هوش مصنوعی یک فرض اساسی در مورد نحوه سازماندهی شرکت‌ها را زیر و رو می‌کند

در بیشتر تاریخ، استخدام دوازده دکترا به معنای بودجه هنگفت و ماه‌ها زمان انتظار بود. امروزه، چند ضربه انگشت در یک ربات گفتگو آن قدرت مغزی را در عرض چند ثانیه احضار می‌کند.

از آنجایی که هوش ارزان‌تر و سریع‌تر می‌شود، فرض اساسی زیربنای نهادهای ما - اینکه بینش انسانی کمیاب و گران است - دیگر صادق نیست. وقتی می‌توانید به طور مؤثر با دوازده متخصص در هر زمان که بخواهید مشورت کنید، نحوه سازماندهی شرکت‌ها، نحوه نوآوری و نحوه برخورد هر یک از ما با یادگیری و تصمیم‌گیری را تغییر می‌دهد. سؤالی که افراد و سازمان‌ها به طور یکسان با آن روبرو هستند این است: وقتی خود هوش به طور ناگهانی فراگیر و عملاً رایگان شود، چه خواهید کرد؟

این اولین بار نیست که شاهد یک کاهش انقلابی در هزینه و توزیع دانش هستیم. هنگامی که دستگاه چاپ در اواسط قرن پانزدهم ظهور کرد، هزینه انتشار مطالب نوشتاری را به شدت کاهش داد. قبل از چاپ، متون با زحمت و به صورت دستی تکثیر می‌شدند، اغلب توسط کاتبان راهب که خود متخصصان بسیار آموزش‌دیده‌ای بودند.

هنگامی که این گلوگاه از بین رفت، اروپا دستخوش تحولات گسترده‌ای شد: اصلاحات پروتستانی مذهب را تغییر شکل داد، نرخ باسوادی به شدت افزایش یافت (راه را برای آموزش ابتدایی هموار کرد) و تحقیقات علمی از طریق رساله‌های چاپی شکوفا شد. بزرگترین ذینفعان این تغییرات، کشورهای تجاری هلند و انگلیس بودند که از عصر طلایی برخوردار شدند - و در مورد انگلیس، قرن‌ها رهبری جهانی.

با گذشت زمان، باسوادی جمعی همراه با آموزش عمومی باعث فراوانی بیشتر هوش شد و به صنعتی شدن دامن زد. کارخانه‌ها به طور فزاینده‌ای تخصصی شدند و تقسیم کار پیچیده‌ای را امکان‌پذیر کردند که باعث رشد اقتصادی شد. کشورهایی که در اواخر دهه 1700 نرخ باسوادی مردان بالاتری داشتند، از اولین کشورهایی بودند که صنعتی شدند. در اواخر دهه 1800، پیشرفته‌ترین اقتصادها از نظر فناوری نیز باسوادترین جمعیت‌ها را داشتند. با یادگیری مهارت‌های فنی جدید توسط کارگران، بازارهای کار از مشاغل تخصصی‌تری حمایت کردند و چرخه‌ی فضیلت‌مندی از رشد را ایجاد کردند که تا به امروز ادامه دارد.

اینترنت این روند را با کاهش چشمگیر هزینه دسترسی به اطلاعات قابل اعتماد گسترش داد. وقتی من کودک بودم، تحقیق در مورد یک موضوع جدید به معنای پیاده‌روی تا کتابخانه محلی با لیستی از موضوعات بود، تلاشی که می‌توانست نیمی از روز را ببلعد. در آن زمان، دانش ارزان یا به راحتی در دسترس نبود.

امروزه، هوش مصنوعی گام بعدی را در فرآیند هزاران ساله کاهش هزینه‌های هوش ارائه می‌دهد. این ممکن است فصل بعدی تکامل اقتصادی و فکری ما را تعریف کند.

استفاده از ChatGPT برای اولین بار، در دسامبر 2022، مانند یک نقطه عطف بود. در ابتدا، آزمایش‌های من صرفاً چیزهای پیش پا افتاده دیجیتالی بودند - مانند درخواست از هوش مصنوعی برای "بازنویسی اعلامیه استقلال به سبک Eminem". ("Yo، ما اینجا هستیم تا آن را با صدای بلند بگوییم، اینجاست جمعیتی که تعظیم نخواهند کرد.")

در نگاهی به گذشته، این شبیه به درخواست از یک سرآشپز Cordon Bleu برای تهیه یک پنیر کبابی بود. تا بعد از ظهر ژانویه 2023، در حالی که با دختر 12 ساله‌ام نشسته بودم، شروع به درک قدرت واقعی این ابزارهای جدید کردم. در طی چند ساعت، با ChatGPT همکاری کردیم تا یک بازی تخته‌ای کاملاً جدید طراحی کنیم.

برای رسیدن به آنجا، به دستیار هوش مصنوعی خود در مورد بازی‌هایی که دوست داشتیم و بازی‌هایی که دوست نداشتیم، گفتم و از او خواستم تا ویژگی‌های هر کدام را شناسایی کند. متوجه شد که ما بازی‌هایی با ویژگی‌های خاص دوست داریم - مسیرسازی، مدیریت منابع، جمع‌آوری، برنامه‌ریزی استراتژیک - و با پویایی‌هایی که برنده نهایی را نامشخص می‌کند. همچنین تمام چیزهایی را که دوست نداشتیم و برای بازی‌هایی مانند Risk و Monopoly رایج است، شناسایی کرد.

از ChatGPT خواستم تا مفاهیم بازی را بر اساس این عناصر خاص که به راحتی قابل مشاهده نبودند، ارائه دهد و پیشنهاد دادم که چیزی تاریخی می‌خواهم. بازی Elemental Discoveries ظاهر شد. بازیکنان نقش شیمیدانان محقق را در قرن 18 و 19 بر عهده می‌گیرند و برای کشف عناصر جدید، جمع‌آوری و تجارت منابع برای انجام آزمایش‌ها و کسب امتیاز با یکدیگر رقابت می‌کنند. بازیکنان، البته، توانایی خرابکاری یکدیگر را دارند.

سپس از هوش مصنوعی خواستم تا جزئیات بیشتری در مورد منابع، گیم پلی، پویایی بازی و بازیکنان خاصی که می‌توانند بازی را جذاب کنند، ارائه دهد. Alchemist، Saboteur، Merchant و Scientist را بیرون کشید. همچنین شخصیت‌های خاصی را که باید این نقش‌ها را بر عهده بگیرند، شناسایی کرد و چهره‌های تاریخی مانند Antoine Lavoisier، Joseph-Louis Gay-Lussac، Marie Curie، Carl Wilhelm Scheele و دیگران را پیشنهاد کرد.

تنها در دو یا سه ساعت - با استفاده از یک نسخه بسیار ابتدایی از ChatGPT - ما یک بازی خام اما به طرز چشمگیری قابل بازی داشتیم. در نهایت مجبور شدم متوقف شوم، بخشی به این دلیل که وقتم تمام شد و بخشی به این دلیل که خسته شده بودم. این به من نشان داد که چگونه یک همکار هوش مصنوعی می‌تواند هفته‌ها تحقیق و توسعه را در چند ساعت فشرده کند. تصور کنید پیامدهای آن برای توسعه محصول، تجزیه و تحلیل بازار یا حتی استراتژی شرکت چیست.

آنچه من تجربه کردم، سیستمی بود که ظاهراً می‌توانست استدلال پیشرفته انجام دهد. ChatGPT فقط خطوط را طوطی‌وار تکرار نمی‌کرد یا حقایق را بازگو نمی‌کرد. این سیستم تفکر قیاسی و مفهومی را نشان داد، ایده‌ها را به مراجع دنیای واقعی پیوند داد و حل مسئله خلاقانه واقعی را در صورت تقاضا نشان داد.

یک تریلیون از هر چیزی مقدار زیادی است. جای تعجب نیست که دانشمندان در ابتدا از مدل‌های زبانی بزرگ که زیربنای ChatGPT هستند، متحیر شدند. آنها ماشین‌های نرم‌افزاری فوق‌العاده پیچیده‌ای با 10 میلیارد، 500 میلیارد یا حتی یک تریلیون پارامتر هستند.

و ما واقعاً نمی‌دانیم که چگونه یا چرا آنها کار می‌کنند. از آنجایی که این مدل‌ها در هفت سال گذشته شروع به دستیابی به پیشرفت‌هایی کردند، برخی از نظریه‌پردازان استدلال کردند که آنها نمی‌توانند هیچ کار جدیدی انجام دهند - اصطلاح تحقیرآمیز "طوطی‌های تصادفی" که توسط محققان دانشگاهی در سال 2021 ابداع شد. LLMها معمولاً پاسخ‌ها را با پیش‌بینی تکه‌های متن بر اساس الگوهای آماری در داده‌های آموزشی ایجاد می‌کنند، مانند یک طوطی که به طور تصادفی رفتار می‌کند (روشی فانتزی برای گفتن احتمالی).

اما برای کسانی از ما که به طور مداوم تحت تأثیر این ابزارها قرار می‌گیریم، باور اینکه آنها صرفاً آنچه را که دیده‌اند طوطی‌وار تکرار می‌کنند، سخت بوده است. و در شش ماه گذشته، این موضوع کاملاً غیرقابل قبول به نظر می‌رسد.

مدل‌های زبانی بزرگ اولیه بدون فکر عمل می‌کردند. هیچ حسی از خوداندیشی وجود نداشت، یا هر معادل آن برای یک قطعه نرم‌افزار بدون حس خود. انسان‌ها نیز به طور مشابه رفتار می‌کنند: ما بیشتر به پاسخ‌های سریع و شهودی تکیه می‌کنیم، یا آنچه که دانیل کانمن، برنده جایزه نوبل فقید، تفکر نوع 1 نامید. اما کار واقعی ما از تفکر نوع 2 ناشی می‌شود، جایی که ما روشمند، سنجیده و آگاه هستیم - و بنابراین کمتر مستعد خطا هستیم. نسخه‌های اولیه ChatGPT و رقبای آن همگی نوع 1 بودند و هیچ نوع 2 وجود نداشت.

تا سپتامبر گذشته، یعنی زمانی که OpenAI از o1، یک مدل استدلالی که برای مقابله با مسائل منطقی پیچیده و چند مرحله‌ای با تقسیم آنها به مراحل ساختاریافته طراحی شده بود، رونمایی کرد. در حالی که LLMهای سنتی با وظایفی که نیاز به استدلال منطقی واقعی دارند، دست و پنجه نرم می‌کنند، اغلب به جای آن به حفظ کردن یا تطبیق الگوهای سطحی تکیه می‌کنند، این مدل‌های استدلالی جدید قادر به تجزیه مسئله، تأیید نتایج متوسط (در صورت نیاز به عقب‌نشینی) و انجام مراحل صحیح برای رسیدن به یک پاسخ نهایی هستند. با برخی معیارها، مدل‌های استدلالی بسیار، بسیار هوشمند هستند - به اندازه یا بهتر از یک انسان با مدرک دکترا که در حوزه تخصصی خود مورد پرسش قرار می‌گیرد.

شش ماه پس از انتشار o1 شاهد پیشرفت‌های عظیمی بوده‌ایم. جدیدترین روند هوش مصنوعی - روندی که احتمالاً هنگام خواندن این مطلب همچنان مرتبط خواهد بود - شامل تبدیل این مدل‌های استدلالی به دستیاران تحقیقاتی خودمختار است. این سیستم‌ها فوق‌العاده هستند.

برای حمایت از تحلیلی که انجام می‌دادم، اخیراً از یک ربات تحقیقاتی خواستم تا "یک تجزیه و تحلیل جامع از تأثیرات زیست محیطی رویدادها و عملیات در مقیاس بزرگ، مانند فرمول 1، Coachella، Disney World، یک کازینو در لاس وگاس، یک بیمارستان، یک باغ وحش بزرگ" و مثال‌های دیگر را انجام دهد. هوش مصنوعی 73 دقیقه را صرف انجام تحقیق، بررسی 29 منبع مستقل کرد، قبل از اینکه جدولی مفصل از نتایج که به 1916 کلمه به علاوه پاورقی می‌رسید را ارائه دهد. کیفیت آن ناقص است - تقریباً مشابه انداختن یک تحلیلگر فارغ‌التحصیل به سمت مشکل برای چند روز - اما مطمئناً روزها در وقت من صرفه‌جویی کرد.

فقط 18 ماه پیش، سیستم‌های هوش مصنوعی من در انجام کارهای 30 دقیقه‌ای به من کمک می‌کردند. دیگر اینطور نیست.

ما شاهد یک تکامل مستمر در طول مسیر استفاده از دانش و انجام کار شناختی بوده‌ایم. با اسرار معابد و متون نوشتاری اولیه، دروازه‌بانان دانش را کنترل می‌کردند. با ورود چاپ، قدرت از حوزه منزوی کاتبان و محققان خارج شد و دموکراتیزه شد. اینترنت این موضوع را بیشتر پیش برد - شما می‌توانید فرض کنید که هر کسی که اتصال به اینترنت دارد، اطلاعات یکسانی دارد، و چالش این بود که چگونه آن را تفسیر کنید. اکنون، وظایفی که زمانی نادر و پیچیده تلقی می‌شدند، بسیار در دسترس و فوق‌العاده ارزان شده‌اند.

با این حال، وقتی با رؤسای شرکت‌های بزرگ صحبت می‌کنم، معمولاً آنها را می‌بینم که از هوش مصنوعی در زمینه‌های بی‌اهمیت استفاده می‌کنند، دور از سؤالات دشواری که در مقابل هوش مصنوعی خود قرار می‌دهم. نقطه شروع اغلب در خودکارسازی خدمات مشتری برای کاهش هزینه‌ها است. برخی 86 درصد از 36000 پرسش خدمات مشتری هفتگی Salesforce توسط نمایندگان هوش مصنوعی پاسخ داده می‌شود، این را مدیرعامل آن در دسامبر گفت. Klarna، یک رهبر فین تک سوئدی، دو سوم چت‌های خدمات مشتری خود را با استفاده از هوش مصنوعی مدیریت می‌کند و 40 میلیون دلار سود از پذیرش به دست می‌آورد. اما تعداد بسیار کمی از شرکت‌ها واقعاً با کاهش 10 درصدی هزینه‌های خدمات مشتری، تغییری ایجاد می‌کنند. هیچ شرکت بزرگی صرفاً با کاهش هزینه‌ها ساخته نشده است.

اکثر شرکت‌ها با هوش مصنوعی کوچک شروع می‌کنند، وظایف 50 دلاری در ساعت مانند چت‌های خدمات مشتری را خودکار می‌کنند - مفید است، اما به سختی متحول کننده است. با این حال، همین پلتفرم‌های هوش مصنوعی می‌توانند با چالش‌های 5000 دلاری در ساعت مقابله کنند: تحقیق و توسعه، برنامه‌ریزی استراتژیک یا مشاوره تخصصی. چرا شرکت‌های بیشتری از آنها برای این اهداف استفاده نمی‌کنند؟

در یک سطح، تصور اینکه کارهایی که به افراد ارشد یا بهترین افراد خود محول کرده‌اید، می‌تواند توسط یک ماشین انجام شود یا تا حدی انجام شود، دشوار است. "وظایف با ارزش بالا" دقیقاً به این دلیل ارزشمند هستند که نمی‌توانید افراد کافی برای انجام آنها پیدا کنید. در نتیجه، سازمان‌ها تمایل دارند بر این اصل استوار باشند که تعداد ذهن‌های واقعاً درخشان محدود است.

یک شرکت داروسازی را در نظر بگیرید که به توسعه داروهای پرفروش متکی است. بزرگترین گلوگاه این است که چه تعداد داروی جدید می‌تواند از طریق فرآیند تأیید پرهزینه و زمان‌بر هدایت کند، که در آن می‌تواند 10 تا 15 سال و بیش از 1 میلیارد دلار طول بکشد تا یک ترکیب واحد به قفسه‌های داروخانه برسد. در بسیاری از موارد، تنها یکی از چند هزار نامزد واقعاً به قفسه‌های داروخانه می‌رسد. در همین حال، یک شرکت داروسازی بزرگ ممکن است هزاران برابر بیشتر از محققان درجه یک بازاریاب داشته باشد، که نشان دهنده این است که تخصص واقعی چقدر کمیاب و مورد تقاضا است.

با هوش مصنوعی، اکثر رهبری شرکت هنوز در مرحله خرید هستند، نه مرحله باور. کسب و کارها فرض می‌کنند که حل برخی از مشکلات بسیار پرهزینه است، بنابراین آنها را تحمل می‌کنند، درست مانند اینکه ممکن است یک کمر درد را تحمل کنید. این محاسبه با تغییر محدودیت‌ها از "آیا می‌توانیم به یک راه حل فکر کنیم؟" به "چقدر سریع می‌توانیم این ایده‌ها را پیاده‌سازی و اعتبارسنجی کنیم؟" تغییر خواهد کرد.

پیامدهای آن گسترده است. هنگامی که هر مشکلی را می‌توان با معادل ده‌ها متخصص در سطح دکترا مورد حمله قرار داد، نوآوری به طور چشمگیری تسریع می‌شود. درست همانطور که خط مونتاژ هنری فورد امکان تکرار سریع و بهبود فرآیندهای تولید خودرو را فراهم کرد، هوش مصنوعی امکان اصلاح و بهبود مداوم ایده‌ها و راه حل‌ها را فراهم می‌کند. شرکت‌ها می‌توانند سریع‌تر شکست بخورند، سریع‌تر یاد بگیرند و به طور موثرتری تغییر جهت دهند.

اما اگر نتوانید کاری را که انجام می‌دهید برای استفاده از آن تغییر دهید، هیچ فایده‌ای در این همه تفکر درخشان وجود ندارد. و بنابراین شرکت‌هایی که این کار را به خوبی انجام می‌دهند، نحوه اجرای توصیه‌هایی که از هیئت امنای دیجیتال جدید خود می‌آیند را درک خواهند کرد.

در طی 18 ماه، مجموعه‌ای رو به افزایش از هوش مصنوعی از کار من پشتیبانی کرده‌اند. به عنوان مثال، در یک روز به‌ویژه تب‌آلود در ژوئن 2024، من 38 بار به مجموعه هوش مصنوعی خود دسترسی پیدا کردم و 79000 کلمه را به عقب و جلو فرستادم تا از تحقیقات خود پشتیبانی کنم.

تا ژانویه 2025، از شمردن تعداد کلماتی که گفته بودم دست کشیدم. اما من حداقل یک هوش مصنوعی در تمام جلسات خود دارم که یادداشت برداری می‌کند (مگر اینکه انسان‌ها اعتراض کنند). چندین ابزار تحقیقاتی مختلف به طور مرتب به من کمک می‌کنند. در هفته نگارش این مقاله، من بیش از 144 پرسش را به LLMهای مختلف ارسال کردم، بدون احتساب رونوشت‌ها (26 رونوشت) یا استفاده از دستیاران کدنویسی. من قطعاً پرسش‌های بیشتری را در برنامه‌های هوش مصنوعی جدیدتر نسبت به گوگل در این روزها وارد می‌کنم.

یکی از ویژگی‌های شگفت‌انگیز در مورد این همه فناوری این است که من کار بیشتری را سریع‌تر از قبل انجام می‌دهم - با یک نتیجه تکان‌دهنده و خوشحال‌کننده که من زمان کمتری را در مقابل صفحه نمایش می‌گذرانم تا آنچه در سال‌های گذشته داشته‌ام.

با عملاً رایگان شدن هوش، محدودیت واقعی ما دیگر دسترسی به قدرت مغزی نیست، بلکه دانستن اینکه با آن چه باید کرد است. سازمان‌ها و افراد موفق خواهند دانست که چگونه سوال درست بپرسند، پاسخ‌ها را ارزیابی کنند و عاقلانه در پاسخ عمل کنند. آنها همچنین باید بفهمند که با اوقات فراغت تازه یافته خود چه کار کنند.

Azeem Azhar خبرنامه Exponential View را می‌نویسد و در استارتاپ‌ها سرمایه‌گذاری می‌کند.