۲۰۲۵ و هوش مصنوعی؛ سال انقلاب یا چالش‌های بزرگ؟

روزنامه فرهیختگان نوشت: در دنیای پرشتاب امروز، هوش‌مصنوعی به یکی از محوری‌ترین عوامل تحول در علوم، فناوری و زندگی روزمره تبدیل شده است. از ایجاد مدل‌های زبانی پیشرفته گرفته تا ارائه راهکار‌های خلاقانه در حوزه‌های بهداشت، آموزش و اقتصاد، هوش‌مصنوعی بیش از هر زمان دیگری نقش کلیدی در شکل‌دهی به آینده ایفا می‌کند، اما این پیشرفت‌های چشمگیر همراه با فرصت‌ها و چالش‌های متعددی است.

از افزایش اثربخشی فناوری‌های آموزشی و پزشکی گرفته تا ایجاد دغدغه‌هایی در زمینه ریسک‌های امنیتی و اخلاقی، هر روز شاهد ابعاد تازه‌ای از تأثیرات این فناوری هستیم. در این مقاله، پیش‌بینی‌های پیشگامان دانشگاه استنفورد درباره آینده هوش مصنوعی در سال ۲۰۲۵ ارائه شده است. از ظهور سیستم‌های همکارانه و تیم‌های عامل‌های هوش مصنوعی گرفته تا مسائل پیرامون تنظیم مقررات و محافظت از مصرف‌کنندگان، این نظرات به درک بهتر روند‌های آینده این حوزه کمک می‌کند. بیایید نگاهی دقیق‌تر به دیدگاه‌ها و تحلیل‌های متخصصان بیندازیم. 

چه تغییرات تحولی در هوش‌مصنوعی می‌توانیم در سال ۲۰۲۵ انتظار داشته باشیم؟

به‌گفته متخصصان برجسته مؤسسه هوش‌مصنوعی متمرکز بر انسان دانشگاه استنفورد (HAI)، یکی از روند‌های اصلی، ظهور سیستم‌های هوش‌مصنوعی همکاری‌کننده است که در آن چندین عامل تخصصی با یکدیگر کار می‌کنند و انسان‌ها راهنمایی‌های سطح بالا ارائه می‌دهند. این رویکرد‌ها تیم‌های هوش‌مصنوعی را تصور می‌کنند مسائل پیچیده در حوزه‌های بهداشت، آموزش و مالی را حل می‌کنند، همچنین دیگر پژوهشگران انتظار دارند روش‌های جدیدی برای همکاری انسان و هوش مصنوعی و فشار بیشتر بر توسعه‌دهندگان برای اثبات مزایای واقعی هوش‌مصنوعی شکل بگیرد. علاوه بر این، کارشناسان هشدار می‌دهند هوش‌مصنوعی مولد احتمالاً تعداد کلاهبرداری‌های پیچیده را افزایش خواهد داد، درحالی‌که قوانین محدود موجود در ایالات‌متحده ممکن است ضعیف‌تر شود. 

این پیش‌بینی‌ها و موارد دیگر از پژوهشگران علوم رایانه، پزشکی، سیاست‌گذاری و آموزش را در ادامه ازنظر می‌گذرانید. 

عامل‌های هوش مصنوعی و کاهش مقررات

جیمز لندی، مدیر مشترک HAI و استاد علوم رایانه: ما شاهد ظهور عامل‌های هوش مصنوعی هستیم. قبلاً کمی از آن‌ها را در پژوهش مشاهده کردیم، اما اکنون در پژوهش و صنعت به‌وفور دیده می‌شوند. اساساً سؤال این است که چگونه می‌توانید این عامل‌ها را کنار هم قرار دهید تا واقعاً کار‌هایی را برای شما انجام دهند؟ اکنون شاهد رابط‌هایی هستیم. به‌عنوان مثال، برخی از API‌های Claude از Anthropic قادر به انجام کار‌هایی مانند افزودن جلسه‌ای به تقویم شما یا کمک به خرید بلیط هواپیما هستند. بدیهی است این موارد خطراتی دارند؛ چراکه اگر آن‌ها واقعاً بتوانند از رایانه شما استفاده کنند، ممکن است آسیب برسانند یا اشتباه کنند، بنابراین نگرانی‌هایی در مورد نحوه اجرای این فرآیند‌ها وجود دارد. اما درحالی‌که نسخه‌های اولیه این ابزار‌ها موفق نبودند، اکنون شاهد پتانسیل بیشتری هستیم. 

داستان بزرگ دیگر به نظر من این است که مدل‌های بزرگ به آرامی درحال بهبودند. مدل‌های بزرگ به میزان کمتری نسبت به قبل عرضه می‌شوند و همچنان در برخی معیار‌ها تأثیرگذارند، اما برای بسیاری از این وظایف، سرعت بهبود آن‌ها بسیار کندتر شده است. 

 آیا ممکن است به دلیل استفاده بیش از حد از داده‌ها یا عملکرد ضعیف‌تر داده‌های مصنوعی، تنها پیشرفت‌های جزئی داشته باشیم؟ و درواقع برخی مدل‌های جدیدتر ممکن است در برخی وظایف عملکرد بدتری داشته باشند. اکنون برخی افراد می‌پرسند آیا این زمستان هوش‌مصنوعی است؟ اما این مدل‌ها توانایی انجام کار‌های مفید زیادی دارند، بنابراین فکر نمی‌کنم زمستانی در کار باشد. بااین‌حال ممکن است برخی افراد که معتقدند هوش‌مصنوعی به‌زودی دنیا را تسخیر می‌کند، در اشتباه باشند. من فکر می‌کنم تا دستیابی به پیشرفت‌های عمده در معماری، زمان زیادی باقی مانده است. 

درنهایت با روی کار آمدن دولت جدید ترامپ، انتظار کاهش مقررات هوش‌مصنوعی در ایالات‌متحده را دارم. ما از قبل هم مقررات زیادی نداشتیم، اما فرمان اجرایی دولت بایدن دستورالعمل‌هایی برای بخش زیادی از دولت ایالات‌متحده ارائه داد که به دلیل نقش آن به‌عنوان مشتری بزرگ فناوری تأثیرگذار بود. اما انتظار دارم دولت ترامپ برخی از این مقررات را لغو کند. این به این معنا نیست که هیچ‌سیاست یا مقرراتی در مورد هوش‌مصنوعی وجود نخواهد داشت. فقط اینکه شاهد سیاست‌گذاری از بازیگران دیگری مانند اتحادیه اروپا یا مقررات منطقه‌ای ایالت‌ها خواهیم بود.

کلاهبرداری‌های بیشتر، حفاظت کمتر از مصرف‌کننده

ریانا پفرکورن، عضو سیاست‌گذاری HAI: ما همچنان شاهد سوءاستفاده از هوش‌مصنوعی مولد برای کمک به انجام کلاهبرداری‌ها خواهیم بود، به‌ویژه در قالب جعل صوتی پیچیده از صدای افراد. من پیش‌بینی می‌کنم دولت آینده در مقایسه با دولت کنونی نقش کمتری در حفاظت از مردم دربرابر این کلاهبرداری‌ها ایفا خواهد کرد. اگر کمیسیون تجارت فدرال عقب‌نشینی کند، دادستان‌های کل ایالتی نقش بیشتری در حفاظت از مصرف‌کنندگان خواهند داشت. بانک‌ها و دیگر مؤسسات مالی، همچنین ارائه‌دهندگان خدمات تلفن، ایمیل و اینترنت باید تلاش خود را برای آموزش مشتریان در مورد این کلاهبرداری‌ها افزایش دهند. به‌ویژه آن‌ها (همچنین سازمان‌های دولتی) باید اطمینان حاصل کنند که منابع خود را به زبان‌هایی غیر از انگلیسی ارائه می‌دهند، زیرا هدف کلاهبرداری‌ها تنها انگلیسی‌زبان‌ها نیستند. 

مدل‌های زبانی به‌عنوان پیمانکار عمومی

رأس آلتمن، مدیر مشترک HAI و استاد مهندسی زیستی، ژنتیک، پزشکی و علوم داده‌های زیست‌پزشکی: ما شروع به مشاهده سیستم‌های پیچیده‌ای برای حل مسائل خواهیم کرد که از مجموعه‌ای از سیستم‌های هوش مصنوعی تشکیل شده‌اند که با یکدیگر ارتباط برقرار می‌کنند. به‌عنوان مثال تصور کنید مجموعه‌ای از مدل‌های زبانی بزرگ با تخصص خاص که با هم ترکیب می‌شوند تا مسائل را حل کنند. در برخی موارد ممکن است با یکدیگر مذاکره کنند؛ در موارد دیگر، وظایف را به مدل‌های زبانی متخصص واگذار کنند که پاسخ‌ها را ارائه می‌دهند، بنابراین نوعی مدل زبانی به‌عنوان پیمانکار عمومی وجود خواهد داشت که با مشتریان انسانی تعامل دارد و برخی از حل مسائل را به دیگر عامل‌های متخصص واگذار می‌کند. نخستین کاربرد‌های این سیستم‌ها ممکن است شامل شبیه‌سازی‌های پیچیده، تصمیم‌گیری‌های بهداشتی، ترتیبات مالی یا برنامه‌های آموزشی باشد. 

تردید سازنده در هوش مصنوعی آموزشی

دوروتیا (دورا) دمزکی، استادیار آموزش و علوم رایانه: انتظار دارم توجه بیشتری به مدل‌های هوش‌مصنوعی چندوجهی در آموزش ازجمله در پردازش گفتار و تصاویر صورت گیرد. به احتمال زیاد شاهد مدل‌های خاص برای آموزش یا مدل‌های دقیق‌تر خواهیم بود. همراه با این پیشرفت‌ها، تردید بیشتری نسبت به کارآمدی واقعی این ابزار‌ها و علاقه به جمع‌آوری شواهد در مورد آنچه واقعاً مؤثر است، آنچه به دانش‌آموزان کمک می‌کند بهتر یاد بگیرند و معلمان را در آموزش مؤثرتر یاری می‌دهد، به وجود خواهد آمد. 

تعریف ارزش هوش‌مصنوعی مولد

نیگم شاه، استاد پزشکی و علوم داده‌های زیست‌پزشکی در استنفورد و دانشمند ارشد داده‌های مراقبت‌های بهداشتی: با توجه به توسعه سریع این فناوری و سرمایه‌گذاری‌های عظیم، توسعه‌دهندگان این فناوری‌ها تحت فشار خواهند بود تا مزایای فرضی آن‌ها را تعریف و تأیید کنند. در حوزه بهداشت و درمان، تمرکز بر ارزیابی مزایای بالینی بیشتر خواهد شد و مجبور خواهیم شد راه‌های تفکری ایجاد کنیم که فراتر از یک نگاه محدود به بهره‌وری یا کارایی باشد، همان‌طور که اکنون داریم. معیار‌های مشترک و شفاف، مشابه آنچه پروژه HELM مرکز تحقیقاتی ما درباره مدل‌های بنیادین انجام می‌دهد، به جریان اصلی تبدیل خواهند شد، تا بتوان تصمیم‌های آگاهانه‌ای درباره مزایای استفاده از هوش مصنوعی مولد در حوزه بهداشت و درمان گرفت. 

همکاری عامل‌های هوش‌مصنوعی

جیمز زو، استادیار علوم داده‌های زیست‌پزشکی و (به طور مشترک) علوم رایانه و مهندسی برق: در سال ۲۰۲۵، شاهد تغییری قابل‌توجه خواهیم بود، مانند تکیه بر مدل‌های فردی هوش‌مصنوعی به سمت استفاده از سیستم‌هایی که در آن‌ها چندین عامل هوش مصنوعی با تخصص‌های مختلف با یکدیگر همکاری می‌کنند. به‌عنوان مثال اخیراً آزمایشگاه مجازی را معرفی کردیم که در آن یک عامل استاد هوش‌مصنوعی تیمی از عامل‌های دانشمند هوش‌مصنوعی (مانند شیمی‌دان و زیست‌شناس هوش‌مصنوعی) را برای حل تحقیقات چالش‌برانگیز و باز هدایت می‌کند، درحالی‌که یک پژوهشگر انسانی بازخورد سطح بالا ارائه می‌دهد. 

با بهره‌گیری از تخصص چندرشته‌ای عامل‌های مختلف، آزمایشگاه مجازی موفق شد نانوبادی‌های جدیدی طراحی کند که به‌عنوان اتصال‌دهنده‌های مؤثر به انواع جدید کروناویروس سندرم حاد تنفسی ۲ (SARS-CoV-2) تأیید شدند. به آینده که نگاه می‌کنم، پیش‌بینی می‌کنم بسیاری از کاربرد‌های تأثیرگذار از این تیم‌های عامل هوش مصنوعی استفاده خواهند کرد که نسبت به یک مدل منفرد قابل‌اعتمادتر و مؤثرتر هستند. من به‌ویژه از پتانسیل تیم‌های ترکیبی همکاری‌کننده هیجان‌زده هستم، جایی که یک انسان هدایت‌کننده گروهی از عامل‌های متنوع هوش مصنوعی است. 

بازاندیشی در همکاری انسان و هوش‌مصنوعی

دی‌یی یانگ، استادیار علوم رایانه: ما شاهد ظهور یک پارادایم جدید پژوهشی خواهیم بود که در آن نحوه همکاری انسان‌ها با عامل‌های هوش‌مصنوعی مورد بررسی قرار می‌گیرد. شناسایی بهترین روش‌ها برای همکاری هوش‌مصنوعی و انسان‌ها به منظور دستیابی به هوش جمعی، اهمیت فزاینده‌ای پیدا خواهد کرد. درحال‌حاضر، سیستم‌های هوش‌مصنوعی بیشتر بر اساس توانایی آن‌ها در پشتیبانی از تنظیمات خودکار ارزیابی می‌شوند، اما شاهد معیار‌ها و محیط‌های ارزیابی بیشتری خواهیم بود که تعامل و همکاری انسان و هوش‌مصنوعی را درنظر می‌گیرند. 

همگام با پیشرفت هوش مصنوعی، شاهد حجم گسترده‌ای از کار‌های مرتبط با ارزیابی خطر خواهیم بود. ارزیابی خطر هوش‌مصنوعی بسیار عقب‌تر از تحقیق و توسعه قابلیت‌های آن است. علاوه بر ریسک‌های سیستم‌های سنتی هوش‌مصنوعی، پذیرش گسترده سیستم‌های مبتنی بر مدل‌های زبانی بزرگ (LLMs) و مدل‌های بصری زبانی (VLMs) برخی از این ریسک‌ها را تشدید و خطرات جدیدی را معرفی خواهد کرد.