وقتی درباره هوش مصنوعی صحبت می‌کنیم، معمولاً ذهنمان به سمت چت‌بات‌ها، تولید متن و ابزارهای مولد می‌رود. اما آنچه شرکت‌ها در دنیای واقعی در حال ساختن هستند، اغلب ارتباط چندانی با پنجره گفت‌وگو ندارد.

هوش مصنوعی اکنون در بیمارستان‌ها، کامیون‌ها، هواپیماها، ماشین‌آلات سنگین و حتی میدان‌های مین به کار گرفته می‌شود؛ از پهپادهایی که نمونه‌های پزشکی حمل می‌کنند تا کامیون‌های خودران فریتولِی، مسیرهای پروازی هدایت‌شده با هوش مصنوعی، دستیارهای تعمیرات و لپ‌تاپ‌های مجهز به GPU که بدون اتصال به اینترنت در اوکراین استفاده می‌شوند.

ما ۱۳۶ مورد استفاده از هوش مصنوعی را که طی ۲۰ روز اخیر منتشر شده بود بررسی کردیم. بزرگ‌ترین غافلگیری این بود که تنها ۳۸ مورد از آن‌ها نتیجه‌ای قابل گزارش داشتند.

خلاصه ماجرا در شش نکته

• هوش مصنوعی از پنجره چت خارج شده و وارد بیمارستان‌ها، کامیون‌ها، هواپیماها، ماشین‌آلات سنگین و عملیات‌های پرخطر شده است.
• موفق‌ترین پیاده‌سازی‌ها معمولاً بسیار محدود و مشخص هستند: یک مسیر، یک دستگاه، یک فرایند کاری و یک نتیجه قابل اندازه‌گیری.
• مدل هوش مصنوعی به‌ندرت مزیت اصلی است. داده‌های اختصاصی، سطح دسترسی، طراحی گردش کار، ثبت سوابق و امکان تحویل کار به انسان، بخش دشوار و ارزشمند ماجرا هستند.
• گزارش‌های رسمی شرکت‌ها در سازمان بورس آمریکا یا SEC، گاهی بیش از دموی محصولات درباره واقعیت هوش مصنوعی اطلاعات می‌دهند؛ از نظارت هیئت‌مدیره گرفته تا برق، سیستم‌های خنک‌کننده، سخت‌افزارهای آفلاین و ریسک‌های امنیتی.
• شواهد موجود هنوز بسیار محدود است. از ۱۳۶ نمونه بررسی‌شده، درباره ۹۸ مورد هیچ نتیجه مشخصی گزارش نشده بود.
• برای تشخیص یک پروژه واقعی هوش مصنوعی باید پرسید: دقیقاً چه چیزی تغییر کرده؟ چه کسی مسئول نتیجه است؟ هوش مصنوعی اجازه دارد چه چیزی را ببیند و انجام دهد؟ و در مقایسه با گذشته، چه چیزی بهتر شده است؟

غافلگیری اول: بیمارستانی بدون آزمایشگاه

بیمارستان نارایانا در بنگلور هند، از هوش مصنوعی برای نوشتن خلاصه پرونده بیماران استفاده نمی‌کند؛ بلکه از آن برای مدیریت پرواز پهپادها بهره می‌گیرد.

شرکت Airbound اعلام کرده است که تاکنون بیش از هزار پرواز برای نارایانا انجام داده. پهپادها نمونه‌های تشخیصی را در مسافتی حدود چهار کیلومتر، تقریباً در هفت دقیقه جابه‌جا می‌کنند. همین مسیر با خودرو، در صورت در نظر گرفتن زمان جمع‌آوری و تجمیع نمونه‌ها، ممکن است بین سه تا پنج ساعت طول بکشد.

اما بخش مهم‌تر ماجرا این است که بیمارستان جدید نارایانا در منطقه باناشانکاری، بدون آزمایشگاه تشخیصی یا بانک خون داخلی طراحی شده است. این بیمارستان قرار است برای اتصال به مراکز تشخیصی متمرکز، از پهپادها استفاده کند.

این همان جایی است که هوش مصنوعی کاربردی از یک نرم‌افزار ساده فراتر می‌رود و به زیرساخت تبدیل می‌شود. در اینجا، هوش مصنوعی فقط بخشی از یک فرایند موجود را بهینه نکرده؛ بلکه طراحی خود ساختمان و مدل عملیاتی بیمارستان را تغییر داده است.

غافلگیری دوم: ۴۱ کامیون خودران فریتولِی

کامیون‌های شرکت Gatik محصولات فریتولِی را در دالاس، فینیکس و شمال‌غرب آرکانزاس جابه‌جا می‌کنند.

این شرکت کار خود را با مسیرهای ثابت کمتر از ۱۶ کیلومتر آغاز کرد، اما به‌تدریج به مسیرهای پویا با ده‌ها توقف و مسافت‌هایی تا حدود ۶۴۰ کیلومتر رسید.

مدیرعامل Gatik اعلام کرده است که این شرکت ۶۰۰ میلیون دلار درآمد قراردادی دارد. البته باید توجه داشت که این رقم، بر اساس ادعای خود شرکت است و الزاماً به معنای درآمد شناسایی‌شده یا قطعی نیست.

الگوی موفقیت در اینجا ساده است: هدف، «هوشمند کردن یک کامیون» نیست. هدف این است که یک مسیر ارزشمند و قابل پیش‌بینی، آن‌قدر قابل‌کنترل شود که بتوان آن را خودکار کرد.

شرکت‌ها معمولاً از پروژه‌هایی با دامنه محدود، مسیرهای مشخص و شرایط قابل پیش‌بینی شروع می‌کنند؛ نه از سناریوی پیچیده و نامحدود رانندگی در تمام جاده‌ها.

غافلگیری سوم: گوگل می‌خواهد مسیر هواپیماها را بازطراحی کند

گوگل ریسرچ و شرکت NATS، ارائه‌دهنده خدمات کنترل ترافیک هوایی بریتانیا، در حال بررسی این موضوع هستند که آیا پیش‌بینی‌های آب‌وهوایی مبتنی بر هوش مصنوعی می‌تواند به هواپیماها کمک کند تا از ایجاد ردپای تراکمی یا کُنتریل در آسمان اقیانوس اطلس شمالی جلوگیری کنند یا نه.

ردپای تراکمی، نوارهای ابری ناشی از عبور هواپیماها در ارتفاع بالا است که در برخی شرایط می‌تواند اثر گرمایشی بر جو داشته باشد.

این پروژه ۳۰ماهه با نام Operation Blue Skies شامل دو مرحله عملیاتی چهارماهه است و ممکن است سالانه حدود ۱۰ هزار پرواز را در محدوده هوایی شان‌ویک پوشش دهد.

اما نکته مهم این پروژه، صرفاً استفاده از هوش مصنوعی برای پیش‌بینی آب‌وهوا نیست؛ بلکه حلقه بازخورد آن است:

1. هوش مصنوعی احتمال ایجاد ردپای تراکمی را پیش‌بینی می‌کند.
2. مسیر پرواز تغییر می‌کند.
3. تصاویر ماهواره‌ای بررسی می‌کنند که آیا ردپای پیش‌بینی‌شده واقعاً شکل گرفته است یا نه.
4. نتیجه برای بهبود تصمیم‌های بعدی استفاده می‌شود.

این چرخه، نمونه‌ای بسیار قوی‌تر از یک داشبورد پرزرق‌وبرق با عددهای تخمینی درباره میزان صرفه‌جویی است. در اینجا، پیش‌بینی، تصمیم، مشاهده نتیجه و ارزیابی واقعی به یکدیگر متصل هستند.

غافلگیری چهارم: مزیت کاترپیلار، ۱۶ پتابایت داده است

دستیار هوش مصنوعی شرکت کاترپیلار با نام Cat AI Assistant به تکنسین‌های میدانی اجازه می‌دهد با استفاده از صدا درباره روش تعمیر، عیب‌یابی ماشین‌آلات یا شناسایی قطعات سؤال کنند.

رابط صوتی، بخش ساده ماجراست. مزیت اصلی در پشت این رابط قرار دارد: ۱.۶ میلیون ماشین متصل و ۱۶ پتابایت داده ساختاریافته.

کاترپیلار همچنین از دوقلوهای دیجیتال و عامل‌های هوش مصنوعی برای توسعه و آزمایش نرم‌افزار استفاده می‌کند.

مدیر ارشد دیجیتال این شرکت می‌گوید چالش اصلی، ساخت یک مدل هوش مصنوعی جدید نیست؛ بلکه وارد کردن هوش مصنوعی به شیوه کاری فعلی تکنسین‌ها و اپراتورهاست.

این شاید مهم‌ترین الگوی موجود در میان نمونه‌های بررسی‌شده باشد. یک مدل عمومی می‌تواند پاسخی تولید کند، اما یک سیستم عملیاتی واقعی باید بداند:

• کدام دفترچه راهنما برای ماشین موردنظر معتبر است؛
• تکنسین دقیقاً با چه دستگاهی روبه‌رو است؛
• تکنسین چه تغییراتی را مجاز است اعمال کند؛
• کدام اقدامات باید ثبت و قابل ردیابی باشند؛
• و چه زمانی باید کنترل کار به یک انسان واگذار شود.

بنابراین مزیت اصلی در خود دستیار نیست؛ بلکه در شناخت زمینه عملیاتی، داده‌های اختصاصی و نحوه اتصال آن به فرایندهای واقعی سازمان است.

گزارش‌های SEC چه چیزهایی را آشکار کردند؟

جالب‌ترین بخش برخی گزارش‌های رسمی شرکت‌ها، درباره معیارهای عملکرد مدل‌های هوش مصنوعی نبود. این گزارش‌ها بیشتر درباره کنترل، برق، سخت‌افزار، امنیت و نحوه مدیریت شکست‌ها صحبت می‌کردند.

Intapp: هوش مصنوعی باید بتواند کار خودش را توضیح دهد

شرکت Intapp در گزارش سالانه خود از عامل‌های تخصصی سخن گفته است که بر اساس دستورالعمل‌های اختصاصی شرکت‌ها کار می‌کنند و به داده‌های اختصاصی، هستی‌شناسی صنعتی و دانش سازمانی دسترسی دارند.

این شرکت همچنین به کنترل‌های سطح دسترسی و ثبت سوابق تصمیم‌ها اشاره کرده است؛ به‌گونه‌ای که بتوان ردیابی کرد یک عامل هوش مصنوعی بر اساس چه اطلاعاتی و با چه منطقی به یک نتیجه رسیده است.

این موضوع نشان می‌دهد حاکمیت و نظارت، چیزی نیست که پس از ساخت محصول به آن اضافه شود. در سیستم‌های حساس، حاکمیت بخشی از خود محصول است.

Sysco: هوش مصنوعی وارد تقویم ماهانه هیئت‌مدیره شده است

شرکت Sysco نام کمیته فناوری خود را به «کمیته تحول هوش مصنوعی و فناوری» تغییر داده و اعلام کرده است که این کمیته به‌صورت ماهانه تشکیل جلسه خواهد داد.

این شرکت همچنین برنامه‌ای ۱۰۰ میلیون‌دلاری برای کاهش هزینه‌ها اعلام کرده که بخشی از آن قرار است با کمک هوش مصنوعی و اتوماسیون محقق شود.

اما باید میان این دو موضوع تفاوت قائل شد: تشکیل کمیته، یک نشانه سازمانی واقعی است؛ ولی صرفاً اعلام هدف کاهش هزینه، هنوز نتیجه به حساب نمی‌آید.

ChronoScale: هوش مصنوعی کاربردی در نهایت به سیستم خنک‌کننده مایع می‌رسد

شرکت ChronoScale اعلام کرده است که قصد دارد برای مایکروسافت، ظرفیت پردازشی هوش مصنوعی به میزان ۵۰ مگاوات در آمریکای شمالی ایجاد کند. این برنامه بر پایه سامانه‌های NVIDIA GB300 NVL72 طراحی شده است.

چنین پروژه‌ای فقط به خرید تراشه محدود نمی‌شود. زمین، برق، زمان‌بندی تحویل تجهیزات، زیرساخت مرکز داده و سیستم خنک‌کننده مایع، همگی باید فراهم شوند.

در نتیجه، این اعلامیه را باید «ظرفیت برنامه‌ریزی‌شده» دانست، نه یک استقرار کامل و عملیاتی.

Safe Pro: پنج لپ‌تاپ می‌توانند از یک مرکز داده مهم‌تر باشند

یک قرارداد حدوداً ۱۸۰ هزار دلاری شامل پنج لپ‌تاپ مقاوم مجهز به GPU و سه سال مجوز نرم‌افزار و به‌روزرسانی، برای شناسایی تهدیدهای انفجاری در اوکراین منعقد شده است.

این سامانه به‌گونه‌ای طراحی شده که بدون اتصال به اینترنت نیز کار کند.

از نظر مقیاس مالی، قرارداد کوچکی است؛ اما از نظر پیامدهای عملیاتی و انسانی، اهمیت بسیار بالایی دارد. این نمونه نشان می‌دهد در برخی محیط‌ها، قابل‌حمل بودن، مقاومت سخت‌افزار و امکان کارکرد آفلاین، از اندازه یک مرکز داده مهم‌تر است.

Analog Devices: کدی که هوش مصنوعی تولید می‌کند، اکنون یک ریسک رسمی است

شرکت تراشه‌ساز Analog Devices در گزارش خود هشدار داده است که کد تولیدشده با هوش مصنوعی ممکن است شامل کد مخرب باشد یا آسیب‌پذیری‌های امنیتی و عملیاتی ایجاد کند.

این هشدار به‌تنهایی ثابت نمی‌کند که هوش مصنوعی در یک رخداد سایبری جداگانه این شرکت نقش داشته است. اما نشان می‌دهد کد تولیدشده توسط هوش مصنوعی اکنون وارد محدوده ریسک‌های رسمی و قابل گزارش شرکت‌ها شده است.

زنجیره واقعی هوش مصنوعی کاربردی

اگر این نمونه‌ها را کنار هم بگذاریم، زنجیره اصلی هوش مصنوعی کاربردی چنین شکلی دارد:

داده ← سطح دسترسی ← گردش کار ← ثبت سوابق ← سخت‌افزار ← برق و زیرساخت ← امنیت

مدل هوش مصنوعی تنها یکی از حلقه‌های این زنجیره است؛ نه تمام آن.

در بسیاری از پروژه‌ها، ساخت یا دسترسی به مدل دشوارترین بخش کار نیست. چالش اصلی این است که مدل به داده درست دسترسی داشته باشد، در جای درست وارد گردش کار شود، تصمیم‌هایش قابل بررسی باشند، مسئولیت خطا مشخص باشد و زیرساخت فنی و امنیتی لازم برای اجرای آن وجود داشته باشد.

بزرگ‌ترین غافلگیری: ۹۸ مورد هیچ نتیجه‌ای نداشتند

در بررسی فهرست موارد استفاده از هوش مصنوعی که بین ۱۱ تا ۳۰ اوت به آن اضافه شده بودند، این آمار به دست آمد:

• ۱۳۶ پروژه یا استقرار هوش مصنوعی
• ۱۰۳ سازمان
• ۲۱ صنعت
• ۴۷ مورد در مرحله تولید
• ۳۴ اعلامیه یا خبر رسمی
• ۳۰ مورد دارای وضعیت «نتیجه گزارش‌شده»
• ۱۶ پروژه آزمایشی
• ۹ پروژه متوقف‌شده یا معکوس‌شده
• تنها ۳۸ مورد دارای هر نوع نتیجه قابل گزارش

نباید نتیجه گرفت که ۹۸ مورد دیگر شکست خورده‌اند. بسیاری از آن‌ها تازه آغاز شده‌اند یا شرکت‌ها هنوز نتیجه‌ای منتشر نکرده‌اند.

اما این آمار نشان می‌دهد شواهد واقعی، بسیار عقب‌تر از هیاهوی تبلیغاتی حرکت می‌کنند.

حتی همان ۳۸ مورد دارای نتیجه نیز یک جدول امتیازدهی دقیق و قابل مقایسه نیستند. معمولاً این اعداد از سوی خود شرکت‌ها یا فروشندگان فناوری اعلام شده‌اند، مبناهای متفاوتی دارند و به‌ندرت به‌صورت مستقل حسابرسی شده‌اند.

برای مثال، این سه ادعا از نظر کیفیت شواهد کاملاً متفاوت هستند:

• رساندن یک نمونه پزشکی با پهپاد در هفت دقیقه؛
• اعلام ۶۰۰ میلیون دلار درآمد قراردادی؛
• تعیین هدف ۱۰۰ میلیون‌دلاری برای کاهش هزینه‌ها در آینده.

هر سه ممکن است مهم باشند، اما هیچ‌کدام را نمی‌توان به‌سادگی در یک جدول مشترک کنار هم گذاشت.

این فهرست یک سوگیری دیگر هم دارد: ۵۰ مورد از ۱۳۶ نمونه، مربوط به شرکت‌های نرم‌افزاری و فناوری بودند. بنابراین این داده‌ها بیشتر نشان می‌دهند چه چیزهایی گزارش می‌شوند، نه اینکه تصویری کاملاً نماینده از کل اقتصاد ارائه کنند.

چهار سؤال برای تشخیص یک پروژه واقعی هوش مصنوعی

برای ارزیابی یک پروژه، بهتر است نام مدل یا میزان پیچیدگی فنی آن را کنار بگذاریم و این چهار سؤال را مطرح کنیم:

۱. دقیقاً کدام گردش کار تغییر کرده است؟

عبارت‌هایی مانند «افزایش بهره‌وری» یا «تحول دیجیتال» کافی نیستند. باید مشخص شود هوش مصنوعی در کدام مرحله وارد شده و چه کاری را متفاوت انجام می‌دهد.

۲. اگر هوش مصنوعی اشتباه کند، چه کسی مسئول نتیجه است؟

وقتی تصمیم بر سلامت بیمار، ایمنی کارگر، مسیر هواپیما یا شغل یک کارمند اثر می‌گذارد، باید مسئولیت نهایی کاملاً روشن باشد.

۳. سیستم چه چیزی را می‌تواند ببیند، تصمیم بگیرد و انجام دهد؟

سطح دسترسی هوش مصنوعی اهمیت زیادی دارد. آیا فقط پیشنهاد می‌دهد؟ آیا اجازه تأیید دارد؟ آیا می‌تواند تراکنش انجام دهد، دستور صادر کند یا تصمیم نهایی بگیرد؟

۴. در مقایسه با چه مبنایی، چه چیزی بهتر شده است؟

بدون مقایسه با وضعیت قبلی، «بهبود» معنای دقیقی ندارد. باید مشخص شود زمان، هزینه، خطا، کیفیت، ایمنی یا درآمد نسبت به چه نقطه‌ای سنجیده شده است.

اگر یک شرکت نتواند به این چهار سؤال پاسخ روشن بدهد، احتمالاً هنوز یک «اعلامیه هوش مصنوعی» دارد، نه یک مطالعه موردی واقعی.

در ماه‌های آینده باید چه چیزهایی را زیر نظر گرفت؟

آیا پروژه‌های آزمایشی واقعاً نتیجه خود را گزارش می‌کنند؟

اعلامیه‌های امروز را باید شش ماه بعد دوباره بررسی کرد. بسیاری از پروژه‌ها در زمان معرفی امیدوارکننده‌اند، اما مشخص نیست چند مورد واقعاً به تولید می‌رسند و چه تعداد کنار گذاشته می‌شوند.

به فعل‌های مورد استفاده دقت کنید

تفاوت زیادی میان این عبارت‌ها وجود دارد:

• پیشنهاد می‌دهد؛
• تأیید می‌کند؛
• تراکنش انجام می‌دهد؛
• تصمیم نهایی می‌گیرد؛
• فرایندی را متوقف می‌کند.

هرچه اختیار سیستم بیشتر باشد، کنترل‌های امنیتی، حقوقی و عملیاتی سخت‌گیرانه‌تری لازم است.

استثناهای ناخوشایند را پیدا کنید

دموها معمولاً روی شرایط عادی تمرکز می‌کنند. اما آمادگی واقعی سیستم را موارد غیرعادی مشخص می‌کنند: داده ناقص، دستگاه خراب، کاربر نامتعارف، شرایط جوی دشوار یا تصمیمی که در دستورالعمل پیش‌بینی نشده است.

گلوگاه‌های فیزیکی را دنبال کنید

برق، خنک‌سازی، اتصال شبکه، تعمیر و نگهداری و نیروی انسانی آموزش‌دیده تعیین می‌کنند که کدام برنامه‌ها عملی می‌شوند.

نتیجه محقق‌شده را مطالبه کنید

تشکیل کمیته، تغییر نام واحد سازمانی و تعیین هدف کاهش هزینه، همگی سیگنال هستند؛ اما نتیجه نهایی نیستند.

وقتی رئیس هوش مصنوعی قوانین خودش را فراموش کرد

در یک فروشگاه آزمایشی در سان‌فرانسیسکو، سامانه‌ای به نام Luna نقش مدیر را بر عهده دارد. یکی از کارکنان بارها دیر سر کار حاضر شده، شیفت‌های خود را رها کرده، یک کارت شرکت را به خانه برده و کالاها را دور ریخته بود.

با این حال، مهندسان مجبور شدند چندین بار Luna را بررسی و هدایت کنند تا این سامانه متوجه شود رفتارهای مذکور با آیین‌نامه‌ای که خود سیستم تهیه کرده بود، مغایرت دارد.

در نهایت، فروشگاه حدود ۴۰ هزار دلار زیان دید. شرکت Andon Labs اعلام کرده است که تصمیم‌های حساس همچنان تحت نظارت انسان قرار دارند.

نکته عجیب این ماجرا این نیست که یک مدیر هوش مصنوعی تصمیمی سخت‌گیرانه گرفته است. مسئله مهم‌تر این است که سیستم قوانین خودش را فراموش کرده، برای تشخیص الگوی تخلف به دخالت انسان نیاز داشته و با وجود این محدودیت‌ها، در تصمیمی مشارکت کرده که مستقیماً بر شغل یک انسان اثر گذاشته است.

این اتفاق به‌خوبی نشان می‌دهد چرا در سیستم‌های عامل‌محور و خودمختار، داشتن مدل قدرتمند کافی نیست. سیستم باید بتواند قواعد را به‌درستی حفظ و اجرا کند، زمینه تصمیم را بفهمد، موارد استثنا را تشخیص دهد و در تصمیم‌های حساس، مسئولیت را به انسان واگذار کند.

جمع‌بندی

هوش مصنوعی کاربردی الزاماً شبیه یک چت‌بات نیست. گاهی یک پهپاد است که نمونه خون حمل می‌کند، گاهی کامیونی است که مسیر مشخصی را بدون راننده طی می‌کند، گاهی سامانه‌ای برای تغییر مسیر هواپیماها یا دستیار تعمیراتی است که به میلیون‌ها دستگاه متصل دسترسی دارد.

اما ارزش واقعی این سیستم‌ها معمولاً از مدل به‌تنهایی نمی‌آید. مزیت اصلی در داده‌های اختصاصی، اتصال به فرایندهای واقعی، کنترل سطح دسترسی، ثبت تصمیم‌ها، زیرساخت فیزیکی و نظارت انسانی شکل می‌گیرد.

در نهایت، برای سنجش یک پروژه هوش مصنوعی نباید پرسید «از چه مدل بزرگی استفاده می‌کند؟» پرسش‌های مهم‌تر این‌ها هستند:

چه چیزی تغییر کرده است؟ چه کسی مسئول نتیجه است؟ سیستم چه اختیاری دارد؟ و آیا واقعاً چیزی بهتر شده است؟

اگر پاسخ این پرسش‌ها روشن نباشد، احتمالاً هنوز با یک نمایش تبلیغاتی روبه‌رو هستیم، نه یک کاربرد واقعی و اثبات‌شده از هوش مصنوعی.