گروه جامعه و اقتصاد «سدید»؛ «دانیل بیورکِگرن» [1] - استاد مسائل بین‌الملل «دانشگاه کلمبیا» - در یادداشتی که مجله آمریکایی «Foreign Affairs» آن را منتشر کرده است، به فرصت‌ها و چالش‌های استفاده از هوش مصنوعی در کشورهای در حال توسعة جهان می‌پردازد. به گفته وی تاکنون تمامی بحث‌ها درباره فرصت‌ها و چالش‌های استفاده از هوش مصنوعی بر کشورهای توسعه‌یافته و ثروتمند متمرکز بوده است. بیشتر سیستم‌های هوش مصنوعی نیز بر روی داده‌های مختص به کشورهای توسعه‌یافته آموزش دیده‌اند؛ داده‌هایی که از افراد با درآمد نسبتاً بالا جمع‌آوری شده و معمولاً به زبان انگلیسی نوشته می‌شوند. به‌کارگیری این سیستم‌ها در جوامع فقیر یا درحال‌توسعه می‌تواند چالش‌های فراوانی را به همراه داشته باشد. به گفته بیورکگرن، کشورهای درحال‌توسعه، بسیاری از زیرساخت‌های فناوری و اجتماعی موردنیاز جهت استفاده از هوش مصنوعی را دارند؛ بااین‌حال در این کشورها به دلیل فقدان سودآوری، انگیزه‌های کمی برای سرمایه‌گذاری در ساخت برنامه‌های کاربردی هوش مصنوعی جهت استفاده فقرا وجود دارد.
تأثیر متفاوت هوش مصنوعی بر کشورهای درحال‌توسعه
در میان نخبگان کشورهای ثروتمند این نگرانی در مورد هوش مصنوعی وجود دارد که ماشین‌ها، مشاغل ما را خواهند گرفت. با محبوبیت گسترده «چت جی پی تی»، بسیاری در غرب از این مسئله نگران شده‌اند که نه‌تنها رانندگان کامیون و کارگران مونتاژ هستند که در معرض خطر جایگزینی با ربات‌ها هستند، بلکه کارکنان تحصیل‌کرده با دستمزد بالا نیز در معرض خطر جایگزینی با ربات‌ها هستند. حسابداران، تحلیلگران داده، برنامه‌نویسان، مشاوران مالی، وکلا و حتی فیلمنامه‌نویسان هالیوود، همه نگران هستند که هوش مصنوعی آنها را بیکار کند.
تأثیر هوش مصنوعی بر بیش از ۱۰۰ کشور و بیش از ۴ میلیارد نفر در کشورهای درحال‌توسعه احتمالاً بسیار متفاوت خواهد بود. کشورهای کم‌درآمد، کارگران با دانش کمتری را استخدام می‌کنند و سهم بیشتری از جمعیت آنها در بخش‌هایی مثل کشاورزی کار می‌کنند که کمتر مستعد اتوماسیون هستند. در کشورهای فقیر، سؤال اصلی و مهم این نیست که چگونه هوش مصنوعی بر میلیون‌ها نفر از افراد شاغل تأثیر می‌گذارد، بلکه سؤال این است که چگونه میلیاردها نفر هوش مصنوعی را به کار خواهند گرفت. دگرگون‌کننده‌ترین کاربردهای هوش مصنوعی در کشورهای درحال‌توسعه احتمالاً آنهایی نیستند که جایگزین انسان‌ها شوند؛ بلکه آنها آنهایی خواهد بود که امکانات جدیدی را برای انسان‌ها فراهم می‌کنند.
حسابداران، تحلیلگران داده، برنامه‌نویسان، مشاوران مالی، وکلا و حتی فیلمنامه‌نویسان هالیوود، همه نگران هستند که هوش مصنوعی آنها را بیکار کند.
تاکنون تقریباً تمام بحث‌ها در مورد چگونگی حمایت از هوش مصنوعی و نحوه کاهش خطرات آن، بر کشورهای ثروتمند متمرکز بوده است؛ کشورهایی که خانة شرکت‌ها و دانشگاه‌هایی هستند که روی این فناوری کار می‌کنند. اما از آنجایی که تأثیرات هوش مصنوعی - خوب یا بد - در کشورهای فقیر متفاوت خواهد بود، سرمایه‌گذاری‌ها و مقررات موردنیاز این کشورها نیز احتمالاً متفاوت خواهد بود. فیلسوفان، اقتصاددانان و فناوران، همچنان مشغول بحث و جدل درباره آینده هوش مصنوعی در جهان توسعه‌یافته هستند. اکنون زمان آن فرا رسیده است که در مورد دستور کار هوش مصنوعی برای دیگران نیز فکر کنیم.
«آموزش ماشینی» [2] قبلاً زندگی فقرای جهان را تحت‌تأثیر قرار داده است. تحولاتی که در زمینه اعتبارات بانکی ظهور کرده است را در نظر بگیرید. بسیاری از افراد فقیر، فاقد سوابق مالی و امتیازات اعتباری هستند و بنابراین دسترسی کمی به وام‌های رسمی دارند. در سال ۲۰۱۰ من راهی برای ایجاد امتیازهای اعتباری جایگزین با استفاده از «آموزش ماشینی» پیشنهاد کردم. اکنون مدل پیشنهادی من یکی از روش‌هایی است که وام‌دهندگان در ده‌ها کشور برای ارائه وام‌های کوچک از طریق تلفن همراه به میلیون‌ها نفر استفاده کرده‌اند. محققان و پژوهشگران دیگر از روش «آموزش ماشینی» برای همین نوع داده‌ها استفاده می‌کنند تا مشخص کنند کدام خانوارها در یک منطقه معین، فقیرترین افراد هستند تا در زمان وقوع بحران، کمک‌ها هوشمندانه‌تر توزیع شود.
همچنین دیگر پژوهشگران، روش «آموزش ماشینی» را در تصاویر ماهواره‌ای به کار می‌گیرند تا برآوردهای جمعیتی دقیق‌تری بر پایه الگوهای سکونتی مردمان به دست آید تا بتوان کمبودهای خوراکی را بر اساس الگوهای برداشت محصول، اصلاح و برطرف کرد. چنین برنامه‌هایی، ارزش خاص هوش مصنوعی را در کشورهای درحال‌توسعه برجسته می‌کنند. در محیط‌هایی با داده‌های کمتر، «آموزش ماشینی» می‌تواند سیگنال‌هایی را از منابع جدید داده استخراج کند.
آینده بهتر با هوش مصنوعی
امکانات هوش مصنوعی به همین جا ختم نمی‌شود. برای مثال مدارس را در نظر بگیرید. اکثر سیستم‌های آموزشی در کشورهای درحال‌توسعه برای ارائه آموزش‌های باکیفیت تلاش می‌کنند. معلمان هوش مصنوعی شخصی یا همان ربات‌های چت با صبری بی‌پایان، ممکن است روزی نیازهای دانش‌آموزان کنجکاو در مدارس مناطق دورافتاده را هم برآورده کنند. آنها همچنین ممکن است به حرفه‌ای‌ها کمک کنند تا مهارت‌های خود را ارتقا بدهند؛ مثلاً به کارگران تعمیرکار اجازه دهند مهارت‌های خود را ارتقا داده و مهندس شوند!
در همین زمینه به حوزه سلامت توجه کنید. در بسیاری از کشورهای درحال‌توسعه، ارائه توصیه‌های صحیح پزشکی دشوار است. سیستم‌های مجهز به هوش مصنوعی ممکن است تشخیص‌های بهتر و گسترده‌تری ارائه دهند. بسیاری از جوامع دارای نرخ بالای افسردگی هستند و درمانگران کافی برای رسیدگی به این وضعیت ندارند. ابزارهای دیجیتال سلامت روان مانند درمانگران «چت‌بات» [3] ممکن است نیاز واقعی را با هزینه کم برطرف کنند. هوش مصنوعی همچنین می‌تواند نقش مشابهی را در کمک به مردم در بروکراسی‌ها ایفا کند. به‌عنوان‌مثال یک کارآفرین هندی که به دنبال ورود به یک بازار جدید است، ممکن است روزی بتواند برای پر کردن مجوزهای موردنیاز به یک برنامه مبتنی بر هوش مصنوعی تکیه کند.
تاکنون تقریباً تمام بحث‌ها در مورد چگونگی حمایت از هوش مصنوعی و نحوه کاهش خطرات آن، بر کشورهای ثروتمند متمرکز بوده است؛ کشورهایی که خانه شرکت‌ها و دانشگاه‌هایی هستند که روی این فناوری کار می‌کنند.
فناوری‌هایی که این کاربردهای بالقوه را فعال می‌کنند، همچنان به بهبود و ارتقای خود ادامه می‌دهند؛ زیرا کشورهای ثروتمند منابع عظیمی را در هوش مصنوعی سرمایه‌گذاری می‌کنند. نکته کلیدی برای کشورهای درحال‌توسعه، تکمیل این جریان سرمایه‌گذاری با استفاده از فناوری‌های حاصل در محصولات و خدماتی است که نیازهای بومی را برآورده می‌کند. کشورهای درحال‌توسعه، بسیاری از زیرساخت‌های اجتماعی موردنیاز مانند مراکز فناوری، دانشگاه‌ها و گروه‌های کارآفرین برای شروع سرمایه‌گذاری‌های جدید در زمینه هوش مصنوعی را دارند. بااین‌حال، شرکت‌های آنها انگیزه کمی برای ساخت برنامه‌های کاربردی با هدف فقیرترین افراد جامعه خود را دارند؛ چرا که سرمایه‌گذاری برای خدمت به فقرا در این کشورها به‌ندرت سودآور است. برخی از کشورهای بزرگ و با درآمد متوسط - مانند هند - می‌توانند با سرمایه‌گذاری در فناوری‌های هوش مصنوعی برای فقرا بر این مشکل غلبه کنند؛ اما بسیاری از کشورهای دیگر، فاقد منابع لازم برای انجام این کار هستند؛ از این رو، نقش شبکه‌های کارآفرین این است که تجربیاتشان در این زمینه با سایر کشورها در آن سوی مرزها را به اشتراک بگذارند. همچنین این بر عهده سازمان‌های بین‌المللی مانند بانک جهانی است که سرمایه‌گذاری‌ها را میان دولت‌ها و مؤسسات بشردوستانه و خیریه هماهنگ کنند.
دو مسیر اصلی وجود دارد که ابزارهای هوش مصنوعی در کشورهای درحال‌توسعه می‌توانند طی کنند. اولین مورد این است که کاری را پیدا کنیم که هوش مصنوعی در کشورهای ثروتمند در حال انجام آن است و آن را در مورد کشورهای فقیر تطبیق دهیم. به‌عنوان‌مثال، بسیاری از کارآفرینان، درحال‌توسعة معلمان «چت‌بات» برای مدارس کشورهای ثروتمند هستند. همین معلمان «چت‌بات» را می‌توان برای کار در مکان‌هایی با اینترنت ضعیف‌تر و نسبت بالاتر دانش‌آموز به معلم به کار گرفت و تطبیق داد.
دومین مسیر این است که برنامه‌های کاملاً جدیدی را برای هوش مصنوعی پیدا کنید؛ محصولات جدیدی که می‌تواند نیازهای خاص کشورهای درحال‌توسعه را برآورده کنند. به‌عنوان‌مثال، یک برنامه‌ریز مالی مبتنی بر هوش مصنوعی برای کشاورزانی که از این طریق امرارمعاش می‌کنند، ممکن است به آنها کمک کند تا خطرات مربوط به تصمیمات مربوط به کاشت را مدیریت کنند. در واقع هم برخی از نوآوری ها در یک کشور فقیر آغاز شده و بعدها به کشورهای ثروتمندتر رسیده است. برای مثال، سیستم پرداخت موبایلی «M-Pesa» در کنیا قبل از اینکه اپلیکیشن‌های مشابه در ایالات متحده به کار گرفته شوند، شروع به کار کرد. درحالی‌که برخی از ابزارهای هوش مصنوعی که از کشورهای ثروتمند به وجود می‌آیند، ممکن است در کشورهای درحال‌توسعه به‌خوبی کار کنند، اما برخی دیگر به تطبیق و متناسب‌سازی نیاز دارند.
تطبیق سخت هوش مصنوعی با جهانی غیر از غرب
یکی از مشکلات این است که بیشتر سیستم‌های هوش مصنوعی بر روی داده‌های مختص کشورهای توسعه‌یافته آموزش دیده‌اند. داده‌هایی که از افراد با درآمد نسبتاً بالا جمع‌آوری شده و معمولاً به زبان انگلیسی نوشته می‌شوند. تعداد کمی از مجموعة دانش مکتوب جهان درباره فقرا می‌باشد یا به زبان‌های غیرانگلیسی ارائه شده است. علاوه بر این، سیستم‌های هوش مصنوعی عمدتاً برای تولید تصمیم‌ها و خروجی‌هایی آموزش دیده‌اند که مصرف‌کنندگان ثروتمند در غرب را راضی کند؛ بنابراین ممکن است هنگام تعامل با افراد فقیر در سایر نقاط جهان، دچار خطا و اشتباه شوند. به‌عنوان‌مثال، در فرهنگی که احوالپرسی با مشتری با اسم کوچک بی‌ادبی است، مشتری را با نام کوچک صدا کنند.
جوامع ثروتمند غربی از مدت‌ها قبل شروع به جمع‌آوری داده‌های آموزشی کرده‌اند؛ بنابراین تا مدل‌های هوش مصنوعی به طور کامل نشان‌دهنده مردم سایر نقاط جهان باشند، زمان خواهد برد. اما این روند را می‌توان تسریع کرد. محققان می‌توانند برنامه‌هایی را شناسایی کنند که می‌توانند تحول‌آفرین باشند. فقط باید بتوان داده‌های پشت این برنامه‌ها را نماینده بخش زیادی از مردم جهان کرد. برای مثال، یک مشاور پزشکی مجهز به هوش مصنوعی، ممکن است در کمک به فرد مبتلا به فشارخون بالا در «سیلیکون‌ولی» در «سانفرانسیسکو» خوب عمل کند؛ اما برای افرادی که در «لاگوس» در جنوب نیجریه با «مالاریا» مواجه هستند، کمتر مفید باشد؛ زیرا این مشاور پزشکی مجهز به هوش مصنوعی با موارد پزشکی محلی آشنایی ندارد. یا مثلاً ممکن است چنین سیستمی در میان انگلیسی‌زبانان محبوب باشد، اما در زبان «یوروبا» - یکی از اصلی‌ترین زبان‌های بومی نیجریه - اصلاً در دسترس نباشد.
سیستم‌های هوش مصنوعی عمدتاً برای تولید تصمیم‌ها و خروجی‌هایی آموزش دیده‌اند که مصرف‌کنندگان ثروتمند در غرب را راضی کند؛ بنابراین ممکن است هنگام تعامل با افراد کم‌درآمد در سایر نقاط جهان، دچار خطا و اشتباه شوند.
برای جبران کمبود داده‌های کشورهای درحال‌توسعه، باید محتوای جدیدی برای مدل‌ها ایجاد شود تا بتوانند بر اساس آن آموزش ببینند. در اینجا، همکاری جمعی می‌تواند کمک کند. برای مثال، جنبش «ویکی آفریقا» افزایش محتوای آفریقایی ویکی‌پدیا را هماهنگ کرده است. اکنون که این دانش می‌تواند تصمیمات ماشین‌ها را بهبود بخشد، چنین ابتکاراتی ارزش بیشتری دارد. در حوزه‌های دیگری مانند پزشکی یا کشاورزی که تشخیص درست دشوارتر است، همکاری جمعی کافی نخواهد بود. در آن زمینه‌ها باید کارشناسان مربوطه استخدام شوند یا داده‌های آنالوگ مانند سوابق کاغذی کلینیک‌ها، دیجیتالی شوند. نمایندگی تنها بخشی از پازل است؛ زیرا توسعه‌دهندگان باید از بین گروه‌هایی با ارزش‌های مختلف متفاوت انتخاب کنند. برای مثال، گروه‌های مذهبی مختلف در هند ممکن است در مورد توصیه‌های پزشکی مناسب اختلاف‌نظر داشته باشند.
مشکل دومِ واردات هوش مصنوعی به کشورهای درحال‌توسعه، مسئله فناوری است. علی‌رغم پیشرفت‌های گسترده، کشورهای درحال‌توسعه، هنوز در تعدادی از معیارهای فناوری از کشورهای توسعه‌یافته عقب هستند. برخی از برنامه‌های کاربردی هوش مصنوعی به دسترسی گسترده‌تر به تلفن‌های هوشمند، اتصال به اینترنت بهتر یا سیستم‌های ثبت سوابق دیجیتال برای ردیابی عملکرد دانش‌آموزان در مدرسه، سلامت بیماران در بیمارستان یا نتیجه پرونده‌ها در دادگاه نیاز دارند. برای هوش مصنوعی - مانند موج‌های قبلی نوآوری‌های فناوری - کلید تمایز، بین برنامه‌هایی است که می‌تواند نسبتاً زود ارزش خود را نشان دهد و همچنین برنامه‌هایی که در آینده قابل‌پیش‌بینی در قلمرو داستان‌های علمی - تخیلی باقی بماند. البته این مسئله متغیر است و از یک حوزه به حوزه دیگر متفاوت است. به‌عنوان‌مثال، ساحت پزشکی، تحمل کمتری نسبت به اشتباهاتی دارد که سیستم‌های هوش مصنوعی مرتکب خواهند شد و کشاورزی به عوامل زمینه‌ای دقیق و شفافی نیاز دارد که برای کشاورزان قابل‌فهم باشد اما بیان آن برای سیستم‌های هوش مصنوعی دشوار است.
محدودیت‌های قانونی توسعه هوش مصنوعی
در جهان توسعه‌یافته و در جهان حال توسعه به طور یکسان، انتشار هوش مصنوعی خطراتی را به همراه خواهد داشت؛ اما کشورهای درحال‌توسعه، با مجموعه متفاوتی از خطرات روبرو هستند و کمتر قادر به تنظیم این فناوری هستند. سؤال اصلی این است که آیا این فناوری متمرکز باقی خواهد ماند؟ یعنی توسط تعداد کمی از شرکت‌های فناور کنترل خواهد شد؟ سیستم‌های متمرکز هوش مصنوعی احتمالاً در بازارهای بزرگی مانند ایالات متحده و اتحادیه اروپا تنظیم می‌شوند. بازارهای کوچک‌تر فقط می‌توانند فشار محدودی اعمال کنند؛ بنابراین در سایه مقررات ایالات متحده و اتحادیه اروپا تنظیم خواهند شد. اگرچه آنها می‌توانند دسترسی به یک سیستم متمرکز را قطع کنند؛ به‌عنوان‌مثال با مسدودکردن سرورها، می‌توانند همان کاری که برخی از دولت‌ها با توییتر، فیس‌بوک و یوتیوب انجام داده‌اند را تکرار کنند، اما نمی‌توانند از عبور محتوای تولید شده توسط هوش مصنوعی از مرزها جلوگیری کنند.
با این حال، مشخص نیست که آیا هوش مصنوعی متمرکز باقی خواهد ماند یا خیر؟ جایگزین‌های منبع‌باز مانند «لیما» (مدل زبان بزرگی که توسط شرکت متا - مالک فیس‌بوک - تولید شده است) و «استیبل دیفیوژن» (یک تولید‌کننده تصویر از استارت‌آپ هوش مصنوعی Stability AI) در حال افزایش هستند. این سیستم‌های غیرمتمرکز را می‌توان توسط هر کسی که رایانه دارد، تغییر داد و اجرا کرد. اگر آنها به‌اندازه کافی مفید باشند، تنظیم مستقیم آنها برای هر کشوری دشوار خواهد بود؛ اما چنین سیستم‌های منبع بازی را می‌توان راحت‌تر با نیازهای محلی تطبیق داد، زیرا اغلب استفاده از آنها رایگان است و هر کسی می‌تواند کد آنها را تغییر دهد. با توجه به اهرم‌های محدود برای مقررات، کشورهای درحال‌توسعه ممکن است مجبور شوند به جای کنترل هوش مصنوعی، به سازگاری با فناوری جدید رضایت دهند. آنها ممکن است مجبور شوند برای کاهش مضرات هوش مصنوعی روی تنظیم مقررات نه خود آن، بلکه صنایعی که از آن استفاده می‌کنند، تمرکز نمایند؛ به‌عنوان‌مثال، توسل به قوانین حمایت از مصرف‌کننده که شرکت‌ها را در صورت ناامن بودن محصول - صرف‌نظر از اینکه از هوش مصنوعی استفاده می‌کند - مسئول می‌داند.
هوش مصنوعی حرکت پویایی را در مورد مقررات در کشورهای ثروتمند آغاز کرده است، اما بسیاری از پیشنهادها برای رسیدگی به خطرات آن ممکن است در کشورهای فقیر ناکافی باشد. تنظیم‌کنندگان قوانین در غرب، توانایی ارزیابی نحوه عملکرد قوانین در زمینه‌های مختلف را ندارند. سیستمی که در بروکسل - مقر اتحادیه اروپا - به‌عنوان ایمن تأیید شده، ممکن است در «بنگلور» هند به‌خوبی کار نکند. علاوه بر این، استاندارد تنظیم‌کننده‌های غربی در کشورهای درحال‌توسعه ممکن است به طور نامناسبی سخت‌گیرانه باشند. برای مثال، پیش‌بینی‌های آب و هوا برای بهبود آنچه در دسترس کشاورزان در کشورهای در حال توسعه است، لازم نیست چندان عالی باشد و حتی در محیط های با ریسک بالاتر مانند پزشکی، هوش مصنوعی ممکن است به زودی بهتر از گزینه های موجود برای فقرا عمل کند.
یک مطالعه در سال ۲۰۲۳ عملکرد بالینی را در کشورهای کم‌درآمد مورد بررسی قرار داد تا متوجه شود که چه بخشی از موارد به‌درستی رسیدگی شده است. پاسخ، کمتر از نصف بود. درعین‌حال، افراد طبقه متوسط در یک کشور درحال‌توسعه نیز نسبت به همتایان خود در کشورهای توسعه‌یافته، آسیب‌پذیرتر هستند. بسیاری از مردم در کشورهای درحال‌توسعه امکان کمی برای به چالش کشیدن تصمیمات خودکار مانند رد درخواست وام را دارند. سیستم‌های هوش مصنوعی جدید اغلب بدتر از آنچه که تبلیغ می‌شود عمل می‌کنند و نادیده‌گرفتن مشکلاتی که در میان افراد کم‌درآمد ایجاد می‌شود برای شرکت‌ها بسیار آسان است و به همین دلیل برای تنظیم‌کننده‌ها مهم است که اطمینان حاصل کنند تا مصرف‌کنندگان، فرآیندهای کافی برای گزارش مشکلات و تجدیدنظر در تصمیم‌ها را دارند.
بسیاری از مردم در کشورهای درحال‌توسعه با اصل ایده هوش مصنوعی آشنا نیستند و قبلاً هرگز نام الگوریتم‌ها را نشنیده‌اند؛ بنابراین برای برقراری ارتباط مؤثر باید مراقب بود. مطالعه‌ای که من با «جاشوا بلومن استاک» [4] و «سامسون نایت» [5] انجام دادم، نشان می‌دهد که این مسئله امکان‌پذیر است. ما به گروهی از مردم کم‌درآمد «کنیا» نرم‌افزاری دادیم که بر اساس نحوه استفاده از تلفن همراه به آنها پاداش مالی می‌دهد و از الگوریتم‌هایی مشابه الگوریتم‌هایی استفاده می‌کند که اعتبار یک فرد را ارزیابی می‌کنند. هنگامی که به آنها توضیحات ساده‌ای از نحوه عملکرد الگوریتم‌ها داده شد، آنها رفتار خود را تنظیم کردند و این یعنی نشانه‌ای مشخص از درک و فهم وجود دارد.
ترکیب فناوری و سیاست با هوش مصنوعی
کشورهای درحال‌توسعه باتوجه‌به اهرم‌های محدود برای کنترل هوش مصنوعی، ممکن است مجبور شوند به‌جای کنترل آن، به سازگاری با این فناوری جدید رضایت بدهند.
موانع سیاسی نیز فراوان است. «دیپ‌فیک‌ها» [6] - عکس‌ها، ویدئوها و کلیپ‌های صوتی شبه‌واقعی که توسط هوش مصنوعی تولید می‌شود - در کشورهای درحال‌توسعه که سیستم‌های سیاسی آنها شکننده بوده و اعتماد بین گروه‌ها اغلب پایین است، می‌توانند تأثیرات مخربی داشته باشند. از آنجایی که مردم متوجه می‌شوند که رسانه‌ها می‌توانند چنینی محتوایی تولید کنند، ممکن است از باور محتوایی که حقیقت دارد و واقعی است نیز خودداری کنند. برای از بین بردن این مشکلات، جامعه مدنی می‌تواند برای اعتمادسازی نقش‌آفرینی کند. جامعه مدنی می‌تواند به گسترش آگاهی از اینکه ممکن است محتوایی جعلی باشد کمک کند و کانال‌های مستقلی ایجاد کند که برای بررسی محتوا شهرت پیدا کنند.
همچنین هوش مصنوعی اشکال جدیدی از نظارت، مانند ردیابی افراد از طریق دستگاه‌های تلفن همراه و تشخیص چهره را فعال می‌کند. اکثر کشورهای درحال‌توسعه، در بازارِ ابزارهای نظارتی با فناوری پیشرفته، ابزارهای نظارتی خود را توسعه نمی‌دهند، بلکه آنها را اغلب از چین وارد می‌کنند. این برون‌سپاری به این معنی است که اجرای واقعی فناوری مبتنی بر هوش مصنوعی ممکن است بی‌قاعده باشد و باعث شود اطلاعات جمع‌آوری‌شده به اشخاص ثالث درز پیدا کند و حقوق مردم به روش‌های غیرقابل‌پیش‌بینی نقض شود. بار دیگر، جامعه مدنی می‌تواند در این زمینه نقش ایفا کند و سیستم‌های جدید را رصد کرده و توجه عموم را به سوءاستفاده‌ها جلب کند.
بازگشت به آینده
موج فعلی هوش مصنوعی چالش‌ها و فرصت‌هایی را با سرعتی بی‌سابقه به وجود آورده است. اما ما قبلاً شاهد تحولات تکنولوژیک مشابهی بوده‌ایم. اگرچه تلفن‌های همراه در ابتدا برای مصرف‌کنندگان ثروتمند طراحی شده بودند، اما در ۲۰ سال گذشته استفاده از آنها در بین فقرا نیز گسترش پیدا کرد. کشورهای درحال‌توسعه از سخت‌افزار استاندارد شده‌ای به نام آنتن‌ها و گوشی‌های ساخت غرب بهره‌مند شدند. شرکت‌های مخابراتی مدل‌های کسب‌وکاری مانند برنامه‌های پرداخت تلفن همراه را اختراع کردند که به فقرا خدمت می‌کردند. کارآفرینان سازمان‌های جدیدی را راه‌اندازی کردند که به مردم اجازه می‌داد از تلفن برای ارسال پول، دریافت اعتبار و بررسی قیمت‌ها استفاده کنند. این نوآوری‌ها به تلفن‌های همراه اجازه می‌دهد تا به‌سرعت به اکثر فقرای جهان دسترسی پیدا کنند و آنها را به اقتصاد جهانی متصل نمایند. همین پیوندها هستند که زمینه را برای گسترش هوش مصنوعی فراهم کرده‌اند. بااین‌حال، علی‌رغم موفقیت تلفن‌های همراه، حتی این نوآوری نیز از تمام ظرفیت خود در کشورهای درحال‌توسعه استفاده نکرده است. بیشتر نوآوری‌های بخش خصوصی بر نیازهای افراد ثروتمند متمرکز شده است. بیشتر از سایر بخش‌ها بر روی برنامه‌هایی برای اتصال مصرف‌کنندگان ثروتمند به رانندگان، ویلاهای تفریحی و غذاهای آماده سرمایه‌گذاری شده است تا برنامه‌هایی که کشاورزان معیشتی را به بازارها و کودکان در مناطق دورافتاده را به یادگیری متصل می‌کنند.
نوآوری بخش خصوصی در هوش مصنوعی احتمالاً بسیاری از صنایع، از آموزش گرفته تا سلامت و قانون را متحول خواهد کرد؛ اما استفاده از ظرفیت کامل این فناوری برای کشورهای درحال‌توسعه مستلزم تدوین چشم‌اندازی گسترده از آنچه که ممکن است و توجه بیشتر به افرادی که زندگی آنها می‌تواند تغییر کند را دارد.
[1] . Daniel Björkegren
[2] . Machine learning: فرآیندی که رایانه ها توانایی خود را برای انجام وظایف با تجزیه و تحلیل داده های جدید، بدون نیاز به ارائه دستورالعمل ها بهبود می بخشند. آموزش ماشینی به برنامه‌های نرم‌افزاری اجازه می‌دهد تا در پیش‌بینی نتایج خروجی، دقیق‌تر عمل کنند، بدون اینکه به طور مستقیم برای انجام این کار برنامه‌ریزی شده باشند. الگوریتم‌های یادگیری ماشین از داده‌های سابق به عنوان ورودی برای یادگیری و سپس پیش بینی مقادیر خروجی جدید استفاده می‌کنند.
[3] . «چت بات» یا یا دستیار مجازی هوشمند یک برنامه رایانه ای است که برای شبیه سازی یک مکالمه هوشمند با یک یا چند کاربر انسانی از طریق صدا یا متن طراحی شده است.
[4] . Joshua Blumenstock
[5] . Samsun Knight
[6] . Deepfakes
/ انتهای پیام /
