طبق گفته مکنزی، هوش مصنوعی در جهان آن‌قدر سریع پیش می‌رود که اهداف خود را به جای سال۲۰۵۰، در سال۲۰۲۵ محقق خواهد کرد.
رمزگشایی از هوش مصنوعی نشان می‌دهد این پدیده شگفت‌انگیز دست‌کم از سه مسیر روی اقتصاد اثر خواهد داشت و به ترتیب روی «مساله دموکراسی و توسعه در جوامع»، «سطح نابرابری در جهان»، و نیز «فعالیت‌های مالی در موسسات بانکی و سرمایه‌گذاری» اثری بنیادین برجای خواهد گذاشت.
به گزارش دنیای اقتصاد؛ طبق گفته مکنزی، هوش مصنوعی در جهان آن‌قدر سریع پیش می‌رود که اهداف خود را به جای سال۲۰۵۰، در سال۲۰۲۵ محقق خواهد کرد. نتایج مقالاتی که ترجمه فارسی آنها در باشگاه اقتصاددانان منتشر شده است، نشان می‌دهد هوش مصنوعی بیشترین اقبال را نه در میان صنایع واحد‌های تولیدی که در سطح بانک‌ها و گردانندگان شرکت‌های سرمایه‌گذاری کسب کرده؛ ضمن اینکه بسیاری از دولت‌ها را از مسیر شکاف تکنولوژی و دسترسی محدود به داده، به صرافت اثرگذاری بر جوامع انداخته است.
این پرونده با تایید اثرات عمیق و متنوع هوش مصنوعی بر کارگران ماهر و ساده، سرعت تحولات ناشی از این پدیده را فراتر از باور‌های اولیه عنوان می‌کنند.
تحولات هوش مصنوعی به حدی سریع پیش می‌رود که دست پژوهشگران را برای دیدن همه جنبه‌های اثربخش این موضوع بر اقتصاد بسته است. با این حال پژوهش‌های رسمی نشان می‌دهد هوش مصنوعی دست‌کم اثرات مشخصی بر دو حوزه بازار کارو بازار کالا خواهد داشت، به شکلی که از یک سو، از طریق اتوماسیون روند‌های خودکار و اعمال هوشمندانه روبات‌ها، کارخانه‌ها را با تغییرات عمیقی روبه‌رو خواهد کرد و از دیگر سو فرصت‌های شغلی بسیاری ایجاد کرده و روند‌های شغلی روتین را از بین خواهد برد.
«باشگاه اقتصاددانان» به همین بهانه سراغ سه مقاله از پژوهشگران این حوزه رفته و سعی کرده است اثرات تحولات تکنولوژیک نسل ۴ صنعت بر اقتصاد جهان را مورد بررسی قرار دهد.
ابزار‌های هوش مصنوعی و افرادی که از آنها استفاده می‌کنند، به ابزار‌هایی ضروری برای موسسات مالی و بانک‌های مرکزی در سراسر جهان تبدیل شده‌اند. تحلیل‌های یک استارت‌آپ که قابلیت‌های هوش مصنوعی را در شرکت‌های خدمات مالی ردیابی می‌کند، نشان می‌دهد که در ژوئن ۲۰۲۳، جی‌پی‌مورگان به ۳۶۰۰ پست مرتبط با هوش مصنوعی نیاز داشته است.
الکساندرا موسوی‌زاده، بنیانگذار این استارت‌آپ، معتقد است که امروزه یک نبرد برای استعداد‌ها وجود دارد و اطمینان از اینکه اکنون از آن جلوتر هستید، تفاوت زندگی و مرگ است. مانند سایر پیشرفت‌های تکنولوژی، هوش مصنوعی قابلیت‌های جدیدی را ارائه می‌کند که با خطرات جدیدی همراه هستند.
صنعت خدمات مالی می‌تواند یکی از بزرگ‌ترین ذی‌نفعان هوش مصنوعی باشد و ممکن است به کمک آن قادر به محافظت بهتر از دارایی‌ها و پیش‌بینی بازار‌ها باشد. البته اگر از هوش مصنوعی برای دزدی، کلاهبرداری، جرائم سایبری یا حتی ایجاد بحران مالی که سرمایه‌گذاران انتظار آن را ندارند استفاده شود، این بخش می‌تواند بزرگ‌ترین متضرر آن باشد.
اثر ظهور ChatGPT در نوامبر ۲۰۲۲ در حوزه مالی و سایر بخش‌های اقتصاد مشاهده می‌شود. این اپلیکیشن به‌سرعت از مرز ۱۰۰ میلیون کاربر عبور کرد تا به سریع‌ترین برنامه در حال رشد در تاریخ اینترنت تبدیل شود.
پولی که از سوی شرکت‌های مالی و سایر شرکت‌ها به هوش مصنوعی سرازیر می‌شود، اولویت‌های جدید را تعیین می‌کند. طبق آمار‌ها فروش نرم‌افزار، سخت‌افزار و خدمات سیستم‌های هوش مصنوعی امسال با ۲۹ درصد افزایش به ۱۶۶ میلیارد دلار رسید و به بیشتر از ۴۰۰ میلیارد دلار در سال ۲۰۲۷ خواهد رسید.
هزینه‌های صنعت مالی برای هوش مصنوعی در سال ۲۰۲۷ به ۹۷میلیارد دلار خواهد رسید که سریع‌ترین رشد را بین پنج صنعت اصلی خواهد داشت.
صندوق‌های سرمایه‌گذاری که مدت‌ها پیشگامان استفاده از تکنولوژی‌های پیشرفته بوده‌اند، از هوش مصنوعی مولد استقبال می‌کنند. بر اساس مشاهدات، از صندوق‌هایی با مجموع دارایی ۲۵۰ میلیارد دلاری، نیمی از آنها به طور حرفه‌ای از ChatGPT استفاده می‌کنند و بیش از دو‌سوم آنها برای بازاریابی یا خلاصه‌کردن گزارش‌ها یا اسناد از آن استفاده می‌کنند.
کسب‌وکار‌های مرتبط با سرمایه‌گذاری در حال بررسی و استفاده از قابلیت‌های هوش مصنوعی در زمینه‌های تجاری مختلف هستند. آموندی که بزرگ‌ترین شرکت سرمایه‌گذاری اروپایی است در حال ایجاد زیرساخت‌های هوش مصنوعی خود برای تحقیقات در زمینه اقتصاد کلان و بازار‌ها و همچنین برای کاربرد‌هایی مانند ابزار‌های مشاوره برای مشتریان خود است.
این شرکت با ۲ تریلیون یورو دارایی تحت مدیریت، از ابزار‌های مبتنی بر هوش مصنوعی به منظور اختصاصی کردن پورتفولیو برای برخی از ۱۰۰ میلیون مشتری خود با در نظر گرفتن ترجیحات آنها در مورد ریسک، استفاده می‌کند. مونیکا دیفند، استراتژیست ارشد این موسسه، معتقد است که این الگوریتم‌ها به آنها امکان مشاهده رفتار مشتریان را می‌دهند و به صورت تجمعی امکان مشاهده تغییرات رفتاری را در اختیار آنها قرار می‌دهند.
دیفند با بیان این موضوع که هوش مصنوعی نمی‌تواند جایگزین ذهن انسان شود، به خطرات یک فرآیند کاملا مبتنی بر هوش مصنوعی اشاره می‌کند و تفسیر، درک و بررسی آنچه را که الگوریتم‌های هوش مصنوعی ارائه می‌دهند به همان اندازه مهم می‌داند.
جی‌پی‌مورگان، بزرگ‌ترین اعتباردهنده ایالات متحده، از یک‌پنجم از حدود ۳۰۰ هزار کارمند خود برای توسعه تکنولوژی استفاده می‌کند و بیش از ۱۵ میلیارد دلار در سال برای این موضوع هزینه می‌کند.
در این میان کار برای سیاستگذارانی که باید از اقتصاد مراقبت کنند بسیار دشوارتر است. بانک‌های مرکزی که عمدتا کند و ریسک‌گریز هستند، در حال یادگیری استفاده از هوش مصنوعی در زمینه‌های متفاوتی هستند و ریسک‌های بالقوه آن را ارزیابی می‌کنند. هوش مصنوعی در طیف وسیعی از وظایف بانک مرکزی مانند نظارت کاربرد دارد.
بانک مرکزی برزیل نمونه اولیه هوش مصنوعی‌ای را ساخته است که شکایات مشتریان موسسات مالی را دریافت و آنها را از طریق یادگیری ماشینی دسته‌بندی می‌کند. بانک مرکزی هند نیز امسال دو شرکت مشاور در زمینه هوش مصنوعی را برای کمک به نحوه استقرار هوش مصنوعی و تجزیه و تحلیل‌های مرتبط با وظایف نظارتی خود، استخدام کرده است.
کمیته نظارت بانکی بازل که به عنوان یکی از برترین تعیین‌کنندگان استاندارد‌های تنظیم‌گری عمل می‌کند، دریافته است که هوش مصنوعی می‌تواند اعتبارسنجی‌ها برای وام‌دهی را کارآتر کند و در جلوگیری از پول‌شویی موفق عمل کند. نیل اشو، دبیر کل این کمیته، سال گذشته گفت: «بدون شک فرآیند‌های نظارتی برای تصمیم‌گیری در مورد اینکه چه چیزی سالم است و توانایی تمییز بین نوآوری‌های معتبر و غیرمعتبر بهبود خواهد یافت و در حال حاضر راه زیادی در پیش داریم.»
بانک کانادا یک ابزار یادگیری ماشین برای تشخیص خطا‌ها و ناهنجاری‌ها در مدارک ارسالی به سازمان‌های نظارتی ساخته است. مریم حقیقی، مدیر علوم داده بانک کانادا، گفت: «اجرای این مدل خطا‌هایی را می‌یابد که افراد نمی‌توانند آنها را بیابند و کارکنان می‌توانند آزادانه به تجزیه و تحلیل بپردازند. این نمونه‌ای از کار‌هایی است که هوش مصنوعی در آنها می‌تواند برای بانک‌های مرکزی بسیار مفید باشد و شما می‌توانید هوش مصنوعی را به گونه‌ای آموزش دهید که آن را بهتر و سریع‌تر از انسان انجام دهد.»
بانک مرکزی اروپا از هوش مصنوعی برای کاربرد‌هایی مانند طبقه‌بندی خودکار داده‌ها از ۱۰ میلیون نهاد تجاری و دولتی و جمع‌آوری داده از وب‌سایت‌ها برای پایش قیمت کالا‌ها استفاده می‌کند. بانک مرکزی اروپا همچنین در حال بررسی مدل‌های هوش مصنوعی زبانی برای کمک به نوشتن کد، تست نرم‌افزار و حتی کمک به درک آسان‌تر ارتباطات برای مردم است.
جان دانیلسون، پژوهشگر مدرسه اقتصاد لندن که در مطالعات خود به تاثیر هوش مصنوعی بر سیستم‌های مالی می‌پردازد، معتقد است توانایی‌های این تکنولوژی به صورت پیوسته از مراحل ابتدایی تا پیشرفته قرار می‌گیرد. به عنوان مثال در بازی شطرنج که همه از وجود مهره‌های روی تخته و قوانین آگاه هستند هوش مصنوعی به‌راحتی انسان را شکست می‌دهد.
هوش مصنوعی در حال حاضر تصمیمات مالی مهمی مانند رسیدگی به کارت‌های اعتباری را بر عهده گرفته است و به‌سرعت در بخش‌های دولتی و خصوصی نفوذ می‌کند.
اما هنگامی که شرایط پیچیده شود، مزیت آن کاهش می‌یابد. انسان‌ها در موقعیت‌های غیرمنتظره می‌توانند تصمیمات آگاهانه‌تری بگیرند؛ از اقتصاد و تاریخ گرفته تا اخلاق و فلسفه. او معتقد است که در این زمینه‌ها، انسان فعلا می‌تواند هوش مصنوعی را شکست دهد.
گری جنسلر، رئیس کمیسیون بورس و اوراق بهادار ایالات‌متحده، معتقد است که هوش مصنوعی می‌تواند جرقه‌ای برای یک بحران مالی بزند. هوش مصنوعی می‌تواند با تقویت رفتار‌های جمعی که در آن افراد تصمیمات مشابهی را بر پایه مدل و داده‌های یکسان می‌گیرند، باعث شکنندگی مالی شود.
به گفته آنسلم کوسترز، مدیر بخش دیجیتالی‌سازی و فناوری‌های جدید در اندیشکده مرکز سیاست اروپا، خطر دیگر این است که ابزار‌های هوش مصنوعی روی داده‌های گذشته آموزش دیده‌اند و ممکن است در شرایط بحرانی نتوانند عمل درست را انجام دهند که این امر ممکن است به تشدید بحران منجر شود.
کوسترز برای این موضوع از اصطلاح چند‌بحرانی را که به بدتر بودن اثر شوک‌های همزمان نسبت به مجموع هر یک از آنها به صورت جداگانه اشاره می‌کند، استفاده می‌کند. کوسترز از پارلمان اروپا خواسته است تا روی ریسک‌های پیش‌بینی الگوریتم‌های هوش مصنوعی در زمان بحران‌ها تمرکز کند.
با آشکارتر شدن مزایا و تهدیدها، بانک‌های مرکزی و سایر سیاستگذاران در سال‌های آینده با چنین سوالاتی که توسط این تکنولوژی در حال تحول مطرح می‌شود، مواجه خواهند شد.
پیشرفت تکنولوژی که از نمود‌های آن می‌توان به روبات‌های صنعتی، وسایل هوشمند خانه و ماشین‌های خودران اشاره کرد، روش زندگی و کار ما را تغییر می‌دهد. این پیشرفت‌ها در بسیاری از زمینه‌ها هیجان‌انگیز هستند، زیرا باعث افزایش بهره‌وری و استاندارد‌های زندگی می‌شوند. اما در عین حال می‌توانند ترسناک نیز باشند. وقتی ماشین‌ها جایگزین انسان‌ها شوند، بسیاری از افراد مخارج خود را چگونه تامین خواهند کرد؟
البته این سوال قدیمی است. ترس از اینکه تکنولوژی باعث نابودی شغل‌ها، جایگزینی کارگر‌ها و آسیب به سبک زندگی شود، در دوران انقلاب صنعتی به وجود آمد. این ترس امروز نیز وجود دارد. جان اف. کندی در سال ۱۹۶۰ در ابتدای انقلاب کامپیوتر گفت: «امروز ما در آستانه انقلاب صنعتی جدیدی هستیم، انقلاب اتوماسیون. این انقلاب روشنایی امید را برای کامیابی نیروی کار و فراوانی برای آمریکا می‌آورد، اما تهدیدی تاریک نیز برای جابه‌جایی صنایع، افزایش بیکاری و تعمیق فقر به همراه می‌آورد.» با نگاه به گذشته می‌توان دریافت که نگرانی کندی درباره از بین رفتن شغل‌ها به وقوع نپیوسته است. در سال‌های پس از سخنرانی او، اقتصاد ایالات متحده میلیون‌ها شغل جدید ایجاد کرده و بیکاری گسترده اتفاق نیفتاده است.
با توجه به مزایای تکنولوژی و قدرت بازار، افراد شغل‌های جدیدی پیدا می‌کنند و افزایش بهره‌وری همانند انقلاب صنعتی در قرن‌های ۱۸ و ۱۹ میلادی، استاندارد‌های زندگی را افزایش می‌دهد. در واقع استاندارد‌های زندگی از سال ۱۹۰۰ به این سو به صورت چشمگیری بهبود پیدا کرده‌اند.
تکنولوژی‌هایی مانند الکتریسیته، موتور‌های احتراق داخلی، تلفن و دارو‌های مدرن کیفیت زندگی و امید به زندگی را بهبود بخشیده‌اند. اما این مساله به این معنی نیست که نگرانی‌های کندی بیهوده بوده‌اند. تنها چند سال پس از سخنرانی کندی، نابرابری دستمزد‌ها بیشتر شد و سهم درآمدی نیروی کار کاهش یافت.
اقتصاددان‌ها چارچوب‌هایی برای بررسی اثرات هوش مصنوعی و به صورت گسترده‌تر پیشرفت تکنولوژی، اتوماسیون و روبات‌ها بر نابرابری توسعه داده‌اند. با توجه به این چارچوب‌ها، ما به چهار جنبه از تاثیرگذاری تکنولوژی بر نابرابری می‌پردازیم.
- تغییرات تکنولوژی که بهره‌وری کارگران ماهر را بیشتر از کارگران غیرماهر افزایش داده‌اند.
- کاهش هزینه سرمایه که به صورت کلی مکمل نیروی کار ماهر است.
- قابلیت ماشین‌ها که برای جایگزینی کامل کارگر‌ها افزایش یافته است.
- قدرت بازاری تعداد محدودی از بنگاه‌ها که در نتیجه تکنولوژی افزایش یافته است.
درباره کانال اول، کاتز و مورفی در سال ۱۹۹۲ تغییرات در دستمزد‌های نسبی را با تغییرات در عرضه و تقاضا برای نیروی کار ماهر توضیح دادند. عرضه کار بیشتر توسط کارگران ماهر باعث کاهش بهای مهارت آنها می‌شود و افزایش تقاضا برای نیروی کار ماهر اثر عکس دارد.
این نیرو‌ها می‌توانند کاهش بهای مهارت در ابتدای دهه ۷۰ میلادی در نتیجه ورود بیشتر افراد به دانشگاه‌ها و همچنین افزایش آن در دهه ۸۰ میلادی را توضیح دهند.
کانال دوم سرمایه و به صورت خاص دستگاه‌ها و تجهیزات، مکمل کارگران ماهر هستند و جایگزین نیروی کار غیرماهر می‌شوند. برگ، بافی و زانا در سال ۲۰۱۸ با توسعه این روش، به بررسی هوش مصنوعی و ربات‌ها به عنوان انواع جدیدی از سرمایه در کنار دستگاه‌ها و تجهیزات سنتی که جایگزین برخی از کارگر‌ها و مکمل برخی دیگر می‌شوند، پرداختند.
در ۳۰ سال گذشته جایگزینی نیروی کار غیرماهر با تکنولوژی‌های اطلاعاتی و ارتباطی افزایش یافته است. به عبارت دیگر تکنولوژی‌های اطلاعاتی و ارتباطی اکنون می‌توانند بهتر از کارگران غیرماهر به انجام برخی کار‌ها بپردازند. افزایش امکان جایگزینی کارگر‌ها با هوش مصنوعی و ماشین‌ها باعث افزایش نابرابری دستمزد‌ها و سهم درآمدی صاحبان سرمایه می‌شود.
این موضوع باعث به وجود آمدن این پرسش می‌شود که منفعت هوش مصنوعی چگونه باید توزیع شود یا به عبارت دیگر چه کسی مالک هوش مصنوعی است؟ هرچند در درازمدت، جامعه ممکن است با بهره‌وری کلی بالاتری که به وجود می‌آید، وضعیت بهتری داشته باشد، اما بازنده‌های زیادی وجود خواهد داشت که عمدتا در میان کسانی هستند که از قبل از رفاه کمتری برخوردار بوده‌اند.
درباره کانال سوم، عجم‌اوغلو و رسترپو در سال ۲۰۲۰ به این نکته اشاره می‌کنند که تکنولوژی هرچند نقش خلاقیت را افزایش داده، اما به صورت فزاینده‌ای جایگزین کارگران در کار‌های عادی شده است. این مسابقه بین کار‌های خلاقانه جدید و اتوماسیون کار‌های عادی، بر تقاضا برای گروه‌های کاری متفاوت موثر است و در نهایت دستمزد‌ها و بهره‌وری کلی را تعیین می‌کند. عجم‌اوغلو و رسترپو نشان می‌دهند که بیشتر تغییرات در دستمزد‌های نسبی گروه‌های مختلف نیروی کار را می‌توان با اتوماسیون توضیح داد.
کانال چهارم این تاثیرات خارج از نیروی کار و مربوط به قدرت بازاری بنگاه‌هاست. شرکت‌هایی مانند آلفابت و مایکروسافت تکنولوژی‌های پیشرو در زمینه هوش مصنوعی را در اختیار دارند. توسعه این تکنولوژی‌ها علاوه بر هزینه زیاد، نیازمند حجم بالایی از داده است که تنها شرکت‌های معدودی در اختیار دارند.
این موضوع به این معنی است که این بنگاه‌ها در نهایت سهم بزرگ‌تری از درآمد‌های این تکنولوژی را در اختیار خواهند داشت. با اجاره‌دادن این تکنولوژی به بنگاه‌ها در صنایع دیگر، سهم نیروی کار از درآمد کاهش خواهد یافت و سهم هوش مصنوعی افزایش می‌یابد.
پیامد‌های قدرت بازاری این شرکت‌ها تنها به مالکیت هوش مصنوعی محدود نمی‌شود. شرکت‌ها با نوآوری‌های خود سرعت رشد و نوع تکنولوژی جدیدی را که ایجاد می‌شود تعیین می‌کنند.
وقتی بنگاه‌ها به اندازه کافی بزرگ باشند می‌توانند مالکیت رقبای احتمالی را به دست آورده و رقابت را از بین ببرند. علاوه بر این، شرکت‌های بزرگ که به تکنولوژی‌های پیشرو در زمینه هوش مصنوعی دسترسی دارند، ممکن است بتوانند نهاد‌های تنظیم‌گر را تحت‌تاثیر قرار داده و مسیر نوآوری را به جای رفاه اجتماعی به سمت اهداف خود تغییر دهند. این نابرابری و سهم درآمدی کمتر نیروی کار می‌تواند دائمی باشد.
انقلاب صنعتی اول منعکس‌کننده خوش‌بینی بلندمدت و نگرانی‌های کوتاه‌مدت بود. افراد کمی تمایل دارند مزیت‌های آن را کنار بگذارند، اما عبور از آن، هم از نظر اقتصادی و هم سیاسی بسیار سخت بوده است. فری با اشاره به تله تکنولوژی بیان می‌کند که در نتیجه انقلاب صنعتی، گروه‌های مشخصی از کارگران برای سه نسل وضع بدتری را تجربه کرده‌اند.
ظهور ChatGPT- ۴، که یک مدل زبانی و یک مدل هوش مصنوعی برای ایجاد زبانی شبیه انسان است، در اوایل سال ۲۰۲۳ نشان‌دهنده شتاب قابل توجهی در سرعت تغییرات است و توانایی هوش مصنوعی را برای انجام کار‌هایی بسیار بیشتر از کار‌های عادی نشان می‌دهد.
پژوهش مک‌کینزی در سال ۲۰۱۹ نشان می‌داد که کارشناسان هوش مصنوعی انتظار داشتند که رایانه‌ها بتوانند تا سال ۲۰۵۰، ۲۵ درصد برتر از انسان‌ها بنویسند و تا سال ۲۰۵۵ خلاقیت هم‌سطح انسان داشته باشند. با‌این‌حال آنها با اصلاح برآورد‌های خود معتقدند که هوش مصنوعی به‌ترتیب در سال‌های ۲۰۲۴ و ۲۰۲۸ به این سطح از توانایی خواهد رسید.
برآورد‌ها نشان می‌دهند که وقتی این ابزار وارد محیط کار شود، حداقل نیمی از وظایف حدود ۲۰ درصد از کارگران را تحت‌تاثیر قرار می‌دهد. به نظر می‌رسد که مدل‌های زبانی بهره‌وری را در کار‌های خلاقانه مانند نوشتن، تحلیل‌های حقوقی و برنامه‌نویسی افزایش می‌دهند. این مطالعات با مقایسه بهره‌وری گروهی که از مدل‌های زبانی استفاده می‌کند و گروه کنترل در انجام وظایف یکسان، جهش‌های بزرگی در عملکرد را نشان می‌دهند.
علاوه بر این، در این مطالعات افرادی که مهارت کمتری داشته‌اند بیشتر از مزایای مدل‌های زبانی بهره برده‌اند و نشانه‌هایی وجود دارد که GPT-۴ به‌تن‌هایی می‌تواند خروجی‌های بهتری نسبت به انسان تولید کند. این یافته‌ها با یافته‌های پیشین که بر جایگزینی اتوماسیون با نیروی کار با مهارت پایین تاکید داشتند، در تضاد هستند.
این مشاهدات می‌توانند نشان‌دهنده تفاوت بین مدل‌های زبانی با نسل‌های پیشین تکنولوژی باشند. آیا نابرابری دستمزد به نفع کارگران با مهارت کمتر کاهش خواهد یافت؟ یا شرکت‌های بزرگ که به بهترین داده‌ها دسترسی دارند و بااستعدادترین نیروی کار را در اختیار دارند، قدرت اقتصادی و سیاسی بیشتری به دست خواهند آورد؟
سناریو‌های خوش‌بینانه و بدبینانه‌ای درباره آینده هوش مصنوعی وجود دارد، اما به صورت قطعی تغییرات سیاسی و اجتماعی و اقتصادی زیادی رخ خواهد داد و سیاستگذاران باید عواقب این تغییرات را به‌خوبی در نظر داشته باشند. از سوی دیگر باید به تاثیرات جهانی هوش مصنوعی نیز توجه کرد.
پژوهش‌های قبلی با تاکید بر جایگزینی هوش مصنوعی به جای نیروی کار غیرماهر، درباره افزایش نابرابری‌های درآمدی جهانی هشدار می‌دهند، اما تاثیر این تکنولوژی‌ها بر کشور‌های مختلف نامشخص است. اقتصاد‌های در‌حال‌توسعه ممکن است از هوش مصنوعی به عنوان یک معلم خستگی‌ناپذیر و دستیار برنامه‌نویسی خبره که نیروی کار آنها را تقویت می‌کند، بهره‌مند شوند. از سوی دیگر دسترسی محدودتر به داده‌ها و شکاف‌های تکنولوژی می‌تواند این نابرابری را افزایش دهد.
با نفوذ هوش مصنوعی در اقتصاد‌های در حال توسعه، خطرات آشنایی از قبیل اختلال، اطلاعات نادرست و نظارت پدیدار می‌شوند، اما در عین حال این موضوع نویدبخش مزایای بالقوه فراوانی نیز است. نمونه‌های اخیر نشان می‌دهند که چگونه فناوری‌های مبتنی بر هوش مصنوعی می‌توانند به هدایت هدفمندانه‌تر کمک‌ها و اعتبارات کمک کنند و دسترسی به آموزش متناسب و مشاوره پزشکی را بهبود بخشند.
با‌این‌حال، برقراری تعادل بین این خطرات نیازمند نوآوری و تطبیق است. پیشرفت‌های اخیر در هوش مصنوعی عمدتا در کشور‌های ثروتمند و برای شهروندان این کشورها و با استفاده از داده‌های آنها صورت پذیرفته است. در طول چند سال گذشته، ما با همکاری شرکای خود در کشور‌های کم‌درآمد، روی کاربرد‌های هوش مصنوعی برای این کشورها، کاربران آن و داده‌ها تحقیق کرده‌ایم.
در چنین شرایطی، راه‌حل‌های مبتنی بر هوش مصنوعی تنها در صورتی کار می‌کنند که با شرایط اجتماعی و نهادی آن کشور مطابقت داشته باشند. در توگو، جایی که دولت از فناوری یادگیری ماشین برای هدفمند کردن کمک‌های نقدی در طول همه‌گیری کووید-۱۹ استفاده کرد، دریافتیم که تطبیق هوش مصنوعی با شرایط کشور کلید نتایج موفقیت‌آمیز بوده است.
دولت با بازطراحی فناوری‌ای که برای تبلیغات آنلاین طراحی شده بود، شناسایی فقیرترین ساکنان کشور را انجام داد. با استفاده از هوش مصنوعی، این سیستم داده‌های ماهواره‌ای و شرکت‌های تلفن همراه را پردازش کرد تا نشانه‌های فقر را شناسایی کند.
به عنوان مثال روستا‌هایی که در تصاویر هوایی توسعه‌نیافته به نظر می‌رسیدند و مشترکان تلفن همراه با اعتبار کم به عنوان افراد فقیر شناخته می‌شدند. هدف‌گذاری بر اساس این معیار‌ها به اطمینان از رسیدن وجوه نقد به افراد نیازمند کمک کرد.
این راهکار تنها به این دلیل در توگو کارساز بود که دولت، با همکاری محققان و سازمان‌های غیرانتفاعی، این فناوری را برای پاسخگویی به نیاز‌های کشور سفارشی کرد. آنها سیستمی برای توزیع پرداخت‌ها از طریق تلفن همراه ساختند، الگوریتم‌های یادگیری ماشین موجود را برای انتقال وجه به افراد فقیر تطبیق دادند و با ده‌ها هزار ذی‌نفع مصاحبه کردند تا اطمینان حاصل کنند که این سیستم پرداخت درست کار می‌کند.
با این حال، این راهکار مبتنی بر هوش مصنوعی برای دائمی بودن طراحی نشده بود و قرار بود پس از پایان همه‌گیری کنار گذاشته شود. البته این راهکار نگرانی دیگری را مطرح کرد: الگوریتم‌هایی که در آزمایشگاه و شرایط کنترل‌شده عملکرد خوبی دارند ممکن است هنگام اعمال برای تصمیم‌گیری‌های مهم در عمل قابل‌اعتماد نباشند. به عنوان مثال، در سیستم هدفمندسازی کمک‌های مالی مانند توگو، ممکن است مردم رفتار خود را برای واجد شرایط دریافت مزایا شدن، تطبیق دهند و در نتیجه توانایی سیستم برای هدایت وجوه به سمت فقرا را تضعیف کنند.
از دیگر کاربرد‌های یادگیری ماشین، تعیین واجد شرایط بودن برای دریافت وام‌های خرد بر اساس رفتار تلفن است. برای مثال، در کنیا، بیش از یک‌چهارم بزرگسالان با استفاده از تلفن همراه خود وام دریافت کرده‌اند. اما اگر افرادی که روابط بیشتری در شبکه‌های اجتماعی دارند، احتمال بیشتری برای دریافت وام داشته باشند، برخی از متقاضیان ممکن است به‌سرعت به روابط خود اضافه کنند.
در نهایت، این امر توانایی سیستم‌ها برای هدف قرار دادن افراد موردنظر را دچار مشکل می‌کند. در مطالعه‌ای با مرکز بوسارا در کنیا، متوجه شدیم که مردم قادر هستند رفتار تلفن‌های هوشمند خود را در پاسخ به چنین قوانین الگوریتمی‌ای یاد بگیرند و تنظیم کنند. به همین دلیل این فناوری‌ها به‌تن‌هایی نمی‌توانند بر مشکلات در اجرا غلبه کنند و بخش بزرگی از چالش ساخت چنین سیستم‌هایی اطمینان از قابل‌اعتماد بودن آنها در شرایط واقعی است.
از سوی دیگر، برخی از سیستم‌ها برای کارآ بودن نیاز به تطبیق دارند. به عنوان مثال، در بسیاری از کشور‌های کم‌درآمد، معلمان با کلاس‌های پرجمعیت و منابع محدود مواجه هستند.
در سیرالئون، یک شرکت داخلی، سیستم چت‌بات هوش مصنوعی برای معلمان راه‌اندازی کرد که TheTeacher.AI نامیده می‌شود و شبیه چت‌جی‌پی‌تی است، اما با برنامه درسی و آموزشی این کشور مطابقت دارد و حتی زمانی که اتصال به اینترنت ضعیف است، در دسترس است.
در فاز آزمایشی، بسیاری از معلمان قادر به طرح سوال به گونه‌ای که پاسخ‌های مفیدی به همراه داشته باشد، نبودند؛ اما گروه کوچکی به طور منظم از این سیستم برای کمک به تدریس مفاهیم، برنامه‌ریزی دروس و ایجاد منابع آموزشی استفاده کردند و استفاده از این سیستم برای معلمان به آموزش و تمرین نیاز دارد.
ممکن است استفاده از هوش مصنوعی برای کسانی که از مزایای آن بهره‌مند می‌شوند، بلافاصله آشکار نباشد. کشف این کاربردها به آزمون و خطا و به اشتراک گذاشتن کاربرد‌های آن بستگی دارد. درک قابلیت‌های هوش مصنوعی احتمالا برای مردم در کشور‌های کم‌درآمدتر که سواد خواندن و نوشتن و ریاضیات در سطح پایین‌تری است و شهروندان آنها با داده‌ها و الگوریتم‌هایی که این داده‌ها را پردازش می‌کنند کمتر آشنا هستند، دشوارتر خواهد بود. به عنوان مثال، در آزمایش میدانی ما در کنیا، توضیح الگوریتم‌های ساده با اعداد منفی و کسری به شهروندان کم‌درآمد دشوار به نظر می‌رسید.
اما تیم ما راه‌های ساده‌تری برای آموزش این مفاهیم پیدا کرد و از پاسخ افراد واضح بود که آنها این مفاهیم را درک کرده‌اند. با‌این‌حال، درک سیستم‌های پیچیده هوش مصنوعی حتی برای محققان هوش مصنوعی نیز دشوار است. برای استفاده از بسیاری از این کاربردها، کاربران نیازی به درک عملکرد الگوریتم‌ها ندارند.
برای مثال، پیشنهاد‌های فیلم نتفلیکس می‌تواند برای کاربران مفید باشد، حتی اگر نحوه انتخاب محتوایی را که الگوریتم پیشنهاد می‌دهد متوجه نشوند. به همین ترتیب، سیاستگذاران ممکن است در یک بحران انسانی، راهکار‌های یک الگوریتم را که عملکرد آن را درک نکنند، قابل‌قبول بدانند.
شفافیت گاهی اوقات حیاتی است. درباره حمایت‌های اجتماعی در شرایط عادی، توضیح معیار‌های واجد شرایط بودن برای ذی‌نفعان بالقوه ضروری است. البته گفتن این امر ساده‌تر از انجام آن است: مصاحبه‌های بی‌شماری به ما نشان داده که هنجار‌ها و ارزش‌های پیرامون داده‌ها و حریم خصوصی در محیطی مانند مناطق روستایی توگو با کشور‌های ثروتمند که در آن سیستم‌های مبتنی بر هوش مصنوعی رایج‌تر هستند، اساسا متفاوت است.
برای مثال، تعداد کمی از افرادی که با آنها صحبت کرده‌ایم نگران دسترسی دولت یا شرکت‌ها به داده‌هایشان بوده‌اند که نگرانی غالب در اروپا و ایالات‌متحده است، اما بسیاری تعجب می‌کردند که چگونه چنین اطلاعاتی با همسایگانشان به اشتراک گذاشته می‌شود.
با گسترش کاربرد هوش مصنوعی، لازم است مردم اثرات اجتماعی آن را درک کنند. به عنوان مثال، هوش مصنوعی می‌تواند تصاویر کاملا جعلی ایجاد کند و در تماس‌ها صدای افراد را تقلید کند. این موارد بر میزان اعتمادی که مردم به اطلاعات آنلاین دارند، تاثیر می‌گذارد. حتی جوامع دورافتاده نیز باید از این احتمالات آگاه شوند و از اینکه نگرانی‌های آنها در تدوین مقررات لحاظ می‌شود، مطمئن باشند.
هوش مصنوعی مبتنی بر زیرساخت‌های فیزیکی دیجیتالی است: از پایگاه‌های داده عظیم روی سرور‌ها گرفته تا کابل‌های فیبر نوری و برج‌های تلفن همراه و تلفن‌های همراه. طی دو دهه گذشته، اقتصاد‌های در‌حال‌توسعه سرمایه‌گذاری زیادی برای اتصال مناطق دورافتاده به شبکه تلفن همراه و اینترنت انجام داده و برخی از زیرساخت‌های لازم برای استفاده از هوش مصنوعی را ایجاد کرده‌اند.
با‌این‌حال، برخی از سیستم‌های هوش مصنوعی نیاز به سرمایه‌گذاری بر دانش خواهند داشت، به‌ویژه در اقتصاد‌های در‌حال‌توسعه که شکاف‌های داده‌ای همچنان وجود دارد و فقرا قابل‌تشخیص نیستند.
مدل‌های هوش مصنوعی در این کشورها اطلاعات ناقصی در مورد نیاز‌ها و خواسته‌های ساکنان کم‌درآمد، وضعیت سلامت آنها، وضعیت زندگی افراد و روستا‌ها و ساختار زبانی دارند. جمع‌آوری این داده‌ها ممکن است مستلزم ادغام کلینیک‌ها، مدارس و کسب‌وکار‌ها در سیستم‌های ثبت سوابق دیجیتال، ایجاد انگیزه برای استفاده از آنها و ایجاد حقوق قانونی بر داده‌های حاصل باشد. علاوه‌بر این، سیستم‌های هوش مصنوعی باید با ارزش‌ها و شرایط هر کشور سازگار شوند.
به عنوان مثال، سیستم‌های هوش مصنوعی غربی ممکن است پیشنهاد کنند که معلمان از منابع گران‌قیمتی مانند تخته‌های دیجیتال یا ارائه اسلاید‌های دیجیتال استفاده کنند.
این سیستم‌ها برای کارآیی در مناطق فاقد این منابع، باید تطبیق داده شوند. سرمایه‌گذاری در آموزش توسعه‌دهندگان هوش مصنوعی می‌تواند به اطمینان از اینکه نسل بعدی نوآوری‌های فنی ارزش‌ها و اولویت‌های آن کشور را بهتر منعکس کند، کمک کند.
هوش مصنوعی کاربرد‌های مفید بسیاری برای افراد کم‌درآمد در اقتصاد‌های در‌حال‌توسعه نوید می‌دهد. به راحتی می‌توان تصور کرد که چگونه این سیستم‌ها می‌توانند به نفع افراد کم‌درآمد باشند، اما چالش بزرگ این است که اطمینان حاصل شود این سیستم‌ها نیاز‌های مردم را برآورده می‌کنند، با در نظر گرفتن شرایط خاص هر کشور عمل می‌کنند و آسیبی ایجاد نمی‌کنند.
