یک سوم کارگران نگران جایگزینی هوش مصنوعی با مشاغل هستند، در حالی که برخی دیگر آن را از بین بردن سختی کار می‌دانند.

• فرسایش مهارت‌های انسانی: اگر معلمان خصوصی هوش مصنوعی تدریس کنند و خلبانان خودکار هوش مصنوعی رانندگی کنند و هوش مصنوعی کد بنویسد، آیا مردم این مهارت‌ها را از دست خواهند داد؟ اتکای بیش از حد به هوش مصنوعی در بدترین حالت می‌تواند تخصص را از بین ببرد؛ این چیزی است که برنامه‌های آموزشی و تربیتی باید خود را با آن وفق دهند و اطمینان حاصل کنند که افراد حتی اگر هوش مصنوعی کمک کند، همچنان اصول اولیه را یاد می‌گیرند.

• تصمیم‌گیری اخلاقی: هوش مصنوعی فاقد قضاوت اخلاقی انسانی است. در مراقبت‌های بهداشتی یا حقوقی، تصمیمات صرفاً مبتنی بر داده ممکن است در موارد خاص با شفقت یا عدالت در تضاد باشند. ممکن است لازم باشد چارچوب‌های اخلاقی را در هوش مصنوعی کدگذاری کنیم (حوزه‌ای از تحقیقات اخلاق هوش مصنوعی، مثلاً همسو کردن تصمیمات هوش مصنوعی با ارزش‌های انسانی). حداقل، توصیه می‌شود انسان‌ها را در حلقه تصمیمات اخلاقی قرار دهیم.

• شمول: اطمینان از توزیع گسترده مزایای هوش مصنوعی، یک هدف اخلاقی است. اگر فقط شرکت‌های بزرگ بتوانند از هوش مصنوعی پیشرفته بهره‌مند شوند، ممکن است کسب‌وکارهای کوچک‌تر یا مناطق فقیرتر عقب بمانند. تلاش‌های متن‌باز و راه‌حل‌های مقرون‌به‌صرفه هوش مصنوعی می‌تواند به دموکراتیزه کردن دسترسی کمک کند. همچنین، رابط‌ها باید طوری طراحی شوند که هر کسی بتواند از ابزارهای هوش مصنوعی (زبان‌های مختلف، دسترسی برای افراد دارای معلولیت و غیره) استفاده کند، مبادا شکاف دیجیتالی جدیدی بین «چه کسی دستیار هوش مصنوعی دارد و چه کسی ندارد» ایجاد کنیم.

کاهش ریسک فعلی: از جنبه مثبت، همزمان با عرضه هوش مصنوعی نسل جدید توسط شرکت‌ها، آگاهی و اقدام در مورد این مسائل رو به افزایش است. تا اواخر سال ۲۰۲۳، تقریباً نیمی از شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، به طور فعال برای کاهش خطراتی مانند عدم دقت تلاش می‌کردند ( وضعیت هوش مصنوعی در سال ۲۰۲۳: سال موفقیت هوش مصنوعی نسل جدید | مک‌کینزی ) ( وضعیت هوش مصنوعی: نظرسنجی جهانی | مک‌کینزی ) و این تعداد در حال افزایش است. شرکت‌های فناوری هیئت‌های اخلاق هوش مصنوعی تشکیل داده‌اند؛ دولت‌ها در حال تدوین مقررات هستند. نکته کلیدی این است که اخلاق از ابتدا در توسعه هوش مصنوعی گنجانده شود ("اخلاق بر اساس طراحی")، نه اینکه بعداً واکنش نشان داده شود.

در پایان در مورد چالش‌ها: اعطای استقلال بیشتر به هوش مصنوعی، شمشیری دولبه است. این امر می‌تواند منجر به کارایی و نوآوری شود، اما مستلزم مسئولیت‌پذیری بالایی است. سال‌های آینده احتمالاً ترکیبی از راه‌حل‌های تکنولوژیکی (برای بهبود رفتار هوش مصنوعی)، راه‌حل‌های فرآیندی (چارچوب‌های سیاست‌گذاری و نظارت) و شاید استانداردها یا گواهینامه‌های جدید (سیستم‌های هوش مصنوعی ممکن است مانند موتورها یا الکترونیک امروزی، حسابرسی و تأیید شوند) را شاهد خواهیم بود. عبور موفقیت‌آمیز از این چالش‌ها، تعیین خواهد کرد که چقدر می‌توانیم هوش مصنوعی مستقل را به گونه‌ای در جامعه ادغام کنیم که رفاه و اعتماد انسان را افزایش دهد.

نتیجه‌گیری

هوش مصنوعی مولد به سرعت از یک آزمایش بدیع به یک فناوری همه منظوره متحول کننده که تمام گوشه و کنار زندگی ما را تحت تأثیر قرار می‌دهد، تکامل یافته است. این مقاله بررسی کرده است که چگونه تا سال 2025، سیستم‌های هوش مصنوعی در حال حاضر مقالاتی را می‌نویسند، گرافیک طراحی می‌کنند، نرم‌افزار کدنویسی می‌کنند، با مشتریان چت می‌کنند، یادداشت‌های پزشکی را خلاصه می‌کنند، به دانش‌آموزان تدریس خصوصی می‌دهند، زنجیره‌های تأمین را بهینه می‌کنند و گزارش‌های مالی را تهیه می‌کنند. نکته مهم این است که در بسیاری از این وظایف، هوش مصنوعی می‌تواند با دخالت کم یا بدون دخالت انسان ، به ویژه برای مشاغل تعریف شده و تکرارپذیر، عمل کند. شرکت‌ها و افراد در حال اعتماد به هوش مصنوعی برای انجام این وظایف به صورت مستقل هستند و از مزایای سرعت و مقیاس بهره‌مند می‌شوند.

با نگاهی به آینده تا سال ۲۰۳۵، ما در آستانه دورانی ایستاده‌ایم که هوش مصنوعی به عنوان یک همکار فراگیرتر عمل خواهد کرد - اغلب به عنوان یک نیروی کار دیجیتالی نامرئی که امور روزمره را مدیریت می‌کند تا انسان‌ها بتوانند روی موارد استثنایی تمرکز کنند. ما پیش‌بینی می‌کنیم که هوش مصنوعی مولد، خودروها و کامیون‌ها را به طور قابل اعتمادی در جاده‌های ما براند، موجودی انبارها را در طول شب مدیریت کند، به عنوان دستیاران شخصی آگاه به سوالات ما پاسخ دهد، آموزش‌های تک به تک به دانشجویان در سراسر جهان ارائه دهد و حتی به کشف درمان‌های جدید در پزشکی کمک کند - همه اینها با نظارت مستقیم به طور فزاینده‌ای حداقلی. مرز بین ابزار و عامل با حرکت هوش مصنوعی از پیروی منفعلانه از دستورالعمل‌ها به سمت تولید فعال راه‌حل‌ها، محو خواهد شد.

با این حال، سفر به سوی این آینده‌ی هوش مصنوعی مستقل باید با دقت طی شود. همانطور که بیان کردیم، هر حوزه، مجموعه محدودیت‌ها و مسئولیت‌های خاص خود را به همراه دارد:

• بررسی واقعیت امروز: هوش مصنوعی مصون از خطا نیست. در تشخیص الگو و تولید محتوا عالی است اما فاقد درک واقعی و عقل سلیم به معنای انسانی است. بنابراین، در حال حاضر، نظارت انسانی همچنان یک شبکه ایمنی است. تشخیص اینکه هوش مصنوعی در کجا آماده پرواز انفرادی است (و در کجا نیست) بسیار مهم است. بسیاری از موفقیت‌های امروز از تیمی انسان-هوش مصنوعی و این رویکرد ترکیبی در جایی که استقلال کامل هنوز محتاطانه نیست، همچنان ارزشمند خواهد بود.

• وعده فردا: با پیشرفت در معماری مدل‌ها، تکنیک‌های آموزشی و مکانیسم‌های نظارتی، قابلیت‌های هوش مصنوعی همچنان گسترش خواهد یافت. دهه بعدی تحقیق و توسعه می‌تواند بسیاری از مشکلات فعلی (کاهش توهمات، بهبود تفسیرپذیری، همسوسازی هوش مصنوعی با ارزش‌های انسانی) را حل کند. در این صورت، سیستم‌های هوش مصنوعی تا سال ۲۰۳۵ می‌توانند به اندازه کافی قوی باشند که استقلال بسیار بیشتری به آنها سپرده شود. پیش‌بینی‌های این مقاله - از معلمان هوش مصنوعی گرفته تا مشاغل عمدتاً خودگردان - ممکن است واقعیت ما باشند، یا حتی توسط نوآوری‌هایی که امروزه تصور آنها دشوار است، پشت سر گذاشته شوند.

• نقش و سازگاری انسان: به جای اینکه هوش مصنوعی به طور کامل جایگزین انسان‌ها شود، پیش‌بینی می‌کنیم که نقش‌ها در حال تکامل هستند. متخصصان در هر زمینه‌ای احتمالاً باید در کار با هوش مصنوعی مهارت پیدا کنند - هدایت آن، تأیید آن و تمرکز بر جنبه‌هایی از کار که به نقاط قوت متمایز انسانی مانند همدلی، تفکر استراتژیک و حل مسائل پیچیده نیاز دارند. آموزش و پرورش و آموزش نیروی کار باید به گونه‌ای باشد که بر این مهارت‌های منحصر به فرد انسانی و همچنین سواد هوش مصنوعی برای همه تأکید کند. سیاست‌گذاران و رهبران کسب‌وکار باید برای گذار در بازار کار برنامه‌ریزی کنند و سیستم‌های پشتیبانی را برای افراد آسیب‌دیده از اتوماسیون تضمین کنند.

• اخلاق و حاکمیت: شاید از همه مهم‌تر، چارچوبی برای استفاده و حاکمیت اخلاقی هوش مصنوعی باید زیربنای این رشد فناوری باشد. اعتماد، واحد پول پذیرش است - مردم فقط در صورتی به هوش مصنوعی اجازه رانندگی یا کمک در جراحی می‌دهند که به ایمن بودن آن اعتماد داشته باشند. ایجاد این اعتماد شامل آزمایش دقیق، شفافیت، مشارکت ذینفعان (مثلاً مشارکت پزشکان در طراحی هوش مصنوعی پزشکی، معلمان در ابزارهای آموزشی هوش مصنوعی) و تنظیم مقررات مناسب است. همکاری بین‌المللی ممکن است برای مقابله با چالش‌هایی مانند جعل عمیق یا هوش مصنوعی در جنگ ضروری باشد و هنجارهای جهانی را برای استفاده مسئولانه تضمین کند.

در پایان، هوش مصنوعی مولد به عنوان یک موتور قدرتمند پیشرفت عمل می‌کند. اگر عاقلانه استفاده شود، می‌تواند انسان‌ها را از کار طاقت‌فرسا رهایی بخشد، خلاقیت را شکوفا کند، خدمات را شخصی‌سازی کند و شکاف‌ها را برطرف کند (در جایی که متخصصان کمیاب هستند، تخصص را به کار گیرد). نکته کلیدی این است که آن را به گونه‌ای به کار بگیریم که پتانسیل انسانی را تقویت کند نه اینکه آن را به حاشیه براند . در کوتاه‌مدت، این به معنای نگه داشتن انسان‌ها در حلقه هدایت هوش مصنوعی است. در درازمدت، به معنای رمزگذاری ارزش‌های انسانی در هسته سیستم‌های هوش مصنوعی است، به طوری که حتی وقتی آنها به طور مستقل عمل می‌کنند، به نفع جمعی ما عمل کنند.

دامنه	خودران قابل اعتماد امروز (2025)	انتظار می‌رود تا سال ۲۰۳۵، خودروهای خودران قابل اعتمادی تولید شود
نویسندگی و محتوا	- اخبار روتین (ورزشی، درآمد) که به صورت خودکار تولید می‌شوند. - خلاصه‌سازی نقد و بررسی محصولات توسط هوش مصنوعی. - پیش‌نویس مقالات یا ایمیل‌ها برای ویرایش انسانی. ( فیلانا پترسون - پروفایل انجمن ONA ) ( آمازون با هوش مصنوعی تجربه نقد و بررسی مشتریان را بهبود می‌بخشد )	- بیشتر محتوای خبری و بازاریابی به صورت خودکار و با دقت واقعی نوشته می‌شوند. - هوش مصنوعی مقالات و بیانیه‌های مطبوعاتی کاملی را با حداقل نظارت تولید می‌کند. - محتوای بسیار شخصی‌سازی‌شده بر اساس تقاضا تولید می‌شود.
هنرهای تجسمی و طراحی	- هوش مصنوعی تصاویر را از روی دستورالعمل‌ها تولید می‌کند (انسان بهترین را انتخاب می‌کند). - طرح‌های مفهومی و تغییرات طراحی به صورت خودکار ایجاد می‌شوند.	- هوش مصنوعی صحنه‌های کامل ویدیویی/فیلم و گرافیک‌های پیچیده را تولید می‌کند. - طراحی مولد محصولات/معماری مطابق با مشخصات. - رسانه‌های شخصی‌سازی‌شده (تصاویر، ویدیو) که بنا به تقاضا ایجاد می‌شوند.
کدنویسی نرم‌افزار	- هوش مصنوعی کد را به طور خودکار تکمیل می‌کند و توابع ساده را می‌نویسد (بررسی شده توسط توسعه‌دهنده). - تولید خودکار تست و پیشنهاد اشکال. ( کدنویسی در Copilot: داده‌های ۲۰۲۳ نشان‌دهنده فشار رو به پایین بر کیفیت کد است (شامل پیش‌بینی‌های ۲۰۲۴) - GitClear ) ( گزارش تحقیقاتی GitHub Copilot در مورد دستیاران کد هوش مصنوعی برتر است -- مجله ویژوال استودیو )	- هوش مصنوعی تمام ویژگی‌ها را از روی مشخصات به طور قابل اعتمادی پیاده‌سازی می‌کند. - اشکال‌زدایی و نگهداری خودکار کد برای الگوهای شناخته شده. - ایجاد برنامه کم کد با ورودی کم انسان.
خدمات مشتریان	- چت‌بات‌ها به سوالات متداول پاسخ می‌دهند، مسائل ساده (موارد پیچیده و انتقال سفارش) را حل می‌کنند. - هوش مصنوعی حدود ۷۰٪ از سوالات معمول را در برخی کانال‌ها مدیریت می‌کند. ( ۵۹ آمار خدمات مشتری هوش مصنوعی برای سال ۲۰۲۵ ) ( تا سال ۲۰۳۰، ۶۹٪ از تصمیمات در طول تعاملات با مشتری ... خواهد بود )	- هوش مصنوعی اکثر تعاملات مشتری، از جمله پرسش‌های پیچیده را از ابتدا تا انتها مدیریت می‌کند. - تصمیم‌گیری هوش مصنوعی در لحظه برای امتیازات خدمات (بازپرداخت، ارتقاء). - عوامل انسانی فقط برای تشدید یا موارد خاص.
بهداشت و درمان	- هوش مصنوعی یادداشت‌های پزشکی را تهیه می‌کند؛ تشخیص‌هایی را پیشنهاد می‌دهد که پزشکان تأیید می‌کنند. - هوش مصنوعی برخی اسکن‌ها (رادیولوژی) را با نظارت می‌خواند؛ موارد ساده را اولویت‌بندی می‌کند. ( محصولات تصویربرداری پزشکی هوش مصنوعی می‌توانند تا سال ۲۰۳۵ پنج برابر افزایش یابند )	- هوش مصنوعی به طور قابل اعتمادی بیماری‌های رایج را تشخیص می‌دهد و اکثر تصاویر پزشکی را تفسیر می‌کند. - هوش مصنوعی بیماران را رصد می‌کند و مراقبت را آغاز می‌کند (مثلاً یادآوری دارو، هشدارهای اضطراری). - "پرستاران" مجازی هوش مصنوعی پیگیری‌های معمول را انجام می‌دهند؛ پزشکان بر مراقبت‌های پیچیده تمرکز دارند.
آموزش	- معلمان هوش مصنوعی به سوالات دانش‌آموزان پاسخ می‌دهند، مسائل تمرینی ایجاد می‌کنند (ناظران معلمان). - هوش مصنوعی به نمره‌دهی کمک می‌کند (با بررسی معلم). ([هوش مصنوعی مولد برای آموزش K-12])	گزارش تحقیق توسط Applify]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
لجستیک	- هوش مصنوعی مسیرهای تحویل و بسته‌بندی را بهینه می‌کند (انسان‌ها اهداف را تعیین می‌کنند). - هوش مصنوعی خطرات زنجیره تأمین را علامت‌گذاری کرده و راهکارهایی برای کاهش آنها پیشنهاد می‌دهد. ( موارد برتر استفاده از هوش مصنوعی مولد در لجستیک )	- تحویل‌های عمدتاً خودران (کامیون‌ها، پهپادها) تحت نظارت کنترل‌کنندگان هوش مصنوعی. - هوش مصنوعی به طور خودکار محموله‌ها را در صورت بروز اختلال، تغییر مسیر می‌دهد و موجودی را تنظیم می‌کند. - هماهنگی سرتاسری زنجیره تأمین (سفارش، توزیع) که توسط هوش مصنوعی مدیریت می‌شود.
امور مالی	- هوش مصنوعی گزارش‌های مالی/خلاصه اخبار (با بررسی انسانی) را تولید می‌کند. - مشاوران رباتیک، پرتفوی‌های ساده را مدیریت می‌کنند؛ چت هوش مصنوعی به سوالات مشتریان رسیدگی می‌کند. ( هوش مصنوعی مولد به حوزه مالی می‌آید )	- تحلیلگران هوش مصنوعی توصیه‌های سرمایه‌گذاری و گزارش‌های ریسک را با دقت بالا تولید می‌کنند. - معاملات خودکار و متعادل‌سازی مجدد پرتفوی در محدوده‌های تعیین‌شده. - هوش مصنوعی به‌طور خودکار وام‌ها/مطالبات استاندارد را تأیید می‌کند؛ انسان‌ها استثنائات را مدیریت می‌کنند.

مراجع:

1. پترسون، فیلانا. گزارش‌های خودکار درآمد چند برابر می‌شوند . آسوشیتدپرس (۲۰۱۵) - تولید خودکار هزاران گزارش درآمد توسط آسوشیتدپرس را بدون نویسنده انسانی توصیف می‌کند ( گزارش‌های خودکار درآمد چند برابر می‌شوند | آسوشیتدپرس ).

2. مک‌کینزی و شرکا. وضعیت هوش مصنوعی در اوایل سال ۲۰۲۴: پذیرش هوش مصنوعی نسل جدید افزایش می‌یابد و شروع به تولید ارزش می‌کند . (۲۰۲۴) - گزارش می‌دهد که ۶۵٪ از سازمان‌ها به طور منظم از هوش مصنوعی مولد استفاده می‌کنند، که تقریباً دو برابر سال ۲۰۲۳ است ( وضعیت هوش مصنوعی در اوایل سال ۲۰۲۴ | مک‌کینزی )، و تلاش‌های کاهش ریسک را مورد بحث قرار می‌دهد ( وضعیت هوش مصنوعی: نظرسنجی جهانی | مک‌کینزی ).

3. گارتنر. فراتر از ChatGPT: آینده هوش مصنوعی مولد برای شرکت‌ها . (2023) - پیش‌بینی می‌کند که تا سال 2030، 90 درصد از یک فیلم پرفروش می‌تواند توسط هوش مصنوعی تولید شود ( موارد استفاده هوش مصنوعی مولد برای صنایع و شرکت‌ها ) و موارد استفاده هوش مصنوعی مولد مانند طراحی دارو را برجسته می‌کند ( موارد استفاده هوش مصنوعی مولد برای صنایع و شرکت‌ها ).

4. Twipe. 12 روش استفاده روزنامه‌نگاران از ابزارهای هوش مصنوعی در اتاق خبر . (2024) - نمونه‌ای از هوش مصنوعی «کلارا» در یک رسانه خبری که 11٪ از مقالات را می‌نویسد، و ویراستاران انسانی تمام محتوای هوش مصنوعی را بررسی می‌کنند ( 12 روش استفاده روزنامه‌نگاران از ابزارهای هوش مصنوعی در اتاق خبر - Twipe ).

5. اخبار Amazon.com. آمازون با هوش مصنوعی تجربه نظرات مشتریان را بهبود می‌بخشد . (2023) - خلاصه نظرات تولید شده توسط هوش مصنوعی را در صفحات محصول برای کمک به خریداران اعلام می‌کند ( آمازون با هوش مصنوعی تجربه نظرات مشتریان را بهبود می‌بخشد ).

6. Zendesk. 59 آمار خدمات مشتری هوش مصنوعی برای سال 2025. (2023) - نشان می‌دهد که بیش از دو سوم سازمان‌های تجربه مشتری فکر می‌کنند هوش مصنوعی مولد، «گرمی» را به خدمات اضافه خواهد کرد ( 59 آمار خدمات مشتری هوش مصنوعی برای سال 2025 ) و پیش‌بینی می‌کند که هوش مصنوعی در نهایت در 100٪ تعاملات مشتری نقش خواهد داشت ( 59 آمار خدمات مشتری هوش مصنوعی برای سال 2025 ).

7. Futurum Research & SAS. Experience 2030: آینده تجربه مشتری . (2019) - نظرسنجی نشان می‌دهد که برندها انتظار دارند تا سال 2030، حدود 69 درصد از تصمیمات در طول تعامل با مشتری توسط ماشین‌های هوشمند گرفته شود ( برای بازاندیشی تغییر به سمت تجربه مشتری، بازاریابان باید این 2 کار را انجام دهند ).

8. Dataiku. برترین موارد استفاده هوش مصنوعی مولد در لجستیک . (2023) - شرح می‌دهد که چگونه GenAI بارگیری را بهینه می‌کند (کاهش حدود 30٪ فضای خالی کامیون) ( برترین موارد استفاده هوش مصنوعی مولد در لجستیک ) و با بررسی اخبار، خطرات زنجیره تأمین را مشخص می‌کند.

9. مجله ویژوال استودیو. GitHub Copilot در صدر گزارش تحقیقاتی در مورد دستیاران کد هوش مصنوعی قرار گرفت . (2024) - فرضیات برنامه‌ریزی استراتژیک گارتنر: تا سال 2028، 90٪ از توسعه‌دهندگان سازمانی از دستیاران کد هوش مصنوعی استفاده خواهند کرد (نسبت به 14٪ در سال 2024) ( GitHub Copilot در صدر گزارش تحقیقاتی در مورد دستیاران کد هوش مصنوعی -- مجله ویژوال استودیو ).

10. اخبار بلومبرگ. معرفی BloombergGPT . (2023) - جزئیات مدل پارامتر 50B بلومبرگ با هدف انجام وظایف مالی، که برای پرسش و پاسخ و پشتیبانی از تجزیه و تحلیل در ترمینال تعبیه شده است ( هوش مصنوعی مولد به امور مالی می‌آید ).

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 مشاغلی که هوش مصنوعی نمی‌تواند جایگزین آنها شود - و هوش مصنوعی جایگزین چه مشاغلی خواهد شد؟
نگاهی جهانی به چشم‌انداز شغلی در حال تحول، بررسی اینکه کدام نقش‌ها از اختلال هوش مصنوعی در امان هستند و کدام‌ها بیشتر در معرض خطر هستند.

🔗 آیا هوش مصنوعی می‌تواند بازار سهام را پیش‌بینی کند؟
نگاهی عمیق به قابلیت‌ها، محدودیت‌ها و ملاحظات اخلاقی استفاده از هوش مصنوعی برای پیش‌بینی بازار سهام.

🔗 چگونه می‌توان از هوش مصنوعی مولد در امنیت سایبری استفاده کرد؟
بیاموزید که چگونه هوش مصنوعی مولد برای دفاع در برابر تهدیدات سایبری، از تشخیص ناهنجاری گرفته تا مدل‌سازی تهدید، به کار گرفته می‌شود.