من به عنوان یک مربی کالج و کهنه کار صنعت فناوری اطلاعات، متوجه شدم که هیاهوی پیرامون مدل R1 دیپسیک چین، یادآوری مفیدی از سه چیز است.
اولین مورد این است که هوش مصنوعی مولد دیگر فقط پردازش مقادیر زیادی محتوا برای تولید پاسخهای مرتبط به درخواستها نیست. بلکه در مورد استدلال شناختی (حرف "R" در R1) نیز هست.
وعده استدلال مدلهای زبانی بزرگ (LLMها) این است که قابلیتهای بازیابی دانش عظیم و پردازش شناختی - که زمانی منحصر به نوابغ با ابررایانهها بود - اکنون در دستان تقریباً همه قرار دارد. به لطف نسل جدیدی از پیشرفتها در تکنیکهای افزایش کارایی، مدلهایی به اندازه کافی کوچک وجود دارند که میتوانند روی یک لپتاپ معمولی اجرا شوند و از چندین عامل هوشمند پشتیبانی کنند که میتوانند بهطور مستقل وظایف پیچیده و تعاملی را انجام دهند.
دوم، انقلاب هوش مصنوعی مولد، در درجه اول در مورد نوآوری و خلاقیت است - این فقط یک مسابقه تسلیحاتی برای قدرتمندترین سختافزار، اندازه مجموعههای داده آموزشی یا تعداد پارامترهای مدل نیست. پذیرش موفقیتآمیز این فناوریها توسط شرکتهای بزرگ فناوری با ابررایانههای عظیم و پرمصرف که مدلهای چند میلیارد دلاری را آموزش میدهند تعیین نمیشود، بلکه توسط کشورها و سازمانهایی تعیین میشود که در سرمایه انسانی سرمایهگذاری میکنند تا آنها را برای این موج جدید آماده کنند.
سوم، و بر اساس نکته آخر، به نظر میرسد آمریکا برای تغییرات چشمگیری که در اقتصاد و جامعه ما رخ میدهد، آمادگی چندانی ندارد. من دو مثال ذکر خواهم کرد: آموزش عالی و شرکتهای آمریکایی.
آموزش عالی
در بیشتر مؤسسات آموزش عالی، اولین تصمیم بزرگ یک دانشجوی کارشناسی، تصمیمگیری برای پیگیری مدرک لیسانس هنر (BA) است که با آموزش گستردهتر و بینرشتهای مرتبط است، یا مدرک لیسانس علوم (BS) که بیشتر بر توسعه مهارتها و تجربه عملی در زمینههای خاص متمرکز است.
در عصر هوش مصنوعی، این یک دوگانگی ناامیدکننده قدیمی است، زیرا هر دو مجموعه رشتهها در محل کار ضروری هستند.
واقعیت این است که اکثر دانشجویان سال اول تقریباً هیچ دانش یا بینشی از نحوه کار در انواع مختلف مشاغل یا حتی نقاط قوت و ضعف نسبی تواناییها، استعدادها، مهارتها و استعدادهای خود ندارند. و با این حال، اکثر دانشجویان سال اول ملزم به اعلام رشته هستند، که یک تصمیم آسان فقط برای آن درصد کمی خواهد بود که (چه بهتر و چه بدتر) میدانند (یا حداقل فکر میکنند میدانند) چه زمینهای را میخواهند دنبال کنند: مهندسی، علوم، پزشکی، حقوق و غیره.
ما به یک رویکرد بسیار متفاوت، آماده برای شغل، گستردهتر و بینرشتهای برای آموزش عالی نیاز داریم که تصدیق کند اولین شغل تمام وقت فارغالتحصیل کالج ممکن است هیچ ارتباطی با مدرکی که کسب کرده یا رشته تحصیلی اش نداشته باشد. اینکه تجربه کالج آنها صرفاً اولین مرحله در یک سفر مادام العمر یادگیری مستمر - ارتقاء مهارت، اعتباربخشی، اختراع مجدد، تغییر شغل - برای نقشهایی است که حتی اکنون نمیتوانیم تصور کنیم.
همچنین، ما به عنوان مربی، باید استراتژیهای جدیدی را برای رسیدگی به سرقت ادبی هوش مصنوعی و هدایت خطرات تبدیل شدن رباتهای گفتگو به میانبرهای فکری یا "تخلیه شناختی" - تمایل به تکیه بر ابزارهای خارجی به جای توسعه قابلیتهای داخلی - توسعه دهیم.
در عصری که دانش از درک جدا شده است، وسوسه بسیار زیادی وجود دارد که به سادگی از هوش مصنوعی برای یک پاسخ یا راه حل فوری استفاده کنیم، به جای اینکه برای درک یک مفهوم یا حل یک مشکل تلاش کنیم.
فناوری اطلاعات شرکتی
به نظر میرسد اکثر شرکتها نیز متوجه پیامدهای سازمانی این فناوریهای جدید نیستند.
نقشها و ساختارهای فناوری اطلاعات فعلی منعکس کننده الزامات سازمانی از انقلاب دیجیتال قبلی است. این کارکردها از تخصص ویژهای ناشی میشوند که برای انسانها برای استفاده و تعامل با رایانهها مورد نیاز است - برنامهنویسی، مهندسی داده، معماری رایانه، مدیریت شبکه، امنیت اطلاعات و غیره.
در مقابل، هوش مصنوعی مولد (و کل زمینه پردازش زبان طبیعی که قبل از آن بود) در مورد طراحی و آموزش رایانهها برای تعامل با انسانها است.
در نتیجه، کارمندان عادی در حال اختراع راههای درخشان (و گاهی خطرناک) برای استفاده از این فناوریها هستند. سازمانها در تلاش هستند تا سیاستها، رویهها و کنترلهای قابل اجرا را برای به حداکثر رساندن مزایای احتمالی بهرهوری و در عین حال به حداقل رساندن خطرات، ارائه دهند.
یک مشکل کلیدی این است که در اکثر شرکتها، تخصص علم داده تمایل دارد در بخشهای فناوری اطلاعات متمرکز شود، که بیشتر آنها هنوز به عنوان اصناف مخفی با زبان و شیوههای مرموز خود عمل میکنند که از نظر سازمانی و عملکردی از واحدهای اصلی تجاری جدا شدهاند. من معتقدم که انقلاب بهرهوری آینده نیازمند انواع جدیدی از نقشها و ساختارهای سازمانی است که در آن تخصص داده در یک عملکرد تخصصی محصور نشده باشد، بلکه تقریباً با هر جنبهای از عملیات مرتبط باشد.
و همچنین چالش داده وجود دارد. در اکثر سازمانها، اتخاذ هوش مصنوعی در مورد سفارشیسازی LLMها برای اجرای موارد استفاده تخصصی با استفاده از دادههای اختصاصی است. در حالی که کاربران داده در خطوط تجاری دادههای کاملاً دقیق، تمیز و به خوبی مدیریت شده میخواهند، صاحبان فردی داده در فناوری اطلاعات بودجه، انگیزه مالی یا اختیار سازمانی برای اطمینان از این سطح از کیفیت و شفافیت را ندارند.
در نتیجه، مجموعههای داده داخلی به خوبی در سراسر شرکت قابل کشف/مدیریت نیستند. به طور معمول انواع مختلف داده در مکانهای مختلف ذخیره میشوند. در پاسخ به درخواستهای کاربران تجاری، فناوری اطلاعات دیدگاههای مختلفی از دادهها ارائه میدهد، نسخههای مختلفی (و نسخههایی از نسخهها) از دادهها ایجاد میکند و نمایشها و انتزاعهایی از دادهها را به دلایل مختلف ایجاد میکند... در این مرحله، هیچکس نمیداند کدام نسخهها قدیمی، ناقص، تکراری، نادرست یا زمینه آنها هستند.
نتیجهگیری
هوش مصنوعی مولد این پتانسیل را دارد که تمام اشکال کار دانش را متحول کند. در هسته خود، این فناوری در مورد دموکراتیزه کردن تخصص است (چه خوب و چه بد) - واسطهگری متخصصانی مانند برنامهنویسان، فیلمبرداران، تصویرگران، نویسندگان، ویراستاران و تقریباً هر نوع کارگر دانش یا "متخصص". هرگز پیش از این انسانها با فناوری روبرو نشدهاند که با تواناییهای پردازش شناختی و استدلالی خودشان رقابت کند - صرفاً قدرت بدنی، استقامت، دقت و مهارت، و توانایی جمعآوری و پردازش حجم عظیمی از دادهها.
این انقلاب بهرهوری جدید هیجانانگیز نیازمند مجموعههای مهارت، قابلیتها و ساختارهای سازمانی جدیدی است که در آن تخصص داده جزء لاینفک تقریباً هر نوع فرآیند تجاری است.
نکته کنایهآمیز این است که با دستیابی ماشینها به قدرت تحلیلی بیشتر، جایگاه و ارزش یک کارمند در یک سلسله مراتب سازمانی ممکن است کمتر تابعی از تخصص، تجربه و مدارک تخصصی باشد، و بیشتر از مهارتهای خلاقانه، چند رشتهای و بین فردی آنها باشد.
زمان توسعه و سرمایهگذاری در این قابلیتها اکنون است.