بازارسال شده از عصر گویش | هوش مصنوعی
تعامل مستقیم با بدنه متون (DCI): انقلابی در جستجوی عاملمحورمقالهای که چند ماه پیش منتشر شده، مفهوم جدیدی به نام Direct Corpus Interaction (DCI) رو معرفی کرده که سیستمهای جستجوی RAG رو از پایه بازتعریف میکنه. در این روش، عامل بهجای استفاده از پایگاههای دادهی برداری، مستقیماً با ابزارهای ترمینال مثل `grep` و `find` روی فایلهای خام جستجو میکنه!
---
🧩 مشکل کجاست؟
سیستمهای RAG سنتی، اسناد رو تکهتکه (Chunk) میکنن، بردار (Embedding) میسازن و داخل پایگاه دادهی برداری ذخیره میکنن. این روش سه مشکل اساسی داره:
زمان و هزینهی بالا برای ساخت ایندکس ناتوانی در پیدا کردن دقیق کلمات کلیدی، نام متغیرها و کدهای خطا از دست رفتن احتمالی شواهد در مرحلهی فیلتر کردن اولیه---
️ راهحل DCI چیه؟عامل با ابزارهای خطفرمان مثل `grep`، `find` و `bash` مستقیماً روی فایلهای خام جستجو میکنه. این روش مزایای شگفتانگیزی داره:
بدون نیاز به ایندکس: صفر ثانیه زمان برای چانکبندی و Embedding دقت خارقالعاده: پیدا کردن دقیق کلمات کلیدی، متغیرها و کدهای خطا انعطافپذیری بینظیر: ترکیب شواهد ضعیف و تأیید فرضیهها با پایپلاینهای خطفرمان حریم خصوصی بالا: بدون نیاز به ارسال داده به سرورهای شخص ثالث---
نتایج شگفتانگیز در بنچمارکها۱. جستجوی عاملی (BrowseComp-Plus):
- روش DCI-Agent-CC با مدل Claude Sonnet 4.6 به دقت ۸۰.۰٪ رسید در حالی که روش سنتی با همین مدل به ۶۹.۰٪ رسید (*+۱۱ امتیاز*)
- هزینه از ۱,۴۴۰ دلار به ۱,۰۱۶ دلار کاهش یافت (*-۲۹.۴٪*)
۲. پرسشوپاسخ چندمرحلهای (۶ دیتاست):
- روش DCI-Agent-CC با میانگین ۸۳.۰٪، قویترین عامل جستجوی سنتی رو ۳۰.۷ امتیاز شکست داد
- حتی نسخهی سبک با GPT-5.4-nano به ۶۸.۰٪ رسید و از همهی عاملهای سنتی بهتر عمل کرد
۳. رتبهبندی در بازیابی اطلاعات (۶ دیتاست):
- روش DCI-Agent-CC با NDCG@10=*۶۸.۵*، قویترین روش سنتی رو ۲۱.۵ امتیاز شکست داد
---
چرا DCI موفقتر عمل میکنه؟تحلیل مسیرهای اجرایی نشون داد که برتری DCI نه بهخاطر پیدا کردن اسناد طلایی بیشتر، بلکه بهخاطر تبدیل شواهد سطحی به جستجوهای دقیق و محلی است. عامل با دیدن یک سند مفید، با دستوراتی مثل `grep -n 'keyword' file` بهسرعت به بخش دقیق موردنظر میرسه.
---
پیام اصلی برای صنعتوقتی عاملهای هوش مصنوعی قویتر میشن، کیفیت جستجو نه فقط به توانایی استدلال، بلکه به رزولوشن (وضوح) رابطی که مدل از طریق اون با بدنهی متون تعامل میکنه، بستگی داره. DCI این رزولوشن رو به حداکثر میرسونه و نشون میده که گاهی ابزارهای سادهی سیستمعامل، بسیار بهتر از معماریهای پیچیدهی RAG جواب میدن.
---
لینکهای مفید مقاله:https://arxiv.org/pdf/2605.05242 کد منبع:https://github.com/DCI-Agent/DCI-Agent-Lite--- #هوش_مصنوعی #عامل_هوشمند #پژوهش_هوش_مصنوعی
@asrgooyeshpardaz
رباتهای انساننما اکنون فراتر از یک دستگاه ساده!شرکت چینی "Unitree" با معرفی مدل جدید "UnifoLM-OminiA-0.3"، دنیای رباتهای انساننما را متحول کرده است.
این رباتها میتوانند به طور همزمان بینایی، زبان و کنترل حرکتی را ترکیب کرده و بهصورت مستقل وظایف مختلف را انجام دهند. از مراقبتهای خانگی تا خدمات درمانی، این رباتهای هوشمند آمادهاند تا زندگی روزمرهتان را سادهتر کنند!
رباتی که با شما صحبت میکند و تصمیم میگیرد!بدون نیاز به چند مدل جداگانه، این ربات تمام قابلیتها را در یک سیستم یکپارچه دارد. حتی توانایی واکنش سریع به دستورات جدید از جمله نقاط قوت این مدل است! برای مثال، اگر در حین تنظیم تخت بیمارستان از ربات بخواهید کار را متوقف کند، بلافاصله این کار انجام میشود. آیا شما هم به دنبال همکاری با یک همکار رباتیک هوشمند هستید؟
در ادامه این خبر، با ویژگیهای هیجانانگیز این ربات و تلاشهای شرکت یونیتری برای ایجاد دسترسی به فناوریهای نوین بیشتر آشنا شوید!
مطالعه متن خبر#هوش_مصنوعی#مرکز_نوآوری_و_توسعه_هوش_مصنوعی#پژوهشگاه_ارتباطات_و_فناوری_اطلاعات#ربات_انسان_نما
Aicenterبازارسال شده از عصر گویش | هوش مصنوعی
راهنمای عملی ساخت حلقههای هوشمند با Claude Codeبیشتر کاربران کلود هنوز بهصورت دستی با آن کار میکنند: یک دستور مینویسند، منتظر پاسخ میمانند، نتیجه را بررسی کرده و تصمیم میگیرند چطور ادامه دهند. این روش برای کارهای یکباره خوب است، اما وقتی کاری تکراری باشد یا نیاز به چندین مرحله بررسی داشته باشد، دیگر جواب نمیدهد. در چنین شرایطی، به یک حلقه (Loop) نیاز دارید.
---
🧩 حلقهی کلود دقیقاً چیست؟
یک حلقه، یک گردشکار تکراری است که دور مدل کلود طراحی میشود. این حلقه مشخص میکند:
- چه چیزی کار را شروع میکند (محرک)- کلود چه اطلاعاتی را باید بخواند- چه کاری مجاز به انجام است- چگونه نتیجهی کار بررسی میشود- وضعیت کار در کجا ذخیره میشود- چه زمانی حلقه باید متوقف شود، دوباره اجرا شود یا به انسان ارجاع داده شود
مدل کلود هنوز کار اصلی را انجام میدهد، اما حلقه، ساختار و نظم کار را فراهم میکند.
---
شش بخش اصلی هر حلقه۱. محرک (Trigger) : چیزی که کار را شروع میکند، مثل یک دستور ساده، زمان مشخص، تغییر در یک فایل، یا شکست در فرآیند ساخت (CI)
۲. زمینه (Context) : کلود توضیحات کار، فایلهای مربوط و پیشرفت قبلی را میخواند
۳. اقدام (Action) : کلود مرحلهی بعدی را انجام میدهد؛ مثل نوشتن گزارش، ویرایش فایل یا پیشنویس یک راهحل
۴. تأیید (Verification) : نتیجهی کار در برابر یک شرط مشخص بررسی میشود؛ مثلاً وجود یک فایل خاص، قبولی در تستها یا کامل بودن یک چکلیست
۵. بهروزرسانی وضعیت : حلقه ثبت میکند که چه اتفاقی افتاده، چه چیزی تغییر کرده و مرحلهی بعدی چه باید باشد
۶. تصمیمگیری : حلقه یا متوقف میشود، یا از انسان نظر میخواهد، یا دوباره اجرا میشود
---
سادهترین ساختار برای یک حلقهبرای شروع، فقط به چهار فایل نیاز دارید:
پوشهی پروژه/
├── TASK.md # هدف و دلیل حلقه
├── PROGRESS.md # وضعیت فعلی و حافظهی بین اجراها
├── LOOP_INSTRUCTIONS.md # راهنمای رفتار کلود
└── outputs/
└── daily-review.md # خروجیهای تولیدشده
---
قدمبهقدم: ساخت یک حلقهی بررسی روزانهقدم اول: تعریف کار در فایل TASK.md
هدف حلقه را بهزبان ساده بنویسید. مثلاً:
> «هر روز صبح، پوشهی پروژه را بررسی کن، تغییرات را خلاصه کن، مشکلات را پیدا کن و یک گزارش روزانه بنویس.»
قدم دوم: ایجاد حافظه با فایل PROGRESS.md
این فایل مثل یک دفترچهی یادداشت است که به کلود کمک میکند کار را از جایی که قبلاً متوقف کرده، ادامه بدهد. بخشهای آن شامل آخرین اجرا، وضعیت فعلی، کارهای ناتمام، مشکلات و تصمیمگیریهاست.
قدم سوم: نوشتن دستورالعملها در LOOP_INSTRUCTIONS.md
در این فایل به کلود میگویید که دقیقاً چطور کار کند: چه چیزی را بخواند، چه چیزی را تغییر دهد، چه چیزی را تغییر ندهد و چطور نتیجه را بررسی کند.
قدم چهارم: اجرای دستی و آزمایش
قبل از اینکه حلقه را خودکار کنید، چند بار آن را بهصورت دستی اجرا کنید. مطمئن شوید که کلود دقیقاً همان کاری را که میخواهید انجام میدهد. اگر خطایی رخ داد، دستورالعملها را اصلاح کنید و دوباره امتحان کنید.
قدم پنجم: اضافه کردن مرحلهی تأیید
بدون تأیید، ممکن است حلقه فقط ظاهر کار را ایجاد کند اما در واقع کار درستی انجام نداده باشد. یک چکلیست مشخص بنویسید که مشخص کند یک اجرا موفق چه ویژگیهایی دارد.
---
مراحل افزایش استقلال حلقهبرای اینکه کار را ایمن شروع کنید، بهتر است حلقه را مرحلهبهمرحله مستقلتر کنید:
- سطح ۱: فقط خواندن فایلها و نوشتن خلاصه- سطح ۲: نوشتن گزارشها و پیشنویسها در پوشهی outputs- سطح ۳: ویرایش فایلها در یک محیط آزمایشی جداگانه- سطح ۴: ایجاد درخواستهای تغییر (Pull Request) بهصورت پیشنویس- سطح ۵: اعمال تغییرات فقط بعد از تأیید انسان- سطح ۶: انجام کامل کار بهصورت خودکار (فقط برای کارهای کمخطر)
برای شروع، در سطوح ۱ و ۲ بمانید تا مطمئن شوید حلقه بهدرستی کار میکند.
نکتهی کلیدییک حلقهی خوب نباید شما را خسته کند. اگر خروجیهای آن نیاز به بررسی مداوم دارند، یا هزینهی آن بیشتر از سودی است که دارد، یا هنوز آمادهی اتوماسیون نیست. یک حلقه زمانی موفق است که با نظارت کمتر از کار دستی، کار مفیدی تولید کند و در عین حال در چارچوب هزینه و امنیت مشخصی باقی بماند.
---
مطالعهی کامل:levelup.gitconnected.com/how-to-create-loops-with-claude-code--- #ClaudeCode #مهندسی_حلقه #عامل_هوشمند #اتوماسیون #آموزش_هوش_مصنوعی
@asrgooyeshpardazبازارسال شده از رصدخانه فناوریهای نوظهور
اگر فکر میکنید رقابت AI فقط بر سر مدلهای زبانی است، Lenovo در CES2026 خلاف آن را ثابت کرد!
Super Agent؛ پایان عصر چتباتهانسل بعدی هوش مصنوعی فقط به سؤالها پاسخ نمیدهد. Super Agent هدف شما را درک میکند، وظایف را میان چند Agent تخصصی تقسیم میکند، آنها را مدیریت میکند و نتیجه نهایی را تحویل میدهد.
AI Inference؛ میدان رقابت واقعیآموزش مدلها تنها آغاز راه است. امروز، چالش اصلی اجرای میلیاردها درخواست با کمترین تأخیر، پایینترین هزینه و بیشترین بهرهوری است. به همین دلیل، معماریهای Hybrid AI و Edge AI به مهمترین اولویت شرکتهای فناوری تبدیل شدهاند.
AI Factory؛ نسل جدید مراکز دادهلنوو با همکاری NVIDIA، Intel، AMD، Qualcomm و Microsoft، زیرساختی را توسعه میدهد که آموزش، استنتاج و مدیریت مدلهای هوش مصنوعی را در یک اکوسیستم واحد انجام میدهد. این همان تغییری است که میتواند آینده رایانش را بازتعریف کند.
مطالعه جزئیات موارد فوق به همراه ویدئوی کامل نشست در رصدخانه
#هوش_مصنوعی #HybridAI #SuperAgent #AIInference
@emergentech
Super Agent؛ پایان عصر چتباتهانسل بعدی هوش مصنوعی فقط به سؤالها پاسخ نمیدهد. Super Agent هدف شما را درک میکند، وظایف را میان چند Agent تخصصی تقسیم میکند، آنها را مدیریت میکند و نتیجه نهایی را تحویل میدهد. AI Inference؛ میدان رقابت واقعیآموزش مدلها تنها آغاز راه است. امروز، چالش اصلی اجرای میلیاردها درخواست با کمترین تأخیر، پایینترین هزینه و بیشترین بهرهوری است. به همین دلیل، معماریهای Hybrid AI و Edge AI به مهمترین اولویت شرکتهای فناوری تبدیل شدهاند. AI Factory؛ نسل جدید مراکز دادهلنوو با همکاری NVIDIA، Intel، AMD، Qualcomm و Microsoft، زیرساختی را توسعه میدهد که آموزش، استنتاج و مدیریت مدلهای هوش مصنوعی را در یک اکوسیستم واحد انجام میدهد. این همان تغییری است که میتواند آینده رایانش را بازتعریف کند. مطالعه جزئیات موارد فوق به همراه ویدئوی کامل نشست در رصدخانه#هوش_مصنوعی #HybridAI #SuperAgent #AIInference
@emergentech
وقتی هوش مصنوعی از گویندگان انسانی جلو میزند!نتایج یک پژوهش با حضور بیش از هزار شنونده نشان میدهد بسیاری از افراد، بدون اینکه بدانند چه کسی روایت را انجام داده، کتابهای صوتی با صدای هوش مصنوعی را باکیفیتتر، جذابتر و تأثیرگذارتر از نسخههای انسانی ارزیابی کردهاند.
حتی پس از اطلاع از استفاده از هوش مصنوعی نیز این برتری حفظ شده است.
آیا آینده کتابهای صوتی در اختیار هوش مصنوعی است؟بر اساس این تحقیق، روایتهای هوش مصنوعی در شاخصهایی مانند کیفیت اجرا و درگیر کردن مخاطب امتیاز بالاتری کسب کردهاند.
البته پژوهشگران تأکید میکنند کیفیت خروجی به نحوه طراحی و تولید آن بستگی دارد و هوش مصنوعی قرار نیست جای نویسندگان را بگیرد، بلکه ابزاری برای ارائه داستانها با تجربهای جذابتر خواهد بود.
برای آشنایی با جزئیات این پژوهش و نتایج کامل آن، متن خبر را از دست ندهید.
مطالعه متن خبر#هوش_مصنوعی#مرکز_نوآوری_و_توسعه_هوش_مصنوعی#پژوهشگاه_ارتباطات_و_فناوری_اطلاعات#کتاب_صوتی
Aicenter
پارادایم پنجم علم فرا رسیده است! جایزهی نوبل فیزیک ۲۰۲۴ به جان هاپفیلد (زیستشناس مولکولی) و جفری هینتون (استاد علوم کامپیوتر) رسید؛ یک روز بعد هم نوبل شیمی به دیوید بیکر، دمیس حسابیس و جان جامپر برای دستاوردهایی مبتنی بر هوش مصنوعی در حوزهی پروتئینها اهدا شد.
به گفتهی یانیس یوانیدیس، رئیس ACM، این دو رویداد همزمان تصادفی نیستند، بلکه نشانهی ورود ما به دورهای تازه در تاریخ علم است: «پارادایم پنجم».
پیش از این، علم چهار پارادایم را پشت سر گذاشته:
علم تجربی و مشاهدهای (هزارهها) علم نظری و مدلمحور (قرنها) علم محاسباتی و شبیهسازی (دههها) علم دادهمحور، به روایت جیم گری (حدود ۱۵ سال)و اکنون:
علم مبتنی بر هوش مصنوعیتفاوت کلیدی این پارادایم صرفاً سرعت پردازش داده نیست؛ بلکه توانایی هوش مصنوعی در کشف همبستگیها و گاه رابطههای علّیای است که از دسترس روشهای سنتی پژوهش خارج بود.علم، مرز هیجانانگیزی برای هوش مصنوعی است، و هوش مصنوعی، ابزار هیجانانگیزی در دست دانشمندان.
وقت آن رسیده که جامعهی کامپیوتینگ این لحظه را غنیمت بشمارد و مسئولانه از این قدرت برای کشف اسرار طبیعت بهره ببرد.
#هوش_مصنوعی #پارادایم_پنجم #نوبل۲۰۲۴ #علم
منبع: Ioannidis, Y. (2024). "The 5th Paradigm: AI-Driven Scientific Discovery." Communications of the ACM, 67(12), p. 5. https://doi.org/10.1145/3702970آدرس کانال هوش افزده در پیام رسان بله:ble.ir/join/EWVUd6mgif
۴ WisPaper؛ یک سکو برای پژوهش با کمک هوش مصنوعیاگر با جستوجوی مقاله، مرور ادبیات و دنبالکردن تحولات یک حوزه پژوهشی سروکار دارید، WisPaper میتواند ابزار جالبی برای امتحانکردن باشد.
WisPaper تلاش میکند بخشهایی از فرایند پژوهش را در یک سکو یکپارچه کند؛ از جستوجوی هوشمند مقالات و کشف منابع مرتبط تا سازماندهی کتابخانه پژوهشی، پیگیری مقالات جدید و کمک به تحلیل ادبیات علمی.
نکته قابل توجه، حرکت این سکو از یک ابزار ساده جستوجوی مقاله به سمت دستیار پژوهشی مبتنی بر هوش مصنوعی است؛ یعنی هدف فقط پیدا کردن مقاله نیست، بلکه کمک به پژوهشگر برای فهم ادبیات، مقایسه مطالعات، شناسایی شکافهای پژوهشی و شکلدهی ایدههای جدید است.
البته مانند هر ابزار هوش مصنوعی، خروجی آن باید با منابع اصلی و قضاوت علمی پژوهشگر بررسی شود.
برای کسانی که به دنبال استفاده جدیتر از هوش مصنوعی در فرایند پژوهش هستند، به نظرم ارزش یکبار امتحان کردن را دارد.
WisPaper#هوش_مصنوعی #پژوهش #پژوهشگر #مرور_ادبیات #مقاله #ResearchAI #AI #AcademicResearch
آدرس کانال هوش افزده در پیام رسان بله:ble.ir/join/EWVUd6mgif
۱
🧬 وقتی هوش مصنوعی یک کشف علمی را جعل میکند!
هوش مصنوعی میتواند در طراحی پروتئین، کشف دارو و تحلیل دادههای زیستی انقلابی ایجاد کند؛ اما همین توانایی یک خطر جدی دارد: ممکن است مدلی هوش مصنوعی "یک اثر زیستی کاملاً غیرواقعی تولید کند و آن را شبیه یک کشف علمی نشان دهد."
مشکل از جایی شروع میشود که هوش مصنوعی جای آزمایش واقعی را بگیرد
اگر خروجی هوش مصنوعی فقط یک فرضیه برای آزمایش باشد، خطاهای آن قابل اصلاحاند.
اما وقتی دادههای مصنوعی مستقیماً بهعنوان شواهد علمی استفاده شوند، یک «توهم» میتواند نتیجه تحقیقات را تغییر دهد؛ حتی ممکن است یک درمان مؤثر نادیده گرفته شود یا یک مکانیسم بیماریِ غیرواقعی، واقعی تصور شود.
نمونهای از این چالش در "AlphaFold 3" نیز گزارش شده است؛ مدلی که در برخی شرایط میتواند ساختارهای پروتئینی «توهمی» ایجاد کند.
نکته مهم اینجاست: "هیچ کشف زیستی تولیدشده توسط AI، بدون تأیید مستقل در آزمایشگاه، یک کشف واقعی محسوب نمیشود." مطالعه متن خبر
#هوش_مصنوعی#مرکز_نوآوری_و_توسعه_هوش_مصنوعی#پژوهشگاه_ارتباطات_و_فناوری_اطلاعات#توهم#جعل_کشف_علمی Aicenter
هوش مصنوعی میتواند در طراحی پروتئین، کشف دارو و تحلیل دادههای زیستی انقلابی ایجاد کند؛ اما همین توانایی یک خطر جدی دارد: ممکن است مدلی هوش مصنوعی "یک اثر زیستی کاملاً غیرواقعی تولید کند و آن را شبیه یک کشف علمی نشان دهد."
مشکل از جایی شروع میشود که هوش مصنوعی جای آزمایش واقعی را بگیرداگر خروجی هوش مصنوعی فقط یک فرضیه برای آزمایش باشد، خطاهای آن قابل اصلاحاند.
اما وقتی دادههای مصنوعی مستقیماً بهعنوان شواهد علمی استفاده شوند، یک «توهم» میتواند نتیجه تحقیقات را تغییر دهد؛ حتی ممکن است یک درمان مؤثر نادیده گرفته شود یا یک مکانیسم بیماریِ غیرواقعی، واقعی تصور شود.
نمونهای از این چالش در "AlphaFold 3" نیز گزارش شده است؛ مدلی که در برخی شرایط میتواند ساختارهای پروتئینی «توهمی» ایجاد کند.
نکته مهم اینجاست: "هیچ کشف زیستی تولیدشده توسط AI، بدون تأیید مستقل در آزمایشگاه، یک کشف واقعی محسوب نمیشود."
مطالعه متن خبر#هوش_مصنوعی#مرکز_نوآوری_و_توسعه_هوش_مصنوعی#پژوهشگاه_ارتباطات_و_فناوری_اطلاعات#توهم#جعل_کشف_علمی
Aicenterبازارسال شده از heshmati
لبخوانی با هوش مصنوعی!!! حیدر تورانی، ۱۷ مرداد ۱۴۰۵این روزها در محافل علمی و فرهنگی، افرادی را به وفور میبینیم که به جای آنکه با هوش مصنوعی بیندیشند، هوش مصنوعی را لبخوانی میکنند! تفاوت این دو، اگرچه در ظاهر اندک است، اما در معنا و پیامد، بسیار بزرگ است.
لبخوانی با هوش مصنوعی یعنی فرد، بدون اتکا و ابتنا به ایده، تجربه، دانش و اندیشهای از خویش، پرسشی را به هوش مصنوعی میسپارد، پاسخ را تحویل میگیرد، اندکی آن را بزک و پیرایش میکند و سپس با اعتمادبهنفس فراوان، به نام محصول فکری خویش عرضه میکند. گویی هوش مصنوعی به جای آنکه ابزار اندیشه باشد، به جانشین اندیشه تبدیل شده است.
در این میان، کم نیستند کسانی که پیش از ظهور هوش مصنوعی، حتی به اندازه ظرفیت یک استکان، نوشته، تألیف یا ایدهای از خود در چنته نداشتند، اما اینک یکشبه مقالهنویس، صاحبنظر، منتقد، تحلیلگر و حتی «همهچیزدان» شدهاند! کافی است چند واژه کلیدی را کنار هم بگذارند و از عموجانِ هوش مصنوعی بخواهند برایشان مقالهای «علمی، عمیق و فاخر» تولید کند؛ بعد هم همان متن را با نام خود منتشر کنند و گاه برای دیگران نسخه فکری بپیچند!
جالبتر و البته تأسفبارتر آنکه برخی از همین جماعت، کسانی را که سالها اهل قلم، دانش، تجربه و حکمت بودهاند، با اتکای به همان عموجانِ هوش مصنوعی، بیرحمانه نقد میکنند؛ نقدهایی که گاه آنقدر ناشیانه و سطحی است که معلوم میشود نویسنده حتی یک بار هم متن تولیدشده را با دقت نخوانده است! با این همه، همان نقد را در حساب فضل خویش پسانداز میکند و فردای آن روز، با سودش در محافل علمی ظاهر میشود!
اما این دوستان یک مشکل اساسی دارند: در مباحثه زنده، مناظره واقعی و اندیشهورزی فیالبداهه، چندان حرفی برای گفتن ندارند. زیرا آنچه در چنته دارند، بیش از آنکه حاصل سالها خواندن، اندیشیدن، تجربه کردن و زیستن باشد، محصول چند فرمان و چند کلیک است. آنان قهرمانان بادکنکیِ صحنههایی هستند که پشت صحنه ساخته شده و هنوز در برابر داوری واقعی، آزموده نشدهاند.
شگفت آنکه گاه چنان در خیابانهای ورودممنوع میرانند که حتی کسی را که درست و مطابق قانون حرکت میکند، به تردید میاندازند که نکند خودش راه را اشتباه آمده باشد! و شوربختانه، جامعهای که گاه گرفتار کمسوادی، ظاهربینی و شیفتگی به تازگیهای تکنولوژیک است، به جای آنکه این تفاوت را دریابد، به آنان پاداش نیز میدهد؛ در حالی که تولیدکنندگان اصیل اندیشه و اهالی واقعی قلم، بهناحق «سنتی»، «قدیمی» و «خارج از زمانه» تلقی میشوند.
اما سخن من هرگز مخالفت با هوش مصنوعی نیست؛ اتفاقاً بر این باورم که هوش مصنوعی میتواند یکی از بزرگترین ابزارهای توسعه فکری و حرفهای انسان در عصر جدید باشد. مسئله، چگونگی استفاده از آن است.
اگر هوش مصنوعی به جای ما فکر کند، به تدریج قدرت فکر کردن را از ما میگیرد؛ اگر به جای ما بنویسد، قدرت نوشتن ما را فرسوده میکند؛ اگر به جای ما تحلیل کند، عضلات تحلیل و نقد ما را کمتحرک میسازد. انسان ممکن است بهظاهر تولید بیشتری داشته باشد، اما در باطن، توان تولید اندیشهاش تحلیل رود.
راه درست آن است که ابتدا خودمان بیندیشیم، ایدهپردازی کنیم، مسئله را بشناسیم، تجربهها و دانستههایمان را روی میز بریزیم، استخوانبندی اندیشهمان را بسازیم و حتیالمقدور نخستین روایت خود را بنویسیم. آنگاه از هوش مصنوعی بخواهیم همکار فکری ما باشد؛ نقد کند، پرسش بپرسد، خلأها را نشان دهد، شواهد و دیدگاههای متفاوت پیشنهاد کند، ساختار را بهبود بخشد و با چندین رفتوبرگشت عالمانه، به پرورش و پختگی ایده ما کمک کند.
در چنین وضعی، هوش مصنوعی «عصای دست اندیشه» است، نه «جانشین اندیشه»؛ «همکار فکری» است، نه «نویسنده پنهان»؛ و انسان همچنان صاحب ایده، تجربه، قضاوت و مسئولیت فکری خویش باقی میماند.
هوش مصنوعی قرار نیست انسان را از اندیشیدن بینیاز کند؛ قرار است انسانِ اندیشمند را توانمندتر کند.
مبادا آنقدر به هوش مصنوعی تکیه کنیم که روزی برای اثبات هوش خود، مجبور شویم از هوش مصنوعی کمک بگیریم!
زیاده جسارت است.
| Join Us | @Telnews