آخرین مصاحبه هم‌بنیان‌گذار OpenAI: پس از توقف Sora، آینده ChatGPT چه خواهد بود؟

عنوان ویدیو: گرگ براکمن، رئیس OpenAI: استراتژی هوش مصنوعی، AGI و «سوپر اپلیکیشن»
تهیه‌کننده ویدیو: الکس کانتوروویتز
ترجمه: پگی، BlockBeats

یادداشت سردبیر: این مقاله ترجمه‌ای از گفتگوی گرگ براکمن، رئیس و هم‌بنیان‌گذار OpenAI در پادکست Big Technology است. این برنامه مدت‌هاست که بر تغییرات هوش مصنوعی، صنعت فناوری و ساختار کسب‌وکار تمرکز دارد و پنجره‌ای مهم به سوی مشاهدات خط مقدم سیلیکون‌ولی محسوب می‌شود.

در این گفتگو، براکمن تنها به توانایی‌های مدل نپرداخت، بلکه پرسش را عمیق‌تر کرد: اکنون که قابلیت‌های هوش مصنوعی تا حد زیادی تأیید شده‌اند، صنعت چگونه مسیر خود را انتخاب می‌کند، فرم محصولات را بازطراحی می‌کند و تأثیرات سیستمی آن را جذب می‌نماید؟ این گفتگو حول استراتژی محصول OpenAI، «سوپر اپلیکیشن» پیش‌رو و ارزیابی آن‌ها از ورود هوش مصنوعی به «مرحله اوج‌گیری» می‌چرخد.

این گفتگو را می‌توان از سه جنبه درک کرد.

اول، همگرایی مسیر.
از تولید ویدیو تا مدل‌های استنتاجی، از پیشرفت‌های چندخطی تا انتخاب‌های فعالانه؛ انتخاب‌های OpenAI نه یک قضاوت ساده در مورد برتری فنی، بلکه پاسخی به محدودیت‌های دنیای واقعی است—توان پردازشی به گلوگاه اصلی تبدیل شده است. با منابع محدود، نقشه راه فنی در حال همگرایی بر دو جهتِ دارای اهرم بالا است: دستیارهای شخصی و حل مسائل پیچیده. این یعنی منطق رقابتی هوش مصنوعی از «چه کاری می‌توان انجام داد» به «چه کاری را باید اول انجام داد» تغییر کرده است.

دوم، بازسازی فرم.
پیشنهاد «سوپر اپلیکیشن» اساساً جهشی در فرم محصول است. هوش مصنوعی دیگر مجموعه‌ای از ابزارهای پراکنده نیست، بلکه یک نقطه ورود واحد است: زمینه را درک می‌کند، ابزارها را فراخوانی می‌کند، وظایف را انجام می‌دهد و به‌طور مداوم در سناریوهای مختلف حافظه انباشت می‌کند. از ChatGPT تا Codex، هوش مصنوعی به‌تدریج در حال در دست گرفتن کل گردش‌های کاری است و نقش انسان از مجری به برنامه‌ریز تغییر می‌کند—تعیین اهداف، تخصیص وظایف و نظارت.

سوم، تغییر ریتم.
اگر دو سال گذشته مرحله صعود قابلیت‌ها بود، آنچه اکنون در حال رخ دادن است، یک «اوج‌گیری» است. از یک سو، قابلیت‌های مدل از «کمک به حدود ۲۰ درصد کارها» به «پوشش حدود ۸۰ درصد وظایف» افزایش یافته که مستقیماً باعث بازسازی گردش‌های کاری شده است؛ از سوی دیگر، هوش مصنوعی در حال مشارکت در تکامل خود است (استفاده از هوش مصنوعی برای بهینه‌سازی هوش مصنوعی) و با هم‌پوشانی تراشه‌ها، برنامه‌ها و هماهنگی‌های سازمانی، یک حلقه بسته با شتاب مداوم ایجاد می‌کند. هوش مصنوعی دیگر یک فناوری تک‌نقطه‌ای نیست و در حال تبدیل شدن به موتور اصلی رشد اقتصادی است.

با این حال، مجموعه‌ای از مسائل نیز به‌طور همزمان در حال ظهور هستند: بی‌اعتمادی عمومی، عدم قطعیت شغلی، جنجال‌های پیرامون مراکز داده و مرزهای امنیت و حکمرانی. در پاسخ، پاسخ براکمن صرفاً محدود به فناوری نیست. او بر دو نکته تأکید می‌کند: اول، ریسک‌ها را نمی‌توان با «کنترل متمرکز» حل کرد و نیاز به ایجاد زیرساخت اجتماعی پیرامون هوش مصنوعی مشابه سیستم برق است؛ دوم، قابلیت‌های فردی در حال دگرگونی هستند—پرسش حیاتی دیگر «آیا می‌توانی از ابزار استفاده کنی» نیست، بلکه «آیا می‌توانی با هوش مصنوعی به اهدافت برسی» است.

اگر پرسش گذشته این بود که «هوش مصنوعی چه کاری می‌تواند انجام دهد»، پرسش کنونی به این تغییر کرده است که وقتی هوش مصنوعی اکثر کارها را برای شما انجام می‌دهد، شما چه کاری باید انجام دهید.

متن زیر متن اصلی است (که برای خوانایی ویرایش جزئی شده است):

خلاصه مطلب (TL;DR)

AGI وارد مرحله «مسیر روشن» شده است: گرگ براکمن (هم‌بنیان‌گذار OpenAI) معتقد است که بر اساس مدل استنتاجی GPT، اکنون مسیر روشنی به سوی AGI وجود دارد که انتظار می‌رود در چند سال آینده محقق شود، اما فرم آن همچنان «دندانه‌دار» باقی خواهد ماند.

یادداشت: AGI (هوش مصنوعی عمومی) به هوش مصنوعی اشاره دارد که دارای قابلیت‌های معادل یا حتی برتر از انسان در اکثر وظایف شناختی است. برخلاف «هوش مصنوعی محدود» کنونی (مانند تشخیص تصویر یا الگوریتم‌های توصیه‌گر)، AGI بر کلیت و قابلیت انتقال بین وظایف تأکید دارد.

همگرایی استراتژیک: از اکتشاف چندخطی به دو کاربرد اصلی: تحت محدودیت‌های محاسباتی، OpenAI منابع خود را بر «دستیارهای شخصی» و «حل مسائل پیچیده» متمرکز کرده است، نه پیشبرد همزمان همه جهت‌ها (مانند تولید ویدیو).

«سوپر اپلیکیشن‌ها» فرم ورود هوش مصنوعی خواهند شد: چت، برنامه‌نویسی، مرور وب و کارهای دانشی در یک سیستم واحد ادغام خواهند شد و هوش مصنوعی را از یک ابزار به یک «لایه اجرایی» تبدیل می‌کنند که در آن کاربران به «توزیع‌کننده» تبدیل می‌شوند.

تغییر محوری: هوش مصنوعی به جای کمک، شروع به در دست گرفتن گردش‌های کاری می‌کند: قابلیت مدل از «تکمیل ۲۰ درصد وظایف» به «مدیریت ۸۰ درصد» جهش کرده و افراد و کسب‌وکارها را مجبور به بازسازی نحوه انجام کار می‌کند.

توان پردازشی به گلوگاه اصلی و کانون رقابت تبدیل می‌شود: تقاضای هوش مصنوعی بسیار فراتر از عرضه است و محدودیت آینده نه در توانایی مدل، بلکه در منابع محاسباتی است که مراکز داده و زیرساخت را به متغیرهای حیاتی تبدیل می‌کند.

«اوج‌گیری» هوش مصنوعی در حال وقوع است: فناوری خود-شتاب‌دهنده (هوش مصنوعی که هوش مصنوعی را بهینه می‌کند) همراه با هم‌افزایی صنعتی (تراشه‌ها، برنامه‌ها، شرکت‌ها)، هوش مصنوعی را از یک ابزار به موتور رشد اقتصادی تبدیل می‌کند.

بزرگترین ریسک نه در فناوری، بلکه در حکمرانی و استفاده است: مسائل امنیتی توسط یک نهاد واحد قابل حل نیستند؛ یک اکوسیستم باز و زیرساخت اجتماعی باید مشترکاً مسئولیت را بر عهده بگیرند.

قابلیت فردی اصلی در حال دگرگونی است: رقابت‌پذیری آینده نه در «اجرا»، بلکه در «تعیین اهداف + مدیریت سیستم‌های هوش مصنوعی» نهفته است؛ استفاده فعالانه از هوش مصنوعی به یک مهارت بنیادی تبدیل خواهد شد.

خلاصه مصاحبه:

الکس (میزبان):
امروز گرگ براکمن، هم‌بنیان‌گذار و رئیس OpenAI را داریم تا درباره امیدوارکننده‌ترین فرصت‌ها در هوش مصنوعی، نحوه برنامه‌ریزی OpenAI برای تصاحب این فرصت‌ها و مفهوم «سوپر اپلیکیشن» گفتگو کنیم. گرگ امروز در استودیوی ضبط ما حضور دارد.

گرگ براکمن (هم‌بنیان‌گذار و رئیس OpenAI):
دیدن شما عالی است، ممنون که مرا دعوت کردید.

چرا Sora متوقف شد؟ کمبود توان پردازشی

الکس:
در حال حاضر، OpenAI پیشرفت در تولید ویدیو را متوقف کرده تا منابع را بر یک «سوپر اپلیکیشن» متمرکز کند که سناریوهای تجاری و برنامه‌نویسی را ادغام می‌کند. از دیدگاه بیرونی (از جمله خودم)، به نظر می‌رسد OpenAI در بخش مصرف‌کننده پیشتاز بوده اما اکنون در حال تخصیص مجدد منابع است. چه اتفاقی در حال رخ دادن است؟

یادداشت: در مارس ۲۰۲۶، OpenAI توقف محصول تولید ویدیوی خود، Sora (شامل اپلیکیشن و API) و توقف فعالیت‌های تجاری مرتبط را اعلام کرد.

گرگ براکمن:
در دوره گذشته، ما در حال توسعه این فناوری یادگیری عمیق بودیم تا تأیید کنیم که آیا واقعاً می‌تواند تأثیر مثبتی که همیشه تصور می‌کردیم را ارائه دهد—آیا می‌توان از آن برای ساخت برنامه‌هایی استفاده کرد که واقعاً به مردم کمک کرده و زندگی را بهبود می‌بخشند.

در عین حال، ما مسیر دیگری را نیز دنبال می‌کردیم: استقرار این فناوری. از یک سو برای پشتیبانی از عملیات تجاری و از سوی دیگر برای انباشت تجربه دنیای واقعی از همان ابتدا، تا برای لحظه‌ای که فناوری واقعاً بالغ می‌شود، آماده باشیم.

و اکنون، به مرحله جدیدی رسیده‌ایم. می‌بینیم که این فناوری واقعاً قابل اجرا است. ما از «بنچمارک‌گیری» و نمایش‌های انتزاعی قابلیت‌ها به مرحله جدیدی گذار می‌کنیم—باید آن را وارد دنیای واقعی کنیم، در کارهای واقعی به کار بگیریم و از طریق بازخورد کاربران به تکامل ادامه دهیم.

بنابراین من بیشتر متمایل هستم که این تغییر را این‌گونه درک کنم: یک تغییر استراتژیک که توسط تغییر فاز فناوری هدایت می‌شود.

این بدان معنا نیست که ما از «بخش مصرف‌کننده» به «بخش سازمانی» تغییر جهت می‌دهیم. دقیق‌تر این است که بپرسیم: در شرایط منابع محدود، کدام برنامه‌ها را باید در اولویت قرار دهیم؟ چون نمی‌توانیم همه کارها را انجام دهیم.

کدام برنامه‌ها واقعاً قابل پیاده‌سازی هستند، با یکدیگر همکاری می‌کنند و تأثیر دنیای واقعی ایجاد می‌کنند؟ اگر همه جهت‌ها را فهرست کنید، بخش مصرف‌کننده می‌تواند به انواع بسیاری تقسیم شود: مانند دستیار شخصی، سیستمی که واقعاً شما را درک می‌کند، با اهداف شما همسو است و به شما در دستیابی به اهداف زندگی‌تان کمک می‌کند؛ همچنین خلاقیت و سرگرمی؛ و بسیاری احتمالات دیگر. در بخش سازمانی، اگر از سطح بالاتر نگاه کنید، می‌توان آن را به یک چیز انتزاع کرد: شما یک کار پیچیده دارید، آیا هوش مصنوعی می‌تواند به شما در تکمیل آن کمک کند؟

برای ما، اولویت فعلی بسیار روشن است و تنها دو چیز در خط مقدم قرار دارند: اول، دستیار شخصی؛ دوم، هوش مصنوعی که می‌تواند به شما در حل مسائل پیچیده کمک کند.

مسئله این است: با توان پردازشی فعلی، ما حتی نمی‌توانیم به‌طور کامل از این دو مورد پشتیبانی کنیم. وقتی سناریوهای کاربردی بیشتری اضافه می‌کنید، پوشش دادن همه آن‌ها غیرممکن است. بنابراین این در واقع یک بررسی واقعیت است: فناوری به سرعت در حال بلوغ است، تأثیر آن در حال انفجار است و ما باید انتخاب کنیم، مهم‌ترین جهت را انتخاب کنیم تا واقعاً آن را به زندگی بیاوریم.

الکس:
شما قبلاً استعاره‌ای به کار بردید و گفتید که OpenAI کمی شبیه دیزنی است: یک قابلیت اصلی دارد و سپس می‌تواند به سناریوهای مختلف گسترش یابد. دیزنی میکی ماوس را دارد که می‌تواند در فیلم‌ها، پارک‌های موضوعی و دیزنی‌پلاس استفاده شود. «هسته» OpenAI مدل است که می‌تواند برای تولید ویدیو، به عنوان دستیار، برای برنامه‌های سازمانی استفاده شود.

اما اکنون به نظر می‌رسد که دیگر این مسیر «گسترش جامع» را طی نمی‌کنید، بلکه مجبور به انتخاب هستید. درست است؟

گرگ براکمن:
در واقع، فکر می‌کنم این استعاره اکنون حتی کاربردی‌تر است. اما نکته کلیدی این است: از نظر فنی، Sora (مدل ویدیویی) و GPT (مدل استنتاجی) در واقع متعلق به دو شاخه فنی متفاوت هستند. نحوه ساخت آن‌ها کاملاً متفاوت است.

مسئله این است که در مرحله فعلی، پیشبرد همزمان هر دوی این شاخه‌های فنی بسیار دشوار است، به‌ویژه با منابع محدود. بنابراین انتخابی که ما کرده‌ایم این است که در این مرحله منابع اصلی را بر مسیر GPT متمرکز کنیم.

البته این بدان معنا نیست که ما از جهت‌های دیگر دست کشیده‌ایم. برای مثال، در زمینه رباتیک، ما همچنان به تحقیقات مرتبط ادامه می‌دهیم. اما خود رباتیک هنوز در مراحل اولیه است و هنوز وارد مرحله بلوغ انفجاری نشده است.

از سوی دیگر، در سال آینده، شاهد خواهیم بود که هوش مصنوعی واقعاً در حوزه کارهای دانشی اوج می‌گیرد.

و تأکید بر این نکته مهم است: مسیر GPT فقط درباره «متن» نیست. برای مثال، تعامل گفتاری دوطرفه (گفتار به گفتار) نیز بخشی از این مسیر فنی است که هوش مصنوعی را در دسترس‌تر و کاربردی‌تر می‌کند. این قابلیت‌ها اساساً در چارچوب مدل یکسانی قرار دارند که به روش‌های مختلف تنظیم شده‌اند.

با این حال، اگر در دو شاخه فنی کاملاً متفاوت پیش بروید، حفظ آن در بلندمدت تحت توان پردازشی محدود دشوار است. توان پردازشی محدود است زیرا تقاضا بسیار بالاست. تقریباً پس از هر انتشار مدل، مردم می‌خواهند کارهای بیشتری با آن انجام دهند.

الکس:
پس چرا بر مسیر «مدل جهانی» تمرکز نکردید؟ برای مثال، یک مدل ویدیویی که نیاز به درک رابطه بین اشیاء دارد، که برای رباتیک نیز حیاتی است. علاوه بر این، پیشرفت Sora بسیار سریع بوده است. چرا در نهایت تصمیم گرفتید روی GPT شرط‌بندی کنید؟

یادداشت: «مدل جهانی» بر ادراک و شهود فیزیکی تمرکز دارد، با ایده اصلی توانمندسازی هوش مصنوعی برای درک «نحوه عملکرد جهان»، نه فقط یادگیری «الگوهای سطحی داده‌ها». چنین مدل‌هایی اغلب برای توصیف سیستم‌هایی مانند Sora استفاده می‌شوند: آن‌ها نه تنها تصویر یا ویدیو تولید می‌کنند، بلکه روابط بین اشیاء (مانند انسان‌ها، ماشین‌ها، نور)، تغییرات مداوم در زمان (تکامل بین فریم‌ها) و قوانین فیزیکی پایه (مانند حرکت، انسداد و برخورد) را مدل‌سازی می‌کنند. در مقابل، GPT متعلق به مدل‌های زبان و استدلال است که بیشتر بر شناخت انتزاعی و توانایی اجرای وظایف متمرکز است.

گرگ براکمن:
بزرگترین مشکل در این زمینه در واقع فرصت‌های بیش از حد است.

ما در اوایل کار در OpenAI دریافتیم که تا زمانی که یک ایده از نظر ریاضی درست باشد، معمولاً کار می‌کند و می‌تواند نتایج خوبی به دست آورد. این قدرت زیربنایی یادگیری عمیق را نشان می‌دهد که می‌تواند قوانین تولید را از داده‌ها انتزاع کرده و به سناریوهای جدید منتقل کند. این می‌تواند در زمینه‌های مختلفی مانند مدل‌های جهانی، اکتشافات علمی و برنامه‌نویسی اعمال شود.

اما نکته کلیدی این است: ما باید انتخاب کنیم.

همیشه بحثی وجود داشته که مدل‌های متنی تا کجا می‌توانند پیش بروند. آیا آن‌ها واقعاً می‌توانند جهان را درک کنند؟ فکر می‌کنم اکنون پاسخ این سوال را داریم: مدل‌های متنی می‌توانند به AGI برسند.

ما مسیر روشنی را دیده‌ایم و امسال مدل‌های قوی‌تری نیز ظهور خواهند کرد. در داخل OpenAI، یکی از بزرگترین دردهای ما نحوه تخصیص توان پردازشی است—این مسئله فقط بدتر خواهد شد، نه بهتر. بنابراین اساساً، مسئله «کدام مسیر مهم‌تر است» نیست، بلکه مسئله زمان‌بندی و توالی است.

اکنون، برخی از برنامه‌هایی که زمانی فکر می‌کردیم دور از دسترس هستند، شروع به در دسترس قرار گرفتن کرده‌اند. برای مثال، حل مسائل حل‌نشده فیزیک. ما اخیراً موردی داشتیم که یک فیزیکدان مدت‌ها روی مسئله‌ای کار می‌کرد، مسئله را به مدل داد و ۱۲ ساعت بعد، ما یک راه حل داشتیم. او گفت این اولین بار بود که احساس کرد یک مدل در حال «فکر کردن» است. این مسئله ممکن است حتی یکی از مسائلی باشد که انسان‌ها هرگز نتوانند حل کنند، اما هوش مصنوعی انجام داد.

وقتی چیزی شبیه به این می‌بینید، تنها انتخاب شما این است که دو برابر، سه برابر روی آن سرمایه‌گذاری کنید. زیرا به این معنی است که ما واقعاً می‌توانیم پتانسیل عظیمی را آزاد کنیم.

بنابراین برای من، این رقابت بین جهت‌های مختلف نیست، بلکه مأموریت OpenAI چیست؟ چگونه AGI را به جهان بیاوریم؟ چگونه آن را واقعاً برای همه مفید کنیم؟ و ما آن مسیر را دیده‌ایم، می‌دانیم چگونه آن را پیش ببریم.

شرط‌بندی روی GPT به جای مدل‌های جهانی: مسیری به سوی AGI

الکس:
خب، من می‌خواهم به مدل‌های نسل بعدی که قبلاً ذکر کردید برگردم، اما ابتدا می‌خواهم این سوال را پیگیری کنم.

اوایل امسال، گپی با دمیس هاسابیس از Google DeepMind داشتم. جالب اینجاست که او گفت برای او، نزدیک‌ترین چیز به AGI در واقع تولیدکننده تصویر آن‌ها به نام Nano Banana بود.

یادداشت: دمیس هاسابیس یکی از چهره‌های کلیدی است که هوش مصنوعی را از تحقیقات به کاربردهای پیشگامانه هدایت می‌کند. او DeepMind را هم‌بنیان‌گذاری کرد که AlphaGo را توسعه داد و به‌طور مشهوری قهرمان جهان در بازی Go را در سال ۲۰۱۶ شکست داد، که یک رویداد تاریخی در تاریخ توسعه هوش مصنوعی است.

استدلال او این بود: چه تولیدکننده تصویر باشد چه تولیدکننده ویدیو، برای تولید چنین تصاویر و ویدیوهایی، اساساً باید تعامل بین اشیاء را درک کنید، حداقل درک سطحی از نحوه عملکرد جهان داشته باشید.

پس آیا این یک ریسک بالقوه را نشان می‌دهد؟ آیا این یک شرط‌بندی بزرگ است—اگر چنین باشد، آیا OpenAI به شرط‌بندی روی شاخه دیگری از فناوری ادامه می‌دهد و فرصت را از دست می‌دهد؟

گرگ براکمن:
اگر واقعاً این‌طور باشد؟ من دو پاسخ دارم.

اول، البته که این یک احتمال است. این زمینه همین‌طور است؛ شما در نهایت باید انتخاب کنید، باید شرط‌بندی کنید. و OpenAI از همان ابتدا این کار را انجام داده است: ما باید ارزیابی کنیم، به مسیر رسیدن به AGI ایمان داشته باشیم و سپس با تمرکز بالا در آن مسیر پیش برویم. درست مثل اضافه کردن بردارهای تصادفی، نتیجه ممکن است در نهایت نزدیک به صفر باشد؛ اما اگر همه بردارها را همسو کنید، می‌توانند شما را به‌وضوح در یک جهت هدایت کنند.

با این حال، نکته دوم این است که تولید تصویر در واقع یک قابلیت بسیار محبوب در ChatGPT است و ما همچنان به‌طور مداوم در حال سرمایه‌گذاری و اولویت‌بندی پیشرفت در این زمینه هستیم. دلیلی که می‌توانیم این کار را انجام دهیم این است که در واقع متعلق به شاخه فنی «مدل جهانی» یا «مدل انتشار» نیست؛ بلکه در واقع بر روی معماری GPT ساخته شده است. بنابراین حتی با اینکه با توزیع داده متفاوتی روبرو است، در سطح فناوری اصلی بنیادی‌تر، هنوز همان چیز است.

و این دقیقاً یکی از شگفت‌انگیزترین چیزها درباره AGI است: گاهی اوقات، برنامه‌هایی که بسیار متفاوت به نظر می‌رسند—مانند گفتار به گفتار، تولید تصویر، پردازش متن و کاربرد خود متن در سناریوهای مختلف مانند تحقیقات علمی، برنامه‌نویسی، اطلاعات سلامت شخصی و موارد دیگر—در واقع همه می‌توانند در همان چارچوب فنی جای بگیرند.

بنابراین، از دیدگاه فنی، یک چیزی که من و شرکت همیشه به آن فکر کرده‌ایم این است که چگونه تلاش‌های خود را تا حد ممکن یکپارچه کنیم. زیرا ما واقعاً معتقدیم که این فناوری بهبود همه‌جانبه‌ای به همراه خواهد داشت و حتی ممکن است کل سیستم اقتصادی را ارتقا دهد.

و مقیاس این چیز بسیار وسیع است. ما قطعاً نمی‌توانیم همه کارها را انجام دهیم، اما می‌توانیم سهم خود را تکمیل کنیم.

الکس:
این همان چیزی است که «عمومی» در هوش مصنوعی عمومی (AGI) به آن اشاره دارد.

گرگ براکمن:
دقیقاً، آن «G» است، واقعاً همین معنی را می‌دهد.

الکس:
صحبت از «یکپارچه‌سازی» شد، این سوپر اپلیکیشن در نهایت چه شکلی خواهد بود؟

گرگ براکمن:
سوپر اپلیکیشنی که من می‌بینم—

الکس:
آیا چت، برنامه‌نویسی، مرور وب و چیزهایی مانند ChatGPT را همه با هم ادغام می‌کند، درست است؟

گرگ براکمن:
بله. آنچه می‌خواهیم ایجاد کنیم یک برنامه رو به کاربر نهایی است که به شما امکان می‌دهد واقعاً قدرت AGI را تجربه کنید، یعنی «عمومیت» آن.

اگر به محصولات چت امروزی فکر کنید، فکر می‌کنم آن‌ها به‌تدریج به دستیار شخصی شما، API شخصی شما، یک هوش مصنوعی واقعی که شما را در نظر می‌گیرد، تبدیل خواهند شد. این هوش مصنوعی چیزهای زیادی درباره شما می‌داند، با اهداف شما همسو است، قابل اعتماد است و می‌تواند تا حدی در این دنیای دیجیتال «نماینده» شما باشد.

در مورد Codex، می‌توانید این‌طور فکر کنید: در حال حاضر ابزاری است که عمدتاً برای مهندسان نرم‌افزار ساخته شده، اما در حال تکامل به یک «Codex برای همه» است.

هر کسی که می‌خواهد چیزی بسازد یا خلق کند می‌تواند از Codex استفاده کند تا کامپیوتر کاری که می‌خواهد را انجام دهد. و دیگر فقط درباره «نوشتن نرم‌افزار» نیست؛ بیشتر شبیه «استفاده از خود کامپیوتر» است. برای مثال، من از آن می‌خواهم به من در تنظیمات لپ‌تاپم کمک کند. گاهی اوقات فراموش می‌کنم چگونه گوشه‌های فعال (hot corners) را تنظیم کنم، بنابراین فقط از Codex می‌خواهم این کار را انجام دهد و واقعاً انجام می‌دهد.

این همان‌طور است که کامپیوتر باید به‌طور طبیعی باشد؛ باید با مردم سازگار شود، نه اینکه مرا مجبور کند با آن سازگار شوم.

بنابراین می‌توانید برنامه‌ای شبیه به این را تصور کنید: هر کاری که می‌خواهید کامپیوتر انجام دهد، می‌توانید مستقیماً به آن بگویید. این شامل توانایی «استفاده از کامپیوتر» و «مرور وب» خواهد بود، که به هوش مصنوعی اجازه می‌دهد واقعاً صفحات وب را اداره کند و شما همچنین می‌توانید بر آنچه انجام می‌دهد نظارت کنید. علاوه بر این، چه تعامل شما از طریق چت، کدنویسی یا کارهای دانشی عمومی باشد، همه این گفتگوها در یک سیستم واحد یکپارچه خواهند شد. هوش مصنوعی حافظه خواهد داشت و شما را درک خواهد کرد.

این همان چیزی است که ما در حال ساخت آن هستیم.

اما صادقانه بگویم، این فقط نوک کوه یخ است، بخشی که بالای آب قابل مشاهده است. برای من، آنچه واقعاً مهم‌تر است یکپارچه‌سازی فناوری زیربنایی است.

ما به یکپارچه‌سازی در سطح مدل‌های زیربنایی اشاره کردیم، اما آنچه واقعاً در چند سال گذشته تغییر کرده این است: دیگر فقط درباره خود «مدل» نیست؛ آنچه حیاتی‌تر است «سیستم استقرار» است. به عبارت دیگر، مدل‌ها چگونه زمینه را دریافت می‌کنند؟ چگونه به دنیای واقعی متصل می‌شوند؟ چه اقداماتی می‌توانند انجام دهند؟ حلقه بازخورد با کاربران با ظهور مداوم زمینه‌های جدید چگونه عمل می‌کند؟

در داخل، در گذشته، ما در واقع چندین پیاده‌سازی از این چیزها داشتیم، یا حداقل چند پیاده‌سازی کمی متفاوت. اکنون ما آن‌ها را در یکی ادغام می‌کنیم. در نهایت، ما یک لایه هوش مصنوعی واحد خواهیم داشت و سپس، به روشی بسیار سبک، آن را به موارد استفاده خاص مختلف هدایت خواهیم کرد.

البته، شما همچنان می‌توانید یک افزونه کوچک، یک رابط کوچک، به‌طور خاص برای امور مالی یا حقوقی ایجاد کنید، اما در بیشتر موارد، ممکن است حتی نیازی به آن نداشته باشید زیرا این سوپر اپلیکیشن خود به اندازه کافی گسترده و عمومی خواهد بود.

الکس:
آیا این برنامه برای موارد استفاده سازمانی و شخصی طراحی شده است؟

گرگ براکمن:
بله، این در واقع هسته آن است. درست مثل یک کامپیوتر، مانند لپ‌تاپ شما، آیا برای استفاده شخصی است یا کاری؟ پاسخ هر دو است. این در درجه اول دستگاه شما، رابط شما با دنیای دیجیتال است. و این دقیقاً همان چیزی است که می‌خواهیم به آن برسیم.

الکس:
بنابراین، از دیدگاه غیرتجاری، اگر من از این سوپر اپلیکیشن در زندگی شخصی‌ام استفاده کنم، برای چه چیزی استفاده خواهم کرد؟ زندگی من چگونه تغییر خواهد کرد؟

گرگ براکمن:
درک من این‌گونه خواهد بود: در زندگی شخصی‌تان، با گسترش نحوه استفاده فعلی‌تان از ChatGPT شروع خواهد شد.

در حال حاضر چگونه از ChatGPT استفاده می‌کنید؟ مردم در حال حاضر از آن برای انجام طیف گسترده‌ای از کارهای شگفت‌انگیز استفاده می‌کنند. گاهی اوقات به سادگی گفتن این است که «من برای نوشتن یک سخنرانی عروسی به کمک نیاز دارم، می‌توانی کمک کنی؟» یا «می‌توانی نگاهی به این ایده بیندازی و بازخورد بدهی؟» یا حتی «من یک کسب‌وکار کوچک دارم، می‌توانی ایده‌هایی به من بدهی؟»

برخی از این سناریوها شخصی‌تر هستند، در حالی که برخی دیگر شروع به محو کردن مرزهای بین شخصی و حرفه‌ای کرده‌اند. و نظر من این است: همه این نوع پرسش‌ها باید چیزی باشند که یک سوپر اپلیکیشن بتواند مدیریت کند.

گرگ براکمن:
اما اگر به تکامل ChatGPT نگاه کنید، خودش در حال تکامل بوده است.

قبلاً بدون وضعیت (stateless) بود، درست است؟ برای همه، همان هوش مصنوعی بود که هر بار از صفر شروع می‌کرد، تقریباً مثل صحبت کردن با یک غریبه. اما اگر بتواند تعاملات گذشته شما را به خاطر بسپارد، بسیار قدرتمندتر می‌شود. اگر بتواند به زمینه بیشتری دسترسی پیدا کند، بسیار قدرتمندتر هم می‌شود.

برای مثال، اتصال آن به ایمیل، تقویم، درک واقعی ترجیحات شما، داشتن مجموعه عمیق‌تری از اطلاعات پس‌زمینه درباره تجربیات گذشته‌تان و سپس استفاده از این برای کمک به شما در دستیابی به اهدافتان. برای مثال، ChatGPT در حال حاضر ویژگی‌ای به نام Pulse دارد که محتوا را روزانه بر اساس درک خود از شما ارائه می‌دهد.

بنابراین در سطح استفاده فردی، سوپر اپلیکیشن همه این‌ها را در بر می‌گیرد و آن را عمیق‌تر و غنی‌تر انجام می‌دهد.

الکس:
چه زمانی قصد دارید آن را راه‌اندازی کنید؟

گرگ براکمن:
راه دقیق‌تر برای فکر کردن به آن این است که در چند ماه آینده، ما به‌تدریج در این جهت حرکت خواهیم کرد. چشم‌انداز کاملی که درباره آن صحبت می‌کنیم گام به گام ارائه خواهد شد، نه همه یکباره؛ در مراحل مختلف عرضه خواهد شد.

برای مثال، برنامه Codex امروزی در واقع شامل دو لایه است: یکی یک مهارکننده عامل عمومی است که می‌تواند از ابزارها استفاده کند؛ دیگری عاملی است که در نوشتن کد مهارت دارد.

و این مهارکننده عمومی در واقع می‌تواند برای بسیاری از سناریوهای دیگر استفاده شود. آن را به یک صفحه گسترده متصل می‌کنید، به یک سند Word متصل می‌کنید و می‌تواند در کارهای دانشی به شما کمک کند.

بنابراین اولین قدم ما این است که برنامه Codex را برای کارهای دانشی عمومی کاربرپسندتر کنیم. زیرا ما در داخل OpenAI دیده‌ایم که مردم خودبه‌خود شروع به استفاده از آن به این روش کرده‌اند.

این اولین قدم خواهد بود و گام‌های بسیار بیشتری در راه است.

الکس:
وقتی دیروز با یکی از همکارانتان درباره Codex صحبت می‌کردم، او اشاره کرد که کسی از Codex برای ویرایش ویدیو استفاده می‌کند: او از Codex کمک گرفت تا ویدیوها را پردازش کند، Codex حتی یک افزونه برای Adobe Premiere ایجاد کرد تا ویدیو را بخش‌بندی کند و سپس شروع به ویرایش کند. آیا این جهتی است که به دنبال آن هستید؟

گرگ براکمن:
من به‌ویژه عاشق شنیدن این موارد استفاده هستم. این دقیقاً همان روشی است که امیدواریم این سیستم استفاده شود. آنچه واقعاً جالب است این است که برنامه Codex در ابتدا برای مهندسان نرم‌افزار طراحی شده بود، بنابراین قابلیت استفاده فعلی آن برای غیربرنامه‌نویسان در واقع چندان بالا نیست. زیرا در طول فرآیند راه‌اندازی، ممکن است بسیاری از مسائل کوچک ایجاد شود.

توسعه‌دهندگان می‌توانند بلافاصله بفهمند که آن به چه معناست و چگونه آن را اصلاح کنند؛ ما قبلاً به آن عادت کرده‌ایم. اما اگر توسعه‌دهنده نباشید، وقتی این‌ها را می‌بینید، ممکن است فکر کنید، «این چیست؟ من قبلاً هرگز این را ندیده‌ام.»

با این حال، با این وجود، ما افراد زیادی را دیده‌ایم که هرگز قبلاً کد ننوشته‌اند و شروع به استفاده از آن برای ساخت وب‌سایت یا انجام کارهایی مانند آنچه شما ذکر کردید کرده‌اند—خودکارسازی تعاملات بین نرم‌افزارهای مختلف، کسب اهرم قابل توجه از آن. برای مثال، کسی در تیم ارتباطات ما آن را با Slack و ایمیل ادغام کرده تا حجم زیادی از بازخوردها را پردازش کند و خلاصه‌ها و تحلیل‌های بسیار خوبی تولید کرده است.

بنابراین وضعیت فعلی این است: کسانی که بسیار باانگیزه هستند، قبلاً مایل بوده‌اند بر این موانع غلبه کنند و سپس پاداش‌های بالایی از آن دریافت کنند.

به نوعی، سخت‌ترین بخش قبلاً انجام شده است—ما یک هوش مصنوعی واقعاً هوشمند و توانمند ایجاد کرده‌ایم که واقعاً می‌تواند وظایف را انجام دهد.

آنچه باید در مرحله بعد انجام دهیم بخش نسبتاً «آسان» است: آن را برای عموم مردم واقعاً مفید کنیم و به‌تدریج این موانع ورود را از بین ببریم.

الکس:
با نگاهی به چشم‌انداز رقابتی، Anthropic اکنون برنامه Claude را نیز دارد که شامل یک چت‌بات و Claude Code است. تا حدی، آن‌ها قبلاً نمونه اولیه «سوپر اپلیکیشن» خود را دارند.

چگونه می‌بینید که چرا Anthropic زودتر این حرکت را انجام داد؟ و فکر می‌کنید احتمال اینکه OpenAI به آن‌ها برسد چقدر است؟

گرگ براکمن:
اگر ساعت را ۱۲ تا ۱۸ ماه به عقب برگردانید، ما در واقع همیشه بر «برنامه‌نویسی» به عنوان یک حوزه کلیدی تمرکز داشتیم و به‌طور مداوم در مسابقات مختلف برنامه‌نویسی و سایر تست‌های بسیار «مهارت خالص» برتری داشتیم. با این حال، یک چیزی که در آن زمان به اندازه کافی روی آن سرمایه‌گذاری نکردیم، آخرین مایل قابلیت استفاده بود.

یعنی، ما به این مسئله توجه کافی نکردیم: هوش مصنوعی قبلاً بسیار هوشمند است، قادر به حل مسائل مختلف دشوار برنامه‌نویسی است، اما هرگز پایگاه‌های کد را در دنیای واقعی ندیده است—و پایگاه‌های کد دنیای واقعی اغلب کثیف هستند، بسیار دور از محیط‌های «تمیزی» که با آن آشناست.

در آن نقطه، ما واقعاً عقب بودیم. اما از حدود اواسط سال گذشته، شروع به جدی گرفتن این موضوع کردیم. ما به‌طور خاص تیمی تشکیل دادیم تا به همه این شکاف‌ها، کثیفی دنیای واقعی و پیچیدگی‌هایی که قبلاً واقعاً با آن‌ها مواجه نشده بودیم، نگاه کنیم.

برای مثال، چگونه داده‌های آموزشی بسازیم؟ چگونه یک محیط آموزشی راه‌اندازی کنیم؟ واقعاً برای هوش مصنوعی چه حسی دارد که «مهندسی نرم‌افزار انجام دهد»—مورد وقفه قرار گرفتن، مواجهه با مسائل عجیب، موقعیت‌های مختلف غیرایده‌آل و غیره.

فکر می‌کنم تا الان، ما عقب‌ماندگی را جبران کرده‌ایم. وقتی کاربران واقعاً ما را با رقبا کنار هم مقایسه می‌کنند، بسیاری از مردم تمایل دارند بیشتر به انتخاب ما متمایل شوند.

البته، ما همچنین می‌دانیم که در تجربه فرانت‌اند شکاف داریم و این بخش را برطرف خواهیم کرد. اما به‌طور کلی، این تمرکز ما در این مدت بوده است: نه فقط ساخت یک مدل و سپس چسباندن یک پوسته محصول روی آن؛ بلکه فکر کردن به آن به عنوان یک محصول کامل از همان ابتدا. در حین انجام تحقیقات، ما همچنین فکر می‌کنیم: در نهایت چگونه استفاده خواهد شد؟ این تغییری است که در این مدت در داخل OpenAI رخ داده است.

بنابراین، از دیدگاه من، ما موج بسیار قوی از ارتقاء مدل در آینده خواهیم داشت. فقط با نگاه به نقشه راه امسال، بسیار هیجان‌زده هستم، واقعاً چیزهای زیادی وجود دارد که می‌توان به دست آورد.

در عین حال، ما همچنین بسیار بر پر کردن آخرین مایل قابلیت استفاده متمرکز هستیم.

الکس:
از سال ۲۰۲۲، OpenAI مانند رهبر بلامنازع در این زمینه بوده است. بدیهی است که رقابت اکنون دیگر فقط درباره نمرات تست نیست. شما خودتان از عبارت «ما عقب‌ماندگی را جبران کردیم» استفاده کردید.

آیا فضای داخلی شرکت نیز تغییر کرده است؟ به عبارت دیگر، آیا همان احساس پیشتاز بودن در محصولی مانند ChatGPT در گذشته وجود ندارد، بلکه در واقع وارد یک رقابت واقعی شده است؟

برخی گزارش‌های خارجی در واقع این تغییر را نشان می‌دهند—مانند جلسات داخلی که تأکید می‌کنند OpenAI دیگر هیچ «وظیفه جانبی» ندارد و همه باید بر این جهت اصلی تمرکز کنند. بنابراین، چه نوع تغییراتی اکنون در محیط و فضای داخلی رخ داده است؟

گرگ براکمن:
من می‌گویم، برای شخص من، ناآرام‌ترین لحظه در OpenAI در واقع پس از انتشار ChatGPT بود.

به یاد دارم که در مهمانی تعطیلات شرکت بودم و این حس «ما موفق شدیم» در هوا بود. هرگز قبلاً آن را احساس نکرده بودم. واکنش من در آن زمان این بود: نه، ما کسانی نیستیم که موفق شده‌ایم، ما دست‌کم‌گرفته‌شده (underdog) هستیم.

و ما همیشه بوده‌ایم. رقبا در این فضا عمدتاً شرکت‌های بزرگ ریشه‌دار با بودجه بیشتر، افراد بیشتر، داده‌های بیشتر و تقریباً همه منابع فراوان‌تر هستند.

پس چرا OpenAI قادر به رقابت است؟ تا حدی، پاسخ این است که ما هرگز احساس راحتی نکردیم. ما همیشه خود را به عنوان چالش‌گر می‌دیدیم.

در واقع، برای من، دیدن اینکه بازار واقعاً شروع به پذیرش این پویایی رقابتی کرده، دیدن اینکه رقبای دیگر ظهور می‌کنند و عملکرد خوبی دارند، چیز بسیار سالمی بوده است.

زیرا، از دیدگاه من، شما هرگز نمی‌توانید روی جایی که رقبایتان هستند متمرکز شوید. اگر فقط به جایی که الان هستند نگاه کنید، تا زمانی که به آنجا برسید، آن‌ها قبلاً حرکت کرده‌اند.

و احساس می‌کنم، در زمان‌های اخیر، در واقع برعکس بوده است: بسیاری از مردم بر جایی که ما هستیم متمرکز شده‌اند و ما توانسته‌ایم به پیشروی ادامه دهیم. این به ما حس همسویی و وحدت در داخل داده است.

قبلاً اشاره کردم که ما قبلاً تقریباً با «تحقیق» و «استقرار» به عنوان دو چیز جداگانه برخورد می‌کردیم؛ و اکنون، ما واقعاً می‌خواهیم آن‌ها را ادغام کنیم. برای من، این چیز فوق‌العاده‌ای است.

بنابراین می‌گویم، مرحله‌ای که اکنون در آن هستیم مرحله‌ای نیست که احساس کنم هرگز «قطعاً برنده» بوده‌ایم، یا ناگهان در بحران هستیم. می‌دانید، ادراک بیرونی از شما معمولاً نه به آن خوبی است که می‌گویند، نه به آن بدی.

من به‌طور کلی احساس می‌کنم، ما در واقع کاملاً ثابت بوده‌ایم. و از نظر توسعه مدل اصلی، من به نقشه راه و کارهای تحقیقاتی که انجام داده‌ایم بسیار اطمینان دارم. در مورد سمت محصول، احساس می‌کنم اکنون انرژی واقعاً خوبی داریم، همه در حال آمدن هستند تا واقعاً این چیزها را به جهان ارائه دهند.

الکس:
شما چندین بار قبلاً اشاره کردید که مدل‌های جدید بسیار قوی در راه خواهند بود. پس آن‌ها دقیقاً چه هستند؟

The Information گزارش داد که شما پیش‌آموزش روی «Spud» را تکمیل کرده‌اید؛ و سم آلتمن نیز به‌طور داخلی به کارکنان OpenAI گفت که باید ظرف چند هفته یک مدل بسیار قوی ببینند. این چند هفته پیش بود. تیم داخلی معتقد است که حتی می‌تواند واقعاً شتاب اقتصادی ایجاد کند و کارها سریع‌تر از آنچه بسیاری از مردم انتظار داشتند پیش می‌رود.

پس «Spud» دقیقاً چیست؟

گرگ براکمن:
این یک مدل عالی است. اما فکر می‌کنم تمرکز واقعاً بر یک مدل واحد نیست.

فرآیند تحقیقاتی ما تقریباً این‌گونه است: اول پیش‌آموزش است، که تولید یک مدل پایه جدید است و سپس تمام بهبودهای بعدی بر روی این مدل پایه ساخته خواهد شد. و این مرحله اغلب نیاز به تلاش عظیم تیم‌های داخلی زیادی در شرکت دارد. در واقع، در ۱۸ ماه گذشته، بیشتر وقت من اینجا صرف شده است: عمدتاً پیرامون زیرساخت GPU، پشتیبانی از تیم‌های مسئول چارچوب آموزشی و در واقع اجرای این وظایف آموزشی در مقیاس بزرگ.

سپس مرحله یادگیری تقویتی می‌آید. اینجاست که این هوش مصنوعی، که قبلاً دانش جهانی زیادی آموخته، شروع به استفاده واقعی از آن دانش می‌کند.

بعد فرآیند تنظیم دقیق (fine-tuning) است. در این مرحله، شما در واقع به آن می‌گویید—خب، حالا که می‌دانی چگونه مسائل را حل کنی، برو و در سناریوهای مختلف تمرین کن.

در نهایت، یک مرحله «آخرین مایل» مربوط به رفتار و قابلیت استفاده وجود دارد.

بنابراین، من Spud را به عنوان یک پایه جدید، یک مدل پیش‌آموزشی جدید می‌بینم. و بر روی آن، می‌توانید بگویید که تحقیقات ما در دو سال گذشته شروع به نشان دادن نتایج واقعی کرده است. بسیار هیجان‌انگیز خواهد بود.

فکر می‌کنم آنچه دنیای بیرون در نهایت احساس خواهد کرد یک بهبود کلی در قابلیت است. اما برای من، این هرگز فقط یک مسئله انتشار یک‌باره نبوده است. زیرا به محض اینکه این نسخه بیرون می‌آید، در واقع فقط نسخه اولیه بسیاری از پیشرفت‌های دیگر است که در راه است. ما به انجام کارهای بیشتر در هر مرحله از این فرآیند بهبود ادامه خواهیم داد.

بنابراین فکر می‌کنم ما بیشتر شبیه داشتن یک موتور پیشرفت همیشه در حال شتاب‌گیری هستیم و Spud فقط یک نقطه عطف در این جاده است.

الکس:
پس، فکر می‌کنید چه کاری می‌تواند انجام دهد که مدل‌های امروزی نمی‌توانند؟

گرگ براکمن:
فکر می‌کنم قادر خواهد بود مسائل سخت‌تری را حل کند و ظریف‌تر شود. دستورالعمل‌ها و زمینه را بهتر درک خواهد کرد.

گاهی اوقات مردم درباره حسی به نام «بوی مدل بزرگ» صحبت می‌کنند—به این معنی که وقتی مدل واقعاً هوشمندتر و توانمندتر است، می‌توانید به‌وضوح آن را احساس کنید. قصد شما را دقیق‌تر دنبال خواهد کرد و بهتر با نیازهای شما سازگار خواهد شد.

وقتی سوالی می‌پرسید و هوش مصنوعی واقعاً نمی‌فهمد منظور شما چیست، آن حس هنوز بسیار ناامیدکننده است. نمی‌توانید جلوی خود را بگیرید و فکر نکنید: این چیزی است که باید به‌وضوح بتوانید خودتان بفهمید.

بنابراین می‌گویم، به نوعی، این نتیجه انباشت بسیاری از «تغییرات کمی» خواهد بود که منجر به یک «تغییر کیفی» می‌شود. از یک سو، بهبودهای قابل توجهی در معیارهای مختلف وجود خواهد داشت؛ از سوی دیگر، برخی سناریوهای کاملاً جدید ظهور خواهند کرد: قبلاً، ممکن بود خیلی تنبل باشید که از هوش مصنوعی استفاده کنید زیرا به اندازه کافی قابل اعتماد نبود، اما حالا بدون تردید از آن استفاده خواهید کرد.

فکر می‌کنم این یک تغییر همه‌جانبه خواهد بود. من به‌ویژه مشتاق دیدن این هستم که چگونه به بالا بردن حد قابلیت ادامه خواهد داد. ما قبلاً عملکرد آن را در سناریوهایی مانند تحقیقات فیزیک دیده‌ایم و فکر می‌کنم در مرحله بعد، قادر خواهد بود به مسائل بازتر بپردازد و بازه‌های زمانی طولانی‌تری را پوشش دهد.

در عین حال، من همچنین مشتاق دیدن این هستم که چگونه کف قابلیت را بالا خواهد برد—به این معنی که مهم نیست چه کاری می‌خواهید انجام دهید، بسیار مفیدتر از امروز خواهد بود.

الکس:
اما برای کاربر متوسط، احساس کردن این نوع تغییر گاهی اوقات آسان نیست. برای مثال، قبل از انتشار GPT-5، در واقع هیاهو و انتظار زیادی وجود داشت؛ با این حال، وقتی واقعاً بیرون آمد، واکنش اولیه عمومی تا حدی ناامیدکننده بود. بعداً، همه به‌آرامی کشف کردند که در واقع در برخی وظایف خاص بسیار قدرتمند است.

بنابراین برای نسل بعدی مدل‌ها، فکر می‌کنید عمدتاً در برخی سناریوهای حرفه‌ای احساس خواهد شد، یا نوعی بهبود خواهد بود که به‌طور شهودی و جهانی توسط همه احساس می‌شود؟

گرگ براکمن:
فکر می‌کنم داستان ممکن است مشابه باشد. پس از انتشار مدل، برخی افراد بلافاصله احساس خواهند کرد که این یک دگرگونی کامل در مقایسه با آنچه قبلاً دیده‌اند است. اما سناریوهای استفاده‌ای نیز وجود خواهد داشت که در آن گلوگاه در «هوش» نیست. بنابراین اگر فقط مدل را هوشمندتر کنید، در این حوزه‌ها، کاربران ممکن است بلافاصله تفاوت را احساس نکنند.

با این حال، با گذشت زمان، فکر می‌کنم همه در نهایت تغییر را احساس خواهند کرد. زیرا آنچه واقعاً تغییر می‌کند این است: تا چه حد شروع به تکیه بر این سیستم می‌کنید.

اگر به نحوه تعامل ما با هوش مصنوعی اکنون فکر کنید، همه در واقع یک مدل ذهنی از «آنچه می‌تواند انجام دهد» دارند. و این مدل ذهنی سریع تغییر نمی‌کند. معمولاً با کسب تجربه تکامل می‌یابد و سپس گاهی اوقات کار جادویی برای شما انجام می‌دهد و ناگهان متوجه می‌شوید: وای، واقعاً می‌تواند این کار را انجام دهد، چیزی که هرگز قبلاً به آن فکر نکرده بودم.

برای مثال، در سناریوهایی مانند دسترسی به اطلاعات پزشکی، ما قبلاً موارد مشابهی را دیده‌ایم. دوستی دارم که از ChatGPT برای بررسی گزینه‌های درمانی مختلف برای سرطانش استفاده کرد. پزشک قبلاً به او گفته بود که در مرحله پیشرفته است و دیگر کاری نمی‌توان انجام داد. اما او از ChatGPT برای تحقیق در مورد ایده‌های مختلف استفاده کرد و در واقع به دلیل آن یک درمان پیدا کرد.

در سناریویی مانند این، پیش‌فرض در واقع این است: شما باید سطح خاصی از اعتماد به توانایی هوش مصنوعی برای کمک در این زمینه داشته باشید قبل از اینکه مایل باشید انرژی زیادی برای استخراج ارزش از سیستم سرمایه‌گذاری کنید.

بنابراین فکر می‌کنم آنچه در مرحله بعد خواهیم دید این است: در هر سناریوی کاربردی مشابه، چیزی که هوش مصنوعی می‌تواند به شما کمک کند برای همه آشکارتر خواهد شد.

بنابراین، این نه تنها درباره خود فناوری است که قوی‌تر می‌شود، بلکه درباره درک ما از فناوری است که تغییر می‌کند و به آن می‌رسد.

الکس:
بنابراین شما به‌طور فزاینده‌ای به آن تکیه خواهید کرد. در داخل OpenAI، شما همچنین در حال توسعه یک محقق هوش مصنوعی خودکار هستید که گفته می‌شود پاییز امسال راه‌اندازی می‌شود. پس آن دقیقاً چیست؟

هوش مصنوعی وارد فاز «اوج‌گیری» خود می‌شود

گرگ براکمن:
فکر می‌کنم، از دیدگاه روند کلی، ما اکنون در مرحله اولیه این اوج‌گیری فناوری هستیم.

الکس:
«اوج‌گیری» به چه معناست؟

گرگ براکمن:
اوج‌گیری به هوش مصنوعی اشاره دارد که به‌طور مداوم در امتداد یک منحنی نمایی قوی‌تر می‌شود. و بخشی از دلیل این امر این است: ما قبلاً می‌توانیم از هوش مصنوعی برای کمک به بهبود خود هوش مصنوعی استفاده کنیم، بنابراین کل فرآیند تحقیقاتی نیز در حال شتاب گرفتن است.

اما فکر می‌کنم که «اوج‌گیری» فقط یک مسئله فنی نیست؛ همچنین نشان‌دهنده انتشار تأثیر دنیای واقعی است. توسعه بسیاری از فناوری‌ها از یک منحنی S شکل پیروی می‌کند؛ و اگر به چندین منحنی S در بازه زمانی طولانی‌تر نگاه کنید، آن‌ها در نهایت به فرمی از رشد تقریباً نمایی همگرا می‌شوند.

فکر می‌کنم ما در حال حاضر در چنین مرحله‌ای هستیم. یعنی، خود فناوری با سرعت فزاینده‌ای در حال پیشرفت است و این موتور پیشرفت به‌طور مداوم در حال کسب شتاب است.

در عین حال، در دنیای بیرونی، بسیاری از بادهای موافق در حال شکل‌گیری هستند: توسعه‌دهندگان تراشه منابع بیشتری دریافت می‌کنند؛ بسیاری از مردم روی برنامه‌های مختلف کار می‌کنند، تلاش می‌کنند هوش مصنوعی را در سناریوهای مختلف جاسازی کنند و به دنبال نقاط همگرایی بین آن و نیازهای خاص مختلف هستند.

همه این انرژی به‌طور مداوم در حال انباشت است، به‌طور جمعی هوش مصنوعی را به یک «فاز اوج‌گیری» سوق می‌دهد، آن را از یک وجود حاشیه‌ای به موتور اصلی محرک رشد اقتصادی تبدیل می‌کند.

و این فقط در داخل دیوارهای سازمان ما اتفاق نمی‌افتد. این مربوط به کل جهان، کل سیستم اقتصادی، نحوه پیشبرد جمعی این فناوری و نحوه پیشرفت مداوم عملی بودن آن است.

الکس:
پس این «محقق» دقیقاً چه کاری انجام خواهد داد؟

گرگ براکمن:
به اصطلاح «محقق» اساساً به این اشاره دارد: با افزایش سهم وظایفی که هوش مصنوعی می‌تواند در دست بگیرد، باید به آن اجازه دهیم به‌طور مستقل‌تر عمل کند.

البته، جنبه‌های زیادی پشت این وجود دارد که نیاز به بررسی دقیق دارد. به این معنی نیست: ما آن را منتشر می‌کنیم، اجازه می‌دهیم مدتی به تنهایی اجرا شود و سپس بعداً برمی‌گردیم تا ببینیم آیا نتایج خوبی تولید کرده است یا خیر.

فکر می‌کنم ما همچنان بسیار عمیق در مدیریت آن درگیر خواهیم بود. درست مثل الان، اگر یک محقق تازه‌کار داشته باشید و آن‌ها را برای مدت طولانی به حال خود رها کنید، احتمالاً در مسیری قرار می‌گیرند که ارزش زیادی ارائه نمی‌دهد. اما اگر یک محقق ارشد داشته باشید، یا کسی با حس جهت‌گیری واقعی که آن‌ها را هدایت می‌کند، ممکن است حتی نیازی نباشد که شخصاً بر تمام مهارت‌های عملیاتی خاص تسلط داشته باشند اما همچنان می‌توانند بازخورد مداوم در مورد آنچه فرد تولید می‌کند ارائه دهند، آن را بررسی کنند و در مورد جهت‌گیری راهنمایی کنند: دقیقاً چه چیزی امیدوارم به آن برسی.

بنابراین سیستمی که من درک می‌کنم مجموعه‌ای از مکانیسم‌هایی است که ما در حال ساخت آن هستیم که سرعت خروجی مدل ما را به‌طور قابل توجهی افزایش می‌دهد، پیشرفت‌های تحقیقاتی جدیدی ایجاد می‌کند و این مدل‌ها را در دنیای واقعی مفیدتر و کاربردی‌تر می‌کند. و همه این‌ها با سرعت فزاینده‌ای اتفاق خواهد افتاد.

الکس:
دقیقاً چه کاری انجام خواهد داد؟ آیا مستقیماً به آن خواهید گفت «AGI را پیدا کن» و سپس خودش تلاش خواهد کرد؟

گرگ براکمن:
تا حدی، من آن را این‌طور می‌بینم، حداقل در معنای اول. اما اگر از دیدگاه عملی‌تر به آن نگاه شود، من آن را این‌طور درک می‌کنم: گرفتن کل گردش کار یکی از دانشمندان تحقیقاتی ما از ابتدا تا انتها و تلاش برای اجرای آن تا حد ممکن در یک سیستم مبتنی بر سیلیکون.

الکس:
راه دیگر برای درک «اوج‌گیری» این است: پیشرفت هوش مصنوعی از بهبود تدریجی به انباشت شتاب تغییر خواهد کرد، در نهایت به یک فرآیند پیشران تقریباً غیرقابل توقف به سوی یک هوش باهوش‌تر از انسان تبدیل می‌شود.

آیا نگران هستید که، درست همان‌طور که ممکن است چیزها در جهت مثبت پیش بروند، این پیشرفت خود نیز ممکن است از کنترل خارج شود، منحرف شود؟

گرگ براکمن:
فکر می‌کنم، البته که خواهد بود، این بدون شک است. معتقدم برای لذت بردن از مزایای این فناوری، باید ریسک‌های آن را نیز به‌طور جدی در نظر گرفت.

اگر به رویکرد ما در توسعه فنی نگاه کنید، خواهید دید که تلاش زیادی برای امنیت و حفاظت انجام داده‌ایم. یک مثال خوب حملات تزریق پرامپت (prompt injection) است. اگر قرار است یک هوش مصنوعی بسیار هوشمند و قدرتمند ایجاد کنید که به ابزارهای زیادی دسترسی دارد، قطعاً می‌خواهید مطمئن شوید که توسط کسی که دستور عجیبی به آن می‌دهد، گمراه یا دستکاری نمی‌شود.

این چیزی است که تلاش زیادی برای آن انجام داده‌ایم و فکر می‌کنم به نتایج بسیار خوبی دست یافته‌ایم. ما همچنین یک تیم بسیار قوی مسئول این کار داریم.

جالب است که برخی از این مسائل در واقع می‌توانند به انسان‌ها تشبیه شوند. انسان‌ها نیز مستعد حملات فیشینگ هستند، می‌توانند گمراه شوند و ممکن است بدون زمینه کامل عمل کنند.

ما این تشبیه‌ها را به فرآیند تحقیق و توسعه خود می‌آوریم. هر زمان که مدلی را منتشر می‌کنیم، مدلی را توسعه می‌دهیم، همیشه فکر می‌کنیم: چگونه اطمینان حاصل کنیم که واقعاً با اهداف انسانی همسو است، چگونه اطمینان حاصل کنیم که واقعاً کمک می‌کند؟ این چیزی است که ما اهمیت زیادی به آن می‌دهیم.

البته، مسائل بزرگ‌تری نیز وجود دارند که کل جهان، کل اقتصاد را درگیر می‌کنند: همه چیز چگونه تغییر خواهد کرد؟ چگونه همه می‌توانند از این فناوری بهره‌مند شوند؟ این‌ها فقط مسائل فنی نیستند، و OpenAI نمی‌تواند به‌تنهایی آن‌ها را حل کند. اما بله، من اغلب نه تنها به پیشبرد فناوری فکر می‌کنم، بلکه به اطمینان از اینکه واقعاً می‌تواند تأثیر مثبتی متناسب با پتانسیل خود ایجاد کند، فکر می‌کنم.

الکس:
مسئله این است، این شبیه یک مسابقه است. آنچه در داخل دیوارهای دفتر مرکزی OpenAI اتفاق می‌افتد نیز به‌سرعت توسط بسیاری از بازیگران متن‌باز تکرار می‌شود. و این بازیگران اغلب از نظر مرزهای امنیتی و اقدامات حفاظتی بسیار ضعیف‌تر هستند.

به یاد دارم قبلاً چیزی گفتید، خلاصه آن این بود: دستاوردهای خلاقانه نیاز دارند که افراد زیادی کارهای زیادی را درست انجام دهند، اما نتایج مخرب ممکن است فقط نیاز به یک بازیگر مخرب داشته باشد. این حداقل جایی است که من بیشتر نگران آن هستم. زیرا این به‌وضوح یک مسابقه است و پیشرفت سریع است. بسیاری از همتایان شما گفته‌اند اگر همه توافق کنند که متوقف شوند، آن‌ها نیز مایل به توقف هستند. اما اکنون، به نظر می‌رسد هیچ نشانه‌ای از کند شدن این مسابقه وجود ندارد.

پس، آیا پاداش واقعاً ارزش پذیرش چنین ریسک‌هایی را دارد؟

گرگ براکمن:

معتقدم پاداش ارزشش را دارد. با این حال، همچنین احساس می‌کنم چنین پاسخی هنوز خیلی گسترده و خیلی ساده‌انگارانه است.

از زمان تأسیس OpenAI، ما پرسیده‌ایم: چه آینده‌ای یک آینده خوب را تشکیل می‌دهد؟ چگونه این فناوری می‌تواند واقعاً وضعیت همه را ارتقا دهد؟

شما می‌توانید این سوال را به دو دیدگاه تقسیم کنید. یکی دیدگاه «متمرکز» است: فکر کردن به اینکه برای ایمن کردن این فناوری، بهترین راه این است که فقط یک نهاد آن را توسعه دهد. سپس هیچ فشار رقابتی وجود ندارد و می‌توانید با دقت کارها را درست انجام دهید و وقتی آماده شدید، تصمیم بگیرید چگونه آن را به همه ارائه دهید. این ایده قابل درک است، اما تا حدی، راه حل بسیار دشواری برای پذیرش است.

و مسیر دیگری که مسیری است که ما به آن متمایل هستیم، فکر کردن از دیدگاه «تاب‌آوری» است. به عبارت دیگر، دیدن آن به عنوان یک سیستم باز: بسیاری از شرکت‌کنندگان در حال پیشبرد توسعه این فناوری هستند، اما تمرکز نه تنها بر خود فناوری، بلکه بیشتر بر ایجاد زیرساخت اجتماعی پیرامون این فناوری است که آن را قادر می‌سازد با امنیت بیشتری پذیرفته شود.

می‌توانید به توسعه برق فکر کنید. برق نیز توسط بسیاری از افراد و مؤسسات مختلف تولید می‌شود و خود آن خطرات و تهدیدهایی دارد. با این حال، در عین حال، ما چندین لایه زیرساخت امنیتی پیرامون آن ساخته‌ایم: استانداردهای ایمنی برق، مشخصات استفاده مختلف، رویکردهای نظارتی متناسب با مقیاس‌های مختلف وجود دارد. در مقیاس بسیار بزرگ، حتی الزامات نظارتی تخصصی وجود دارد. بسیاری از مردم می‌توانند از برق به روشی دموکراتیزه استفاده کنند، همراه با بازرسان و کل مجموعه‌ای از سیستم‌های پشتیبانی که به‌تدریج پیرامون ویژگی‌های این فناوری ایجاد شده‌اند.

و فکر می‌کنم هوش مصنوعی هم همین‌طور است. آنچه واقعاً می‌بینیم این است که باید بحث اجتماعی گسترده‌ای پیرامون هوش مصنوعی وجود داشته باشد. اگر قرار است این فناوری واقعاً برسد و زندگی همه را تغییر دهد، پس مردم باید درگیر شوند. این نمی‌تواند صرفاً توسط یک گروه کوچک متمرکز به‌طور مخفیانه هدایت و تصمیم‌گیری شود.

بنابراین، برای من، این همیشه یک مسئله بسیار اصلی بوده است: این فناوری باید به چه شکلی گسترش یابد؟ و آنچه واقعاً به آن ایمان داریم یک «اکوسیستم تاب‌آور» است که به‌تدریج پیرامون توسعه فناوری شکل می‌گیرد.

الکس:
پس، آیا می‌گویید که ما در حال حاضر در فرآیند «اوج‌گیری» هستیم و همه ما در واقع قبلاً در آن هستیم؟ جنسن هوانگ، مدیرعامل انویدیا، اخیراً گفت که معتقد است AGI محقق شده است. آیا موافقید؟

گرگ براکمن:
فکر می‌کنم AGI تعاریف متفاوتی برای افراد مختلف دارد. و در واقع، بسیاری از مردم استدلال می‌کنند که فناوری‌ای که امروز داریم قبلاً AGI محسوب می‌شود.

این قابل بحث است. اما فکر می‌کنم بخش واقعاً جالب این است که فناوری‌ای که امروز داریم هنوز بسیار «خشن» است، با حس واضحی از تکه‌تکه بودن.

در بسیاری از وظایف، مانند نوشتن کد، قبلاً ابرانسانی است. هوش مصنوعی می‌تواند آن را انجام دهد و اصطکاک خلق کردن چیزها را به‌طور قابل توجهی کاهش داده است. اما در عین حال، هنوز برخی چیزهای بسیار اساسی وجود دارند که انسان‌ها به‌راحتی می‌توانند انجام دهند اما هوش مصنوعی هنوز با آن‌ها دست و پنجه نرم می‌کند.

پس مرز را کجا ترسیم می‌کنید؟ تا حدی، این بیشتر شبیه یک «حس»، یک قضاوت جوی است، نه سوالی که بتواند در این لحظه به‌طور علمی دقیق تعریف شود.

بنابراین برای خودم، فکر می‌کنم ما به‌وضوح در حال گذر از آن لحظه هستیم. اگر پنج سال پیش این سیستم‌ها را امروز به من نشان می‌دادید، می‌گفتم: بله، این همان چیزی است که آن زمان درباره‌اش صحبت می‌کردیم. فقط این است که واقعیت رشد کرده و بسیار متفاوت از آنچه در ابتدا تصور می‌کردیم به نظر می‌رسد. متفاوت از هر شکلی است که زمانی تصور می‌کردیم.

بنابراین فکر می‌کنم باید مدل‌های ذهنی خود را بر این اساس تنظیم کنیم.

الکس:
پس منظورتان این است که هنوز به آنجا نرسیده‌ایم؟

گرگ براکمن:
می‌گویم، ما احتمالاً قبلاً ۷۰ تا ۸۰ درصد آنجا هستیم. بنابراین فکر می‌کنم در واقع بسیار نزدیک هستیم.

و معتقدم یک چیز بسیار روشن است: در چند سال آینده، قطعاً شاهد AGI خواهیم بود. عملکرد آن ممکن است هنوز تا حدی «دندانه‌دار» باشد، نه کاملاً صاف و کامل در همه جا. اما حد پایین وظایفی که می‌تواند انجام دهد بسیار بالا خواهد رفت—تقریباً برای هر وظیفه فکری که نیاز دارید روی کامپیوتر انجام دهید، هوش مصنوعی می‌تواند آن را انجام دهد.

بنابراین اکنون باید پاسخ تا حدی نامطمئنی بدهم زیرا در واقع کمی «اصل عدم قطعیت» در این وجود دارد—شما می‌توانید از تعاریف مختلف درباره آن استدلال کنید. اما طبق تعریف شخصی خودم، فکر می‌کنم تقریباً آنجا هستیم. یک قدم دیگر به جلو برداریم، و ما قطعاً آنجا هستیم.

نقطه عطف کلیدی: واگذاری کار از ۲۰٪ به ۸۰٪

الکس:

دقیقاً در دسامبر ۲۰۲۵ چه اتفاقی افتاد. زیرا آن به نظر یک نقطه عطف می‌رسید، ایده «اجازه دادن به ماشین برای نوشتن کد بدون وقفه برای چندین ساعت متوالی» ناگهان از یک ایده نظری به جایی تغییر کرد که همه شروع به گفتن کردند، «فکر می‌کنم می‌توانم به آن اعتماد کنم که مدتی به تنهایی به کار خود ادامه دهد.»

پس در آن زمان واقعاً چه اتفاقی افتاد؟

گرگ براکمن:
پس از انتشار مدل جدید، درصد وظایفی که هوش مصنوعی می‌توانست انجام دهد از حدود ۲۰ درصد کار شما به ۸۰ درصد در یک حرکت جهش کرد. این یک تغییر بسیار قابل توجه بود. زیرا دیگر فقط «یک ابزار کوچک نسبتاً خوب» نبود، بلکه به این صورت شد: شما مجبور بودید گردش کار خود را پیرامون این هوش‌های مصنوعی بازسازی کنید.

برای شخص من، من نیز یک لحظه احشایی بسیار معمولی داشتم. در طول سال‌ها، من یک نشانه تست داشتم: از هوش مصنوعی بخواه یک وب‌سایت برایم بسازد. این وب‌سایت در واقع همان وب‌سایتی بود که وقتی داشتم کدنویسی یاد می‌گرفتم با دست ساخته بودم، که چندین ماه طول کشید.

و تا سال ۲۰۲۵، احتمالاً هنوز چهار ساعت و چندین دور پرامپت رفت و برگشت طول می‌کشید تا چیزی مناسب به دست آید. اما تا دسامبر، یک بار پرسیدم و هوش مصنوعی یک بار انجام داد و آن را بسیار خوب انجام داد.

الکس:
پس این مدل‌ها چگونه این جهش را انجام دادند؟

گرگ براکمن:
بخش بزرگی از دلیل این است که خود مدل پایه قوی‌تر شده است. OpenAI به‌طور مداوم تکنیک‌های پیش‌آموزشی خود را بهبود بخشیده است. و در آن نقطه، ما نشانه‌ای از آنچه بقیه سال به نظر می‌رسید را دیدیم. اما در عین حال، این فقط یک نقطه عطف نبود. دقیق‌تر این است که ما در همه ابعاد نوآوری پیش رفته‌ایم.

یک چیز جالب درباره این مدل‌ها این است: به نوعی، ممکن است احساس کنید که آن‌ها بارها و بارها این لحظات «گسست» را داشته‌اند؛ اما از دیدگاه دیگر، همه چیز یک تکامل مداوم بوده است. ناگهان از ۰٪ به ۸۰٪ نپرید، بلکه از ۲۰٪ به ۸۰٪ بود. بنابراین به نوعی، می‌توانید بگویید که فقط بهتر شد.

و فکر می‌کنم این پیشرفت در واقع در هر به‌روزرسانی نسخه جزئی بعدی ادامه دارد. برای مثال، از ۵.۲ به ۵.۳، من یک مهندس همکاری نزدیک دارم که در ابتدا نمی‌توانست مدل را وادار کند کارهای سطح پایین و سخت‌افزاری سیستمی که مسئول آن بود را انجام دهد؛ اما تا نسخه جدید، مدل می‌توانست اسناد طراحی او را در دست بگیرد، واقعاً آن‌ها را پیاده‌سازی کند، نظارت بر معیارها و مشاهده‌پذیری اضافه کند، یک پروفایلر برای تحلیل عملکرد اجرا کند، به بهینه‌سازی ادامه دهد و در نهایت به نتیجه‌ای که او در ابتدا امیدوار بود با دستان خودش ارائه دهد، برسد.

بنابراین می‌گویم، بیشتر شبیه فرآیند «پیشرفت تدریجی و سپس ناگهان همه چیز تغییر کرده است» است. اما همه این‌ها در واقع توسط قابلیت‌هایی که در حال حاضر در بازی هستند پیش‌بینی شده بود. حداکثر تا یک سال، بسیاری از چیزها، برخی حتی بسیار سریع‌تر، بسیار قابل اعتماد خواهند شد.

الکس:
آیا این شما را هم غافلگیر نمی‌کند؟ زیرا به یاد دارم نه چندان دور در مصاحبه‌ای اشاره کردید که ابزارهایی مانند Codex، یک ابزار برنامه‌نویسی خودکار، در ابتدا فقط برای توسعه‌دهندگان نرم‌افزار بودند. اما اوایل گفتگوی امروز، گفتید که در واقع همه می‌توانند از این نوع ابزارها استفاده کنند.

چه چیزی باعث شد نظرتان را تغییر دهید؟

گرگ براکمن:
من در واقع همیشه Codex را در چارچوب «نوشتن کد» قرار می‌دادم. به هر حال، نام آن کد دارد، بنابراین طبیعی است که آن را به عنوان ابزاری برای برنامه‌نویسان ببینیم. و در داخل OpenAI، بسیاری از ما خودمان مهندس نرم‌افزار هستیم، ابزارهایی برای خودمان می‌سازیم، بنابراین فکر کردن به این روش بسیار طبیعی بود.

اما با پیشرفت این فناوری، شروع به درک چیزی کردیم: فناوری زیربنایی که در واقع ساخته‌ایم عمدتاً اصلاً درباره «کد» نیست، اساساً درباره «حل مسائل» است.

در هسته آن، درباره مدیریت زمینه، ساخت یک چارچوب اجرایی و فکر کردن به این است که هوش مصنوعی چگونه باید به کار واقعی متصل شود، چگونه واقعاً کارها را انجام دهد. و وقتی این برقرار شد، حتی در چارچوب برنامه‌نویسی، ناگهان به این معنی است که هر کسی می‌تواند این قابلیت را داشته باشد. زیرا آنچه واقعاً دارید سیستمی است که می‌تواند کار را برای شما انجام دهد. تا زمانی که دیدگاهی دارید، هدفی برای تکمیل دارید و می‌توانید قصد خود را به‌وضوح توصیف کنید، هوش مصنوعی می‌تواند برود و اجرا کند، می‌تواند کارها را انجام دهد.

اما این همچنین باعث می‌شود شروع به پرسیدن کنید، چرا من فقط بر تقسیم «غیربرنامه‌نویسی» یا «برنامه‌نویسی» تمرکز می‌کنم؟ در واقع، کارهای زیادی وجود دارد که اساساً فقط نوعی مهارت مکانیکی است. مانند صفحات گسترده اکسل، مانند ساخت ارائه. اگر هوش مصنوعی قبلاً زمینه کافی و هوش خام کافی داشته باشد، اکنون می‌تواند این کارها را بسیار خوب انجام دهد.

بنابراین، اگر فقط آن را در دسترس‌تر، کاربرپسندتر کنیم، از «Codex برای برنامه‌نویسان است» ناگهان به «Codex برای همه است» تغییر خواهد کرد.

الکس:
و پس از اینکه این پیشرفت به‌وضوح قابل مشاهده را دیدیم، سیلیکون‌ولی به‌سرعت شاهد ظهور پدیده تقریباً خاموش دیگری بود، که Open Claw است، درست است؟ یا به‌طور گسترده‌تر، کل جامعه فناوری شروع به اعتماد به هوش مصنوعی به روشی که ذکر کردید کرده است—مانند واگذاری کنترل دسکتاپ به یک ربات هوش مصنوعی، یا راه‌اندازی یک مک مینی، دادن مجوزهای ایمیل، تقویم، فایل‌ها به آن و سپس تا حدی، اجازه دادن به آن برای «در دست گرفتن زندگی».

بعداً، OpenAI بنیان‌گذار Open Claw را به شرکت آورد. پس می‌توانید کمی بیشتر درباره این نوع هوش مصنوعی که «به شما کمک می‌کند زندگی‌تان را مدیریت کنید» صحبت کنید؟ آوردن تیم Open Claw، آیا چشم‌انداز زیربنایی چیزی شبیه به آن است؟

گرگ براکمن:
می‌گویم، اصلی‌ترین جنبه این فناوری این است: فهمیدن اینکه چگونه می‌تواند مفید باشد، مردم واقعاً چگونه می‌خواهند از آن استفاده کنند، چشم‌انداز عامل هوشمند چیست، چگونه وارد زندگی مردم خواهد شد—این‌ها همه سوالات بسیار دشواری هستند.

آنچه بارها در این تکامل فناوری دیده‌ام این است که کسانی که واقعاً مایل به تعامل عمیق هستند، پر از کنجکاوی هستند و تخیل قوی دارند، این خود یک قابلیت بسیار واقعی است و به یک قابلیت به‌طور فزاینده ارزشمند در اقتصاد جدید تبدیل خواهد شد.

بنیان‌گذار Open Claw، پیتر، به نظر من، چنین فردی است؛ او تخیل بسیار قوی و انگیزه خلاقانه قوی دارد. بنابراین به نوعی، این مربوط به یک فناوری خاص است؛ اما به نوعی دیگر، اصلاً فقط یک مسئله فنی نیست. واقعاً مربوط به این است: چگونه این قابلیت‌ها را در زندگی مردم جاسازی کنیم، جایی که واقعاً به آن تعلق دارند را پیدا کنیم.

بنابراین، به عنوان یک متخصص فناوری، این قطعاً هیجان‌انگیز است؛ اما به عنوان کسی که واقعاً به ارائه ارزش عملی به کاربران اهمیت می‌دهد، ما اکنون به‌شدت در حال سرمایه‌گذاری در این هستیم، سرمایه‌گذاری زیادی می‌کنیم.

الکس:
شما اخیراً نظر جالبی در این باره داشتید. گفتید، وقتی شروع به داشتن این عوامل هوش مصنوعی خودمختار می‌کنید که برای شما کار می‌کنند، شما «مدیرعامل ناوگانی از هزاران عامل هوشمند» خواهید شد که برای شما کار می‌کنند تا به اهداف، چشم‌انداز و وظایف شما برسند و دیگر به‌طور عمیق در جزئیات نحوه حل مسائل مختلف درگیر نیستید.

اما همچنین اشاره کردید که، به نوعی، این روش جدید کار می‌تواند باعث شود مردم احساس کنند «نبض» خود مسئله را از دست می‌دهند.

گرگ براکمن:
آیا این واقعاً چیز خوبی است؟ فکر می‌کنم شمشیر دو لبه است.

بنابراین فکر می‌کنم آنچه باید انجام دهیم، از یک سو، شناخت قدرت واقعی است که این ابزارها می‌توانند به ارمغان بیاورند و از سوی دیگر، تلاش برای کاهش نقاط ضعفی که به همراه می‌آورند تا حد ممکن است. برای مثال، دادن اهرم بیشتر به مردم، دادن عاملیت بیشتر به مردم—اگر دیدگاهی دارید، چیزی که می‌خواهید به آن برسید، پس می‌توانید ناوگان کاملی از عوامل را بسیج کنید تا آن را برای شما انجام دهند، که البته بسیار قدرتمند است.

اما اگر به نحوه عملکرد جهان فکر کنید، در نهایت باید کسی مسئول باشد. فرض کنید در حال ساخت یک وب‌سایت هستید و عامل شما کارها را خراب می‌کند، در نهایت بر کاربر تأثیر می‌گذارد، به‌طور دقیق، تقصیر عامل نیست، تقصیر شماست. بنابراین باید به آن اهمیت دهید.

فکر می‌کنم هر کسی که واقعاً می‌خواهد از این ابزارها استفاده کند باید تشخیص دهد: عاملیت انسانی، مسئولیت انسانی، بخش‌های اصلی کل سیستم هستند. نحوه استفاده انسان‌ها از هوش مصنوعی به‌طور بنیادی مهم است.

بنابراین فکر می‌کنم مهم‌ترین نکته این است: به عنوان کاربران این عوامل—ما هم در داخل OpenAI این‌طور هستیم—شما نمی‌توانید مسئولیت را سلب کنید. نمی‌توانید فقط بگویید، «هوش مصنوعی همه چیز را خودش مراقبت خواهد کرد.»

الکس:
البته. اما آنچه همین الان درباره «احساس اینکه نبض مسئله را از دست می‌دهید» گفتید به نظر می‌رسد متفاوت از «مسئولیت» باشد.

گرگ براکمن:
برای من، این دو در واقع به هم متصل هستند. زیرا نکته کلیدی این است: اگر شما مدیرعامل هستید، اما بیش از حد از جزئیات دور هستید—مثل اینکه اگر تیمی را رهبری می‌کنید، شرکتی را اداره می‌کنید، اما ارتباط خود را با خط مقدم از دست داده‌اید، آن معمولاً منجر به نتایج خوبی نمی‌شود. بنابراین آنچه می‌خواستم همین الان بیان کنم این نیست که «انسان‌ها بالاخره می‌توانند هیچ ندانند» چیزی است که ارزش دنبال کردن دارد.

البته، برخی جزئیات را می‌توان با اطمینان واگذار کرد. مثل وقتی که یک پیمانکار عمومی استخدام می‌کنید تا خانه‌تان را بسازد، جزئیات زیادی وجود دارد که احتمالاً نیازی نیست شخصاً بر آن‌ها نظارت کنید زیرا اعتماد دارید که طرف مقابل آن را به‌خوبی مدیریت خواهد کرد. اما در نهایت، اگر برخی جزئیات کلیدی اشتباه پیش برود، همچنان باید اهمیت دهید و همچنان باید بدانید.

بنابراین در اینجا یک تفاوت ظریف بسیار مهم وجود دارد: شما نمی‌توانید فقط کورکورانه بگویید، «من حاضرم آن حس درک مسئله را از دست بدهم.» در عوض، باید فعالانه بگویید: من همچنان باید آن آگاهی را حفظ کنم تا واقعاً نقاط قوت و ضعف سیستم را درک کنم.

و همان‌طور که شروع به خارج کردن خود از برخی تراکنش‌های سطح پایین‌تر و مکانیکی‌تر می‌کنید، دلیلی که می‌توانید این کار را انجام دهید باید این باشد که قبلاً اعتماد به این سیستم را ایجاد کرده‌اید، تأیید کرده‌اید که واقعاً کارها را درست انجام می‌دهد.

الکس:
درباره مدل‌ها، یک سوال نهایی دارم. شما به مسیر تکامل مدل اشاره کردید: از پیش‌آموزش، به تنظیم دقیق، به یادگیری تقویتی، بهتر کردن آن در حل مسائل گام به گام و قادر بودن به انجام وظایف در اینترنت.

و اکنون به مرحله‌ای رسیده‌ایم که مدل یاد گرفته است از ابزارها از طریق این فرآیند استفاده کند. اگر درست متوجه شده باشم، گام بعدی در این مسیر تکامل چه خواهد بود؟

گرگ براکمن:
فکر می‌کنم، جهانی که اکنون در آن هستیم جهانی است که قابلیت‌های ماشین به‌طور مداوم در حال عمیق‌تر شدن و گسترش است. بخشی از آن قطعاً درباره استفاده از ابزار است، اما در عین حال، ما همچنین باید واقعاً خود «ابزارها» را به اندازه کافی خوب کنیم. برای مثال، اگر هوش مصنوعی قبلاً می‌تواند «عملیات کامپیوتری» انجام دهد و از سیستم‌های دسکتاپ مانند انسان‌ها استفاده کند، پس در اصل، می‌تواند هر کاری که شما می‌توانید انجام دهید را انجام دهد.

اما در عین حال، ما همچنین باید چیزهای زیادی در سطح زیرساخت برای ماشین فراهم کنیم. برای مثال، در یک محیط سازمانی، چگونه احراز هویت و مدیریت مجوز انجام می‌دهید؟ چگونه ردپای حسابرسی و مشاهده‌پذیری انجام می‌دهید؟ برای رسیدن به پیشرفت قابلیت‌های زیربنایی مدل، فناوری‌های پشتیبان زیادی باید ساخته شوند.

و از دیدگاه کلی، فکر می‌کنم شامل چیزهایی مانند یک «رابط صوتی بسیار طبیعی» خواهد بود. یعنی، می‌توانید یک گفتگوی طبیعی با یک کامپیوتر داشته باشید همان‌طور که اکنون انجام می‌دهید، جایی که واقعاً می‌تواند شما را درک کند، کاری که نیاز دارید را انجام دهد و پیشنهادات ارزشمندی ارائه دهد.

برای مثال، به‌طور فعال به شما یادآوری می‌کند: چیزی که در حال پیشرفت روی آن بوده‌اید اکنون گیر کرده است و مسئله اینجاست. یا وقتی صبح از خواب بیدار می‌شوید، به شما خواهد گفت: این خلاصه روزانه شماست، عوامل شما دیشب چقدر کار پیش بردند.

شاید حتی در حال اداره یک کسب‌وکار برای شما باشد—فکر می‌کنم این یک کاربرد عظیم از این فناوری خواهد بود. دموکراتیزه کردن کارآفرینی قطعاً اتفاق خواهد افتاد. به شما خواهد گفت: این حوزه‌ها مشکل‌ساز هستند؛ مشتری اکنون بسیار ناراضی است و می‌خواهد با یک شخص واقعی صحبت کند، بهتر است خودتان آن را مدیریت کنید. این چیزها اتفاق خواهد افتاد.

سپس، فکر می‌کنم مرحله بعد همچنین شامل این است: حد بالای چالش‌ها برای انسان‌ها همچنان توسط این فناوری بالا خواهد رفت. ما در واقع قبلاً در خط مقدم این روند هستیم. آنچه بیش از همه مرا هیجان‌زده می‌کند تقریباً شبیه حرکت ۳۷ AlphaGo است—آن حرکت چیزی است که انسان‌ها هرگز انجام نمی‌دادند، خلاقانه است و درک بسیاری از مردم از بازی را تغییر داده است.

این نوع چیز در هر زمینه‌ای اتفاق خواهد افتاد. در علم، ریاضیات، فیزیک، شیمی اتفاق خواهد افتاد؛ در علم مواد، زیست‌شناسی، مراقبت‌های بهداشتی، کشف دارو اتفاق خواهد افتاد؛ و ممکن است حتی در ادبیات، شعر و بسیاری از زمینه‌های دیگر اتفاق بیفتد. فضاهای جدیدی از خلاقیت و درک انسانی را به روش‌هایی که هنوز نمی‌توانیم امروز تصور کنیم باز خواهد کرد.

الکس:
اما اگر مدل قبلاً به آن قدرتمندی که می‌گویید هست، چرا تا الان برای واقعیت اتفاق نیفتاده است؟

گرگ براکمن:
فکر می‌کنم یک «شکاف قابلیت» در اینجا در حال بازی است—به این معنی که هنوز شکاف قابل توجهی بین قابلیت‌های واقعی مدل و نحوه استفاده مردم از آن در حال حاضر وجود دارد. تا حدی، درک ما از آنچه «داخل» مدل است هنوز در حال تکامل است.

بنابراین معتقدم حتی اگر پیشرفت فناوری از این نقطه متوقف شود، جهان همچنان دستخوش تغییر عظیمی خواهد شد—یک اقتصاد مبتنی بر محاسبات، مبتنی بر هوش مصنوعی همچنان خواهد رسید.

اما در عین حال، لایه دیگری نیز به این وجود دارد: آنچه در حال حاضر در آن بهترین هستیم، آموزش مدل‌ها بر روی وظایفی است که «قابل اندازه‌گیری» هستند. بنابراین در ابتدا، ما با مسائل ریاضی، وظایف برنامه‌نویسی شروع کردیم زیرا این وظایف اعتبارسنج‌های بسیار روشنی دارند: یا پاسخ درست است یا نه، که قضاوت را آسان می‌کند. و با گذشت زمان، دلیلی که توانسته‌ایم به‌تدریج مدل‌ها را به سمت سوالات بازتر سوق دهیم، گسترش دامنه «آنچه قابل اعتبارسنجی، ارزیابی است» بوده است.

خود هوش مصنوعی نیز می‌تواند در این زمینه کمک کند. اگر هوش مصنوعی به اندازه کافی هوشمند باشد، وظیفه را درک کند و معیار ارزیابی به آن داده شود، می‌تواند به‌تدریج یاد بگیرد. با این حال، وظایفی مانند نوشتن خلاقانه، مانند «این شعر چقدر خوب است»، امتیازدهی دشوار است.

بنابراین، در این نوع سناریوها در گذشته، واقعاً چالش‌برانگیز بوده است که هوش مصنوعی را وادار کنیم واقعاً از طریق آزمایش و بازخورد مداوم یاد بگیرد. با این حال، همه این‌ها در حال تغییر است و ما قبلاً دید بسیار روشنی از مسیر پیش رو داریم.

الکس:
این بسیار جالب است. پیتر تیل یک بار چیزی شبیه به این گفت: اگر در ریاضیات خوب هستید، تأثیری که ممکن است در مقابل این مدل‌ها تجربه کنید می‌تواند حتی بیشتر از فردی باشد که «در کلمات خوب است». و شما هم در روزهای قدیم عضو باشگاه ریاضی بودید. آیا نگران این نیستید؟

گرگ براکمن:
فکر می‌کنم مردم تمایل دارند بیشتر آنچه از دست داده‌اند را ببینند تا آنچه به دست آورده‌اند. به این دلیل است که ما تجربه عمیقی از «چگونه قبلاً این کار را انجام می‌دادم» داریم. برای مثال، قبلاً در مسابقات ریاضی شرکت می‌کردم و اکنون هوش مصنوعی هم می‌تواند مسابقات ریاضی انجام دهد. اما نکته این است که این هرگز واقعاً درباره «مسابقات ریاضی» به خودی خود نبود، درست است؟ این آن چیزی نیست که واقعاً پیشرفت انسانی را هدایت می‌کند.

اگر به نحوه کار ما اکنون نگاه کنید—نشستن جلوی یک جعبه، تایپ کردن روی دیگری—ما صد سال پیش این‌طور زندگی نمی‌کردیم. این یک وضعیت طبیعی نیست، و واقعاً آن‌طور که باید در این دنیای دیجیتالی که به آن کشیده شده‌ایم وجود داشته باشیم نیست.

این ماهیت «انسان بودن» نیست. آنچه واقعاً مهم است حضور داشتن، زندگی در لحظه و ارتباط با دیگران است.

و معتقدم آنچه در شرف دیدن آن هستیم این است: هوش مصنوعی زمان قابل توجهی را آزاد خواهد کرد و به انسان‌ها فرصت‌های بیشتری برای تقویت ارتباط با یکدیگر، برای ایجاد پیوندهای بیشتر بین مردم می‌دهد.

این مرا بسیار هیجان‌زده می‌کند.

الکس:
درست است. بنابراین، همان‌طور که بیشتر به سمت این برنامه‌های عامل‌مانند حرکت می‌کنید، بحثی در حال ظهور است که آیا وظایف آموزشی بزرگ در آینده همچنان ضروری خواهند بود؟

به‌ویژه وقتی مدل قبلاً به اندازه کافی خوب است، به نظر می‌رسد فقط می‌توانید آن را در دنیای واقعی مستقر کنید و از طریق مراحل بسیاری که به پیش‌آموزش متکی نیستند، بهبود قابل توجهی به دست آورید. و آن‌هایی که واقعاً نیاز به پشتیبانی عظیم مرکز داده دارند عمدتاً برای پیش‌آموزش هستند، در واقع.

شما همیشه مسئول مقیاس‌بندی بوده‌اید، هدایت این تلاش. چگونه به این استدلال نگاه می‌کنید؟

گرگ براکمن:
فکر می‌کنم این استدلال نکته بسیار مهمی را در پیشرفت فناوری نادیده می‌گیرد. در واقع، هر مرحله در خط لوله تولید مدل، اثرات یکدیگر را تقویت می‌کند. بنابراین شما می‌خواهید هر مرحله قوی‌تر شود.

ما می‌بینیم که: وقتی پیش‌آموزش قوی‌تر می‌شود، هر مرحله بعدی بسیار آسان‌تر می‌شود. این در واقع منطقی است. زیرا مدل از ابتدا توانمندتر است، سریع‌تر یاد می‌گیرد؛ همچنین سریع‌تر پیشرفت می‌کند همان‌طور که رویکردهای مختلف را امتحان می‌کند، از اشتباهات خود یاد می‌گیرد و با خطاهای کمتر به دلیل پایه قوی‌تر خود، سریع‌تر پیشرفت می‌کند.

بنابراین، تغییر بزرگ واقعی این نیست که ما از «آموزش یک سیستم عقلانی کاملاً بسته و خود-مشتق» به «فقط اجازه دادن به آن برای اشتباه کردن در دنیای واقعی» تغییر جهت می‌دهیم. در عوض، متوجه می‌شویم که نه تنها باید خود مدل را بزرگ‌تر و قوی‌تر کنیم، بلکه به آن اجازه دهیم چیزها را امتحان کند، درک کند که مردم چگونه در دنیای واقعی از آن استفاده می‌کنند و آن بازخورد استفاده را به فرآیند آموزشی بازگردانیم. این ارزش ادامه پیشبرد آن تحقیق را کاهش نمی‌دهد، و اهمیت آن را نیز کاهش نمی‌دهد.

من همچنین فکر می‌کنم تغییر دیگری وجود دارد: در گذشته، ما عمدتاً بر افزایش قابلیت‌های خام در طول فاز پیش‌آموزش متمرکز بودیم، اما بر توانایی در طول مرحله استدلال یا استنتاج به همان اندازه تأکید نمی‌کردیم. و در طول ۲۴ ماه گذشته، یک تغییر قابل توجه این بوده است که شروع به درک نیاز به تعادل بین این دو کرده‌ایم.

به عبارت دیگر، می‌توانید مدلی با قابلیت بسیار قوی داشته باشید، اما همچنین باید در طول استنتاج و استقرار واقعی به اندازه کافی کارآمد باشد. زیرا اگر قرار است یادگیری تقویتی انجام دهید و واقعاً آن را در دنیای واقعی مستقر کنید، همه این‌ها نیاز به کارایی استنتاج بسیار قوی دارد.

این همچنین به این معنی است که ممکن است لزوماً مقیاس آموزشی را به بزرگترین حد ممکن از نظر تئوری نرسانید، زیرا همچنین باید سناریوهای استفاده در مقیاس بزرگ بعدی را در نظر بگیرید.

آنچه واقعاً می‌خواهید این است: نقطه بهینه محصول بین سطح هوش و هزینه، نه فقط بهینه‌سازی یک بعد.

الکس:
اگر آینده عمدتاً به سمت استنتاج تغییر کند، آیا دیگر به اندازه قبل به GPUهای انویدیا نیاز نخواهید داشت؟

گرگ براکمن:
ما هنوز کاملاً به آن‌ها نیاز داریم.

الکس:
چرا؟

گرگ براکمن:
دلایل زیادی وجود دارد.

یکی از آن‌ها این است: مهم نیست نسبت بین آموزش و استنتاج چگونه تغییر می‌کند، آموزش در مقیاس بسیار بزرگ هنوز چیزی است که فقط با تمرکز توان محاسباتی عظیم بر روی یک مسئله قابل انجام است و در حال حاضر هیچ راه جایگزینی برای انجام این کار وجود ندارد.

بنابراین فکر می‌کنم آنچه در آینده بیشتر احتمال دارد اتفاق بیفتد این است: سهم توان محاسباتی در سمت استقرار به‌طور قابل توجهی افزایش خواهد یافت؛ اما در عین حال، هنوز لحظاتی وجود خواهد داشت که باید یک وظیفه پیش‌آموزشی بسیار بزرگ انجام دهید و در آن زمان همچنان باید مقدار زیادی توان محاسباتی را متمرکز کنید.

و من همچنین فکر می‌کنم که تیم انویدیا واقعاً برجسته است، کاری که آن‌ها انجام می‌دهند شگفت‌انگیز است. بنابراین، بله، ما بسیار نزدیک با آن‌ها کار می‌کنیم.

الکس:
آیا روزی خواهد رسید که مردم شروع به گفتن کنند، «ما به اندازه کافی پیش‌آموزش داده‌ایم، مدل قبلاً به اندازه کافی هوشمند است»؟

گرگ براکمن:
فکر می‌کنم این کمی شبیه گفتن این است: وقتی انسان‌ها تمام مسائل پیش روی خود را حل کرده‌اند، شاید بتوانیم بگوییم که. اما فکر می‌کنم که حد آنچه می‌خواهیم به آن برسیم در واقع بسیار بالاتر است.

در طول ۵۰ سال گذشته، تا حدی، جاه‌طلبی ما برای بسیاری از اهداف در واقع کاهش یافته است. برای مثال، برخی مسائل بسیار روشن به نظر می‌رسند—آیا می‌توانیم اطمینان حاصل کنیم که همه پوشش سلامت دارند؟ و نه فقط «درمان وقتی مشکلی وجود دارد»، بلکه واقعاً به مراقبت‌های بهداشتی پیشگیرانه برسیم، بر سبک زندگی تمرکز کنیم، به مردم زود کمک کنیم، خطرات بالقوه را قبل از وقوع بیماری تشخیص دهیم. فکر می‌کنم در واقع می‌توانیم از مدل‌های هوشمندتر برای حل واقعی این نوع مسائل استفاده کنیم.

البته، شاید سطحی وجود داشته باشد که این مسئله به‌طور کامل حل شده باشد و در آن نقطه ممکن است بپرسید: آیا هنوز به مدلی دو برابر هوشمندتر نیاز دارم؟ اما در عین حال، قطعاً مسائل دیگری وجود خواهند داشت که سطح هوش بالاتری را می‌طلبند.

توان محاسباتی نه یک هزینه، بلکه یک موتور درآمد است

الکس:
بیایید درباره اعداد پشت ساخت این مراکز داده صحبت کنیم. اوایل امسال، ۱۱۰ میلیارد دلار جمع‌آوری کردید. ریاضیات آنجا چگونه کار کرد؟ آیا این پول مستقیماً به مراکز داده می‌رود؟ چگونه درباره بازگرداندن این پول به سرمایه‌گذاران در آینده فکر می‌کنید؟ درباره این منطق در محاسبات صحبت کنید.

گرگ براکمن:
فکر می‌کنم، اساساً، این بسیار ساده است: بزرگترین هزینه ما در حال حاضر توان محاسباتی است. اما نمی‌توانید فقط به توان محاسباتی به عنوان یک مرکز هزینه نگاه کنید؛ بیشتر شبیه یک مرکز درآمد است.

می‌توانید به آن به عنوان استخدام یک تیم فروش فکر کنید. چقدر مایل به استخدام فروشنده هستید؟ تا زمانی که محصول شما قابل فروش باشد، تا زمانی که مکانیزمی برای مقیاس‌بندی فروش این محصول داشته باشید، هرچه فروشندگان بیشتری استخدام کنید، درآمد بالاتر است.

و جهانی که در حال حاضر در آن هستیم این است که مدام متوجه می‌شویم فقط نمی‌توانیم محاسبات را به اندازه کافی سریع بسازیم تا با تقاضا همگام شویم. این را، من همین الان می‌توانم به‌طور ملموس احساس کنم. ما باید تصمیمات بسیار دردناکی بگیریم: کدام ویژگی‌ها می‌توانند زنده شوند، کدام ویژگی‌ها فعلاً نمی‌توانند؛ توان محاسباتی کجا اول می‌رود و کجا نمی‌رود.

و فکر می‌کنم، همان‌طور که کل اقتصاد به سمت یک اقتصاد مبتنی بر هوش مصنوعی تغییر می‌کند، این وضعیت بسیار گسترده‌تر احساس خواهد شد.

مسائل واقعی آینده چه خواهند بود: چه مسائلی می‌توانند آن نوع محاسبات عظیم را دریافت کنند؟ چگونه مقیاس‌بندی می‌کنید تا همه هوش مصنوعی شخصی خود را داشته باشند؟ چگونه همه را وادار می‌کنید از سیستم‌هایی مانند Codex استفاده کنند؟

در حال حاضر، به‌سادگی محاسبات کافی در جهان برای پشتیبانی از این چیزها وجود ندارد. بنابراین ما از قبل برای این مسئله آماده می‌شویم.

الکس:
اما این در نهایت یک دسته کاملاً جدید است، درست است؟ و شما از یک قطعیت بسیار قوی برای شرط‌بندی استفاده می‌کنید—چنین مبلغ بزرگی، تقریباً دیده نشده در جهان. وقتی در حال ایجاد یک دسته جدید هستید، چگونه می‌توانید اینقدر مطمئن باشید که در نهایت می‌ایستد؟

گرگ براکمن:
فکر می‌کنم چندین مؤلفه برای این وجود دارد.

اول، در واقع اکنون یک سابقه تاریخی وجود دارد. از لحظه‌ای که ChatGPT منتشر شد، به یاد دارم گفتگوی بسیار روشنی با خودم و تیم داشتم. کسی از من پرسید: چقدر محاسبات باید بخریم؟ گفتم: همه آن را. سپس کسی دوباره پرسید: نه، جدی، چقدر باید بخریم؟ گفتم: مهم نیست چگونه می‌سازیم، می‌دانم نمی‌توانیم با تقاضا همگام شویم.

و هر سال از آن زمان آن نکته را ثابت کرده است. چالش این است که چنین خریدهای توان هش معمولاً باید ۱۸ ماه از قبل قفل شوند، گاهی اوقات ۲۴ ماه، یا حتی طولانی‌تر. بنابراین، شما باید تماس را خیلی قبل از اینکه ماشین‌ها واقعاً تحویل داده شوند برقرار کنید. این یعنی باید فوق‌العاده آینده‌نگر باشید.

و جهانی که به سمت آن حرکت می‌کنیم این است: تا به امروز، بخش عمده درآمد ما همچنان از اشتراک‌های مصرف‌کننده می‌آید، که در آینده نیز بسیار مهم باقی خواهد ماند. البته، ما در حال ایجاد جریان‌های درآمدی دیگر نیز هستیم.

اما فرصت در حال ظهور و بزرگتر اکنون کار دانشی است.

و این را، ما قبلاً به‌طور بسیار ملموس دیده‌ایم: تقریباً هر شرکتی شروع به درک این کرده است که این فناوری در واقع مفید است و اگر می‌خواهند رقابتی باقی بمانند، باید آن را بپذیرند. می‌توانید آن حرکت بسیار طبیعی را ببینید، بسیاری از مهندسان نرم‌افزار قبلاً از آن استفاده می‌کنند؛ و اکنون شروع به دیدن تکثیر گسترده‌تر کرده‌اید، افرادی در داخل شرکت آن را در سناریوهای مختلف کار دانشی ادغام می‌کنند. و تمایل به پرداختی که در این صنعت ظهور کرده است و رشد درآمدی که می‌بینید، بسیار روشن است.

این همین الان در حال اتفاق افتادن است. فقط باید آن را برون‌یابی کنید. و یک چیزی که ممکن است واضح‌تر از دیگران ببینیم این است: ما می‌توانیم بهتر ببینیم که این مدل‌ها در مرحله بعد چگونه پیشرفت خواهند کرد.

با کنار هم قرار دادن همه این چیزها، متوجه می‌شوید: این اقتصاد خود یک چیز بسیار عظیم است، تقریباً به‌طور غیرقابل تصوری. و از این پس، محرک اصلی رشد برای این اقتصاد هوش مصنوعی خواهد بود—اینکه چقدر خوب می‌توانید از هوش مصنوعی استفاده کنید و چقدر توان هش برای هدایت آن دارید.

الکس:
شما همین الان اشاره کردید که اشتراک‌های مصرف‌کننده در حال حاضر بزرگترین منبع درآمد شما هستند. بنابراین، آیا قضاوت شما این است که در آینده، این معکوس خواهد شد و شرکت‌ها به بزرگترین منبع درآمد تبدیل خواهند شد؟

گرگ براکمن:
فکر می‌کنم اکنون بسیار روشن است که این «سمت سازمانی» به‌سرعت در حال رشد است. البته، خود اصطلاح «سمت سازمانی» نیز در حال تکامل است. زیرا آنچه واقعاً به آن اشاره دارد این است: افرادی که از هوش مصنوعی در کار دانشی سازنده استفاده می‌کنند.

و از نظر قیمت‌گذاری، فکر نمی‌کنم دسته‌ها لزوماً به اندازه گذشته واضح باشند. برای مثال، مدل استفاده فعلی Codex این است: اگر اشتراک مصرف‌کننده ChatGPT داشته باشید، قبلاً به Codex دسترسی دارید.

بنابراین فکر نمی‌کنم آینده چنین تقسیم متمایزی بین B2B و B2C باشد. سناریوی محتمل‌تر این است: به عنوان یک کاربر، یک نقطه ورود واحد خواهید داشت—درست مثل لپ‌تاپ‌تان، که دروازه شما به دنیای دیجیتال است.

و درآمد واقعی، اساساً، از اینجا خواهد آمد.

الکس:
داریو یک بار چیزی گفت و فکر می‌کنم ممکن بود درباره شما صحبت می‌کرد: برخی بازیگران شماره‌گیر ریسک را بیش از حد بالا برده‌اند و او بسیار نگران آن است. فکر می‌کنم او به شرط‌بندی زیرساختی عظیم شما اشاره می‌کرد. نظر شما درباره این اظهار نظر چیست؟

گرگ براکمن:
مخالفم. فکر می‌کنم ما همیشه بسیار محتاط بوده‌ایم و در واقع دیده‌ایم چه چیزی در راه است. معتقدم حتی فقط با نگاه به امسال، همه کسانی که واقعاً مشارکت داشته‌اند «محدودیت محاسباتی» را احساس خواهند کرد.

و فکر می‌کنم ما فقط زودتر از دیگران متوجه این شدیم، زودتر برای نحوه گسترش فناوری آماده شدیم.

در عوض آنچه دیده‌ام این است که بسیاری از شرکت‌کنندگان دیگر احتمالاً فقط در پایان سال گذشته متوجه این موضوع شدند و سپس برای یافتن محاسبات عجله کردند، فقط برای اینکه بفهمند تقریباً چیزی برای خرید باقی نمانده است.

بنابراین فکر می‌کنم گفتن چیزهایی شبیه به آن آسان است. اما واقعیت این است، همه اکنون متوجه می‌شوند: این فناوری قابل اجرا است، اینجاست، واقعی است. مهندسی نرم‌افزار فقط اولین مثال روشن آن است.

و آنچه واقعاً ما را محدود می‌کند محاسبات موجود است.

الکس:
او همچنین گفت که اگر پیش‌بینی‌اش حتی کمی منحرف شود، شرکتش ممکن است ورشکست شود. آیا شما با همان ریسک روبرو هستید؟

گرگ براکمن:
فکر می‌کنم در واقع بیشتر یک «دریچه تله» (trapdoor) در اینجا وجود دارد. اگر شروع به فکر کردن جدی درباره جنبه منفی کنید—و فکر می‌کنم این یک سوال کاملاً منصفانه است—متوجه خواهید شد که تا حدی، این شرط‌بندی واقعاً روی هیچ شرکت واحدی نبود.

این واقعاً روی کل صنعت بود. این شرط‌بندی روی این است: آیا باور دارید این فناوری می‌تواند ساخته شود و آیا می‌تواند ارزش عظیمی که امروز می‌بینیم را ارائه دهد؟

من مدام به آن اثبات‌های مستقیم برمی‌گردم. مانند مهندسی نرم‌افزار—اگر مهندس نرم‌افزار نیستید، اگر واقعاً از Codex استفاده نکرده‌اید، درک تفاوت تجربه از طریق خواندن دشوار است. آن تفاوت در واقع توصیفش دشوار است. اما فکر می‌کنم مردم به‌زودی واقعاً آن را احساس خواهند کرد.

شش ماه پیش، این نوع تجربه ملموس عمدتاً داخلی برای ما بود؛ بعداً، اثبات‌های بیرونی روشنی نیز وجود داشت. و در شش ماه دیگر، فکر می‌کنم همه آن را احساس خواهند کرد. و تا آن زمان، همه ما نوع دیگری از درد را احساس خواهیم کرد: مدل‌های عالی وجود دارند، اما نمی‌توانید از آن‌ها استفاده کنید زیرا به‌سادگی محاسبات کافی در جهان وجود ندارد.

الکس:
بله، اما وقتی داشتیم پیش‌بینی‌هایی برای سال ۲۰۲۶ در برنامه انجام می‌دادیم، بحثی در پایان سال گذشته وجود داشت. رانجان روی هم آنجا بود و گفت که ۲۰۲۶ سال «همه استفاده از یک عامل هوشمند» خواهد بود. واکنش من در آن زمان این بود: وقتی با چشمان خودم ببینم و وقتی واقعاً شروع به استفاده از یک عامل هوشمند کنم، باور خواهم کرد.

گرگ براکمن:
پس الان، آیا به آن لحظه نرسیده‌ایم؟ الان برای چه چیزی از آن استفاده می‌کنید؟

الکس:
من از آن برای ساخت برخی ابزارهای داخلی استفاده می‌کنم تا به افرادی که با آن‌ها کار می‌کنم کمک کنم وقتی ویدیوها آنلاین می‌شوند بهتر هماهنگ شوند، تامنیل‌ها چگونه باید انجام شوند و چیزهایی شبیه به آن. من همچنین مقداری داده از یوتیوب می‌کشم تا بتوانیم عملکرد ویدیو را بر اساس عواملی مانند تامنیل‌ها تحلیل کنیم. تا حدی، این مجموعه‌ای از نرم‌افزار است که خودم شخصی‌سازی کرده‌ام و اگر به روش سنتی انجام می‌شد، احتمالاً اصلاً پولی برای خرید آن خرج نمی‌کردم.

فکر می‌کنم این چیزی است که در حال حاضر آن را جالب می‌کند: نرم‌افزار در ابتدا در مقیاس انبوه برای عموم مردم تولید می‌شد، اما دقیقاً به همین دلیل، همیشه مکان‌های زیادی در آن وجود دارد که برای شما شخصی‌سازی نشده است. و شاید تغییری که هوش مصنوعی به ارمغان می‌آورد این است که بالاخره به ما اجازه می‌دهد با نرم‌افزار به روشی طبیعی‌تر تعامل کنیم.

گرگ براکمن:
فکر می‌کنم این کلید است. و یک چیزی که مدام به آن فکر می‌کردم این است: روشی که ما امروز کامپیوترها را می‌سازیم در واقع ما را به یک دنیای دیجیتال می‌کشد.

فکر کنید چقدر زمان صرف پیمایش مداوم محتوا در گوشی‌تان می‌کنید. سپس فکر کنید چقدر زمان صرف کلیک مداوم دکمه‌های مختلف می‌کنید، تلاش می‌کنید این سیستم را به آن سیستم متصل کنید—چرا این کارها باید توسط خودتان انجام شود؟ آنچه هوش مصنوعی واقعاً باید انجام دهد نزدیک‌تر کردن ماشین به شماست، شخصی‌سازی بیشتر آن برای شما و درک بیشتر آنچه می‌خواهید به آن برسید.

این ایده همیشه بخشی از فرهنگ پاپ ما بوده است: می‌توانید مستقیماً با کامپیوتر صحبت کنید و سپس کارها را برای شما انجام می‌دهد. و اکنون، این چیز شروع به تبدیل شدن به واقعیت کرده است، واقعاً تبدیل به چیزی شده که می‌توانید انجام دهید. میزان این تغییر واقعاً شگفت‌انگیز است و بسیاری اوقات باید خودتان آن را امتحان کنید تا واقعاً درک کنید. بنابراین واقعاً احساس می‌کنم که در لحظه بسیار ویژه‌ای هستیم.

الکس:
پس تعجب می‌کنم، چرا ادراک عمومی از هوش مصنوعی اینقدر منفی است؟ برای مثال، داده‌های YouGov نشان می‌دهد که در ایالات متحده، سه برابر بیشتر مردم معتقدند هوش مصنوعی تأثیر منفی بر جامعه خواهد داشت در مقایسه با کسانی که معتقدند تأثیر مثبت خواهد داشت.

فکر می‌کنید دلیل پشت آن چیست؟ آیا نگران تصویر عمومی هوش مصنوعی هستید؟

گرگ براکمن:
فکر می‌کنم یک چیزی که واقعاً باید انجام دهیم این است: به مردم این کشور نشان دهیم چرا هوش مصنوعی برای آن‌ها مفید است. و نه فقط از دیدگاه کلان اقتصادی، نه فقط گفتن اینکه رشد GDP و دیگر کلمات بزرگ از این دست را هدایت خواهد کرد، بلکه: چگونه واقعاً به‌طور خاص زندگی آن‌ها را بهبود می‌بخشد.

در واقع، من هر روز داستان‌های بسیار خاصی می‌شنوم. برای مثال، خانواده‌ای هستند که فرزندشان سردردهای مداوم و برخی مشکلات سلامتی دیگر داشته، اما اسکن MRI آن‌ها تأیید نشده است. بعداً، آن‌ها از ChatGPT برای تحقیق در مورد علائم استفاده کردند و متوجه شدند که در واقع می‌توانند از این برای ارائه پرونده قوی‌تری به شرکت بیمه استفاده کنند. آن‌ها این کار را کردند و معلوم شد کودک واقعاً توموری در مغزش داشته است. و به این دلیل بود که اطلاعات درست را از طریق ChatGPT به دست آوردند که زندگی کودک نجات یافت.

این فقط یک داستان است. داستان‌های بسیار، بسیار مشابهی وجود دارد. زندگی مردم به‌طور عمیق توسط این فناوری بهبود یافته است و برخی حتی توسط آن نجات یافته‌اند. نکته کلیدی این است که آن‌ها واقعاً در زندگی واقعی با این فناوری تعامل داشته‌اند.

اما احساس می‌کنم این نوع داستان‌ها واقعاً به‌طور گسترده به اشتراک گذاشته نشده‌اند. فکر می‌کنم این در زندگی بسیاری از مردم در حال اتفاق افتادن است، اما به دلایلی، هنوز واقعاً به یک روایت اصلی تبدیل نشده است.

من همچنین متوجه شده‌ام که فرهنگ عامه، به‌ویژه تخیلی که از دهه ۱۹۹۰ باقی مانده است، درباره هوش مصنوعی بسیار منفی است، همیشه بر آنچه می‌تواند اشتباه پیش برود تأکید می‌کند. اما وقتی مردم واقعاً شروع به استفاده از هوش مصنوعی می‌کنند، متوجه می‌شوند که ارزش عملی دارد، که مفید است.

بنابراین من اهمیت زیادی به این می‌دهم: ما واقعاً در کمک به مردم برای درک اینکه چرا این موج فناوری زندگی آن‌ها را بهبود خواهد بخشید، چرا ارتباطات نزدیک‌تری بین انسان‌ها ترویج خواهد کرد، موفق نشده‌ایم.

این تمرکز بسیار مهمی برای من است. و اگر دیدگاه خود را کمی گسترش دهید تا ببینید چرا هوش مصنوعی اینقدر مهم است، فکر می‌کنم به منبع مهمی از قدرت اقتصادی و امنیت ملی در آینده تبدیل خواهد شد. این بر رقابت‌پذیری یک کشور تأثیر خواهد گذاشت. و کشورهای دیگر مانند چین جهت تقریباً کاملاً متضادی را در هوش مصنوعی نشان داده‌اند.

بنابراین، بله، فکر می‌کنم این بسیار مهم است. ما باید با آن روبرو شویم و واقعاً باید بفهمیم چگونه اطمینان حاصل کنیم که همه می‌توانند از مزایای این فناوری بهره‌مند شوند.

الکس:
اما ما همچنین در لحظه بسیار ناپایداری در حال حاضر هستیم. مردم بسیار نگران شغل هستند. هر بار که با کسی درباره هوش مصنوعی صحبت می‌کنم، تقریباً همیشه می‌پرسند: چقدر می‌توانم شغلم را حفظ کنم؟

و سپس وقتی صحبت از مراکز داده می‌شود، ادراک عمومی از آن‌ها حتی بدتر از خود هوش مصنوعی است. اگر به این نظرسنجی‌های افکار عمومی نگاه کنید، متوجه خواهید شد که افراد بیشتری معتقدند مراکز داده تأثیر منفی بر محیط زیست، هزینه‌های انرژی خانگی و کیفیت زندگی ساکنان اطراف خواهند داشت، تا تأثیر مثبت.

بنابراین ما خود را در لحظه‌ای می‌یابیم که یافتن شغل‌های خوب به‌طور فزاینده‌ای دشوار است و مردم می‌بینند مراکز داده وارد جامعه‌شان می‌شوند و فکر می‌کنند، «این چیز نه سازگار با محیط زیست است و نه از نظر انرژی مقرون‌به‌صرفه است و کیفیت زندگی ما را پایین خواهد آورد.»

آیا آن‌ها اشتباه می‌کنند؟

گرگ براکمن:
فکر می‌کنم در واقع اطلاعات غلط زیادی پیرامون مراکز داده وجود دارد.

یک مثال بسیار معمولی مسئله مصرف آب است. اگر واقعاً بروید و به تأسیسات ما در ابیلین نگاه کنید، که بزرگترین در جهان است، یا حداقل یکی از بزرگترین تأسیسات ابررایانه‌ای است، کل مصرف آب سالانه آن در واقع معادل مصرف یک خانوار متوسط برای یک سال است. به عبارت دیگر، مصرف آب در واقع حداقل است.

اما اطلاعات غلط زیادی وجود دارد که باعث می‌شود مردم باور کنند این مراکز داده مقدار زیادی از منابع آب را مصرف می‌کنند.

برق وضعیت مشابهی دارد. ما متعهد شده‌ایم که هزینه‌ها را خودمان تحمل کنیم و فشار افزایش قیمت برق را به ساکنان منتقل نکنیم. این مهم است و اکنون کل صنعت شروع به انجام تعهدات مشابه کرده است زیرا بهبود جامعه محلی در واقع بسیار مهم است. و وقتی ما یک مرکز داده می‌سازیم، همچنین واقعاً با این جوامع محلی تعامل می‌کنیم تا بفهمیم چه چیزی در سطح محلی در حال وقوع است و چه کاری می‌توانیم برای کمک انجام دهیم. مراکز داده درآمد مالیاتی می‌آورند و شغل ایجاد می‌کنند. این واقعاً مزایای زیادی به همراه دارد.

بنابراین فکر می‌کنم نکته کلیدی همچنان نحوه حضور ماست و این مسئولیتی است که ما بسیار جدی می‌گیریم.

الکس:
خوب، اما اگر قبض برق ساکنان افزایش نیابد، همچنان باید برق بیاورید، که ممکن است به معنای آلودگی بیشتر باشد. آیا این یک مشکل نیست؟

گرگ براکمن:
فکر می‌کنم در واقع لایه‌های ظریف‌تری برای این وجود دارد.

اگر به نحوه عملکرد شبکه برق امروز نگاه کنید، متوجه خواهید شد که در واقع «برق بیکار» زیادی وجود دارد—یعنی برق زیادی قبلاً وجود دارد اما به‌طور کامل استفاده نمی‌شود. در عین حال، خود سیستم انتقال نیاز به ارتقاء دارد. و نکته کلیدی این است که این هزینه‌های ارتقاء باید توسط ما تحمل شود، نه توسط نرخ‌دهندگان عادی، که بسیار مهم است. مکان‌های زیادی وجود دارد که انرژی پاک در دسترس است، اما این برق در واقع به‌طور کامل استفاده نمی‌شود و حتی تا حدی هدر می‌رود.

بنابراین، وقتی تقاضا از مراکز داده می‌آید، در واقع انگیزه واقعی برای ارتقاء آن شبکه‌های قدیمی و فرسوده ایجاد می‌کند. و این ارتقاء، در واقع، مزایای واقعی برای جامعه به همراه دارد. برای مثال، در داکوتای شمالی، دیده‌ایم که ساخت یک مرکز داده محلی در واقع به بهبود زیرساخت‌های شهری کمک کرده و منجر به کاهش قیمت برق مسکونی شده است.

الکس:
خوب، یک سوال سیاسی نهایی. شما ۲۵ میلیون دلار به MAGA Inc. اهدا کردید، که یک کمیته اقدام سیاسی حامی ترامپ است.

گرگ براکمن:
شما قبلاً با کارا هم درباره این صحبت کرده‌اید.

یادداشت: کارا سویشر، یک روزنامه‌نگار برجسته فناوری آمریکایی، شناخته‌شده برای پرسش‌های تند و سبک مستقیمش، مدت‌ها سیلیکون‌ولی و شرکت‌های اینترنتی را پوشش داده است.

الکس:
درست است. شما در آن زمان گفتید، «هر چیزی که کمک کند این فناوری واقعاً به نفع همه باشد، انجام خواهم داد.» اگر این شما را به یک «رأی‌دهنده تک‌موضوعی» یا «اهداکننده تک‌موضوعی» تبدیل می‌کند، بگذار باشد. اما آنچه همیشه برایم سوال بوده این است: برای این نوع «اردوگاه تک‌موضوعی»، آیا ستاره قطبی نهایی هر اقدام سیاسی نباید «قوی‌تر کردن این کشور» باشد؟

به عبارت دیگر، حتی اگر یک نامزد به‌طور کامل از آنچه انجام می‌دهید حمایت نکند، اگر بتوانند این کشور را قوی‌تر کنند، آیا نباید آن هم یک معیار کلیدی برای حمایت سیاسی باشد؟ اگر چنین است، آیا این هم بخشی از ملاحظات اهدای شماست؟

گرگ براکمن:
این‌طور می‌بینم: آن اهدا تصمیمی بود که من و همسرم با هم گرفتیم. ما همچنین به سوپر PACها در هر دو طرف راهرو کمک مالی کرده‌ایم.

احساس می‌کنم این فناوری بسیار سریع در حال آمدن است. در چند سال آینده، واقعاً همه چیز را تغییر خواهد داد و به زیربنای کل اقتصاد تبدیل خواهد شد. اما هنوز محبوب نیست. بنابراین ما بسیار می‌خواهیم از آن چهره‌های سیاسی حمایت کنیم که واقعاً مایل به پذیرش این فناوری هستند، کسانی که واقعاً این فناوری را درک می‌کنند.

البته، در سطح گسترده‌تر، خود این فناوری در واقع قابلیت‌های کشور ما را ارتقا می‌دهد. به نوعی، من در واقع یک «رأی‌دهنده تک‌موضوعی» هستم زیرا معتقدم این حوزه‌ای است که می‌توانم سهم منحصربه‌فردی داشته باشم. اما در نهایت، این همچنان درباره ابراز حمایت است: به عنوان یک کشور، باید به‌طور فعال این فناوری را بپذیریم.

قابلیت اصلی آینده: نه استفاده از هوش مصنوعی، بلکه «مدیریت هوش مصنوعی»

الکس:
اگر کسی همین الان جلوی شما نشسته باشد که بسیار از هوش مصنوعی می‌ترسد، فکر می‌کند هوش مصنوعی شغلش را می‌گیرد، جامعه‌اش را خراب می‌کند، جهان را خیلی سریع تغییر می‌دهد، به او چه می‌گویید؟

گرگ براکمن:
تنها چیزی که بیشتر از همه می‌خواهم بگویم این است: بروید این ابزارها را خودتان امتحان کنید. زیرا فقط وقتی واقعاً هوش مصنوعی که همین الان وجود دارد را تجربه کرده باشید، واقعاً خواهید فهمید که چه کاری می‌تواند برای شما انجام دهد.

و امروز ما قبلاً فرصت‌ها، پتانسیل‌ها و توانمندسازی‌های زیادی از این فناوری دیده‌ایم. شما همین الان گفتید که الان می‌توانید با آن چه کار کنید، درست است؟ افرادی که هرگز قبلاً وب‌سایت نساخته‌اند اکنون می‌توانند یکی بسازند؛ اگر می‌خواهید یک کسب‌وکار کوچک راه بیندازید، قبلاً ممکن بود توسط فرآیندهای مختلف بک‌اند و جزئیات عملیاتی غرق شوید، اما اکنون هوش مصنوعی می‌تواند در بسیاری از این چیزها به شما کمک کند.

بنابراین فکر می‌کنم، برای زندگی خودتان، باید فکر کنید: آیا می‌تواند به شما در مدیریت سلامت‌تان کمک کند؟ آیا می‌تواند به شما در مراقبت از عزیزانتان کمک کند؟ آیا می‌تواند به شما در پول درآوردن کمک کند؟ آیا می‌تواند به شما در پس‌انداز پول کمک کند؟ همه این‌ها گزینه‌های واقعی خواهند بود.

فکر می‌کنم مردم همیشه دیدن «چه چیزی تغییر خواهد کرد» را آسان‌تر می‌بینند اما دیدن «آنچه به دست خواهند آورد» را آسان نمی‌بینند. با این حال، معتقدم ارزشش را دارد که به آن فرصتی منصفانه بدهید، تا واقعاً درک کنید هر طرف ترازو واقعاً چه چیزی را نشان می‌دهد.

الکس:
به هر حال، این هم نکته‌ای است که به‌ندرت در نظرسنجی‌ها مورد بحث قرار می‌گیرد. کسانی که فقط «نام هوش مصنوعی را شنیده‌اند» اما هرگز واقعاً خودشان از آن استفاده نکرده‌اند، یا به‌سختی از هوش مصنوعی استفاده کرده‌اند، تمایل دارند منفی‌تر باشند. وقتی به یک کاربر سنگین، یا حتی فقط یک کاربر معمولی تبدیل می‌شوید، دیدگاه شما نسبت به این فناوری معمولاً بسیار مثبت‌تر است.

گرگ براکمن:
برای شخص من، ما سال‌هاست که به این فناوری فکر می‌کنیم. و اکنون، روشی که می‌بینم واقعیت در حال آشکار شدن است حتی شگفت‌انگیزتر و مفیدتر از آن چیزی است که تصور می‌کردیم و تأثیر بسیار مثبت‌تری نسبت به آنچه انتظار داشتیم خواهد داشت.

الکس:
یک سوال آخر. اگر کسی از شما بپرسد، «چگونه باید برای آینده آماده شوم؟» چگونه پاسخ می‌دهید؟

و این پاسخ نمی‌تواند فقط «برو از یک ابزار استفاده کن» باشد. زیرا من واقعاً دوستانی دارم که پیش من می‌آیند و می‌پرسند، «نمی‌دانم چه اتفاقی برای شغلم خواهد افتاد، نمی‌دانم چه اتفاقی برای این جهان خواهد افتاد، فقط می‌خواهم بدانم الان چه کار کنم.»

گرگ براکمن:
من همچنان فکر می‌کنم اولین چیز درک این فناوری است. ما دیده‌ایم که کسانی که واقعاً بیشترین بهره را از این فناوری می‌برند اغلب کسانی هستند که با کنجکاوی به آن نزدیک می‌شوند. آن‌ها واقعاً آن را در گردش کار خود ادغام می‌کنند، تلاشی برای غلبه بر آستانه اولیه انجام می‌دهند—روبرو شدن با یک کادر ورودی خالی و آن حس «اصلاً با آن چه کار کنم.»

شما باید به‌تدریج حس عاملیت را پرورش دهید: من می‌توانم یک مدیر باشم؛ می‌توانم جهت‌گیری‌ها را تعیین کنم؛ می‌توانم وظایف را واگذار کنم؛ می‌توانم نظارت کنم. و شما باید واقعاً این قابلیت را توسعه دهید زیرا به یک مهارت بسیار بنیادی تبدیل خواهد شد.

ما در حال ساخت این فناوری برای کمک به بشریت هستیم، برای ترویج ارتباطات بیشتر بین انسان‌ها، برای دادن زمان بیشتر به مردم برای انجام آنچه واقعاً می‌خواهند انجام دهند. بنابراین، سوال در نهایت این خواهد بود: شما واقعاً چه می‌خواهید؟ و چیز واقعاً مهم این است که این را شفاف کنید و از این فناوری برای دستیابی به آن استفاده کنید.

الکس:
درست است. خیلی ممنون که به برنامه آمدید.

گرگ براکمن:

ممنون بابت دعوت.

الکس:
همچنین، ممنون از همه بابت گوش دادن و تماشا کردن. دفعه بعد در پادکست Big Technology می‌بینمتان.

[لینک ویدیو]