هوش مصنوعی مفهوم نیروی کار را تغییر داده؛ برنامه‌ریزی شرکت‌ها هنوز عقب است

هوش مصنوعی تنها وظایف کارکنان را تغییر نمی‌دهد، بلکه مفهوم نیروی کار و شیوه برنامه‌ریزی سازمان‌ها را نیز دگرگون کرده است. اکنون کارکنان، پیمانکاران و سیستم‌های هوشمند در کنار یکدیگر فعالیت می‌کنند، اما بسیاری از شرکت‌ها هنوز با مدل‌های قدیمی تصمیم‌گیری پیش می‌روند. کارشناسان معتقدند آینده کسب‌وکارها به توانایی آنها در طراحی دوباره رابطه میان انسان، مهارت و هوش مصنوعی وابسته خواهد بود.

گسترش سریع هوش مصنوعی در محیط‌های کاری، تنها شیوه انجام وظایف را تغییر نداده، بلکه مفهوم «نیروی کار» و نحوه برنامه‌ریزی برای آن را نیز وارد مرحله تازه‌ای کرده است. با این حال، بسیاری از سازمان‌ها همچنان از مدل‌های برنامه‌ریزی سنتی استفاده می‌کنند؛ مدل‌هایی که برای دنیای امروز، یعنی همکاری هم‌زمان کارکنان، پیمانکاران و سیستم‌های هوشمند، طراحی نشده‌اند.

در ساختار سنتی سازمان‌ها، هر بخش معمولاً تنها بخشی از معادله نیروی کار را مدیریت می‌کند. واحد منابع انسانی بر کارکنان و مهارت‌ها تمرکز دارد، بخش مالی اهداف و هزینه‌های مربوط به تعداد کارکنان را دنبال می‌کند و واحد تدارکات نیز هزینه‌های پیمانکاران و خدمات خارجی را مدیریت می‌کند. این پراکندگی باعث می‌شود مدیران نتوانند به‌طور جامع بررسی کنند که تصمیمات مربوط به نیروی کار چگونه بر عملکرد و نتایج کسب‌وکار تأثیر می‌گذارند.

برنامه‌ریزی پراکنده و ایجاد نقاط کور در نیروی کار


هر بخش معمولاً سیستم‌های اطلاعاتی، چرخه‌های برنامه‌ریزی و فرضیات خاص خود را درباره نحوه انجام کار دارد. نتیجه چنین وضعیتی، شکل‌گیری نقاط کور در تصمیم‌گیری‌های مربوط به نیروی کار است.

بر اساس پژوهش اخیر SAP، حدود ۶۲ درصد از مدیران ارشد از میزان فعلی یکپارچگی میان داده‌های مربوط به کارکنان و عملکرد کسب‌وکار رضایت ندارند. این بررسی همچنین نشان می‌دهد که اگرچه ۵۰ درصد از سازمان‌ها در حال برنامه‌ریزی برای تأثیر هوش مصنوعی بر بهره‌وری و ظرفیت کاری هستند، تنها ۲۱ درصد از آنها برای تأثیر این فناوری بر طراحی مشاغل و ساختار سازمانی برنامه‌ریزی می‌کنند.

این شکاف اهمیت زیادی دارد، زیرا بهره‌وری، طراحی شغل، ساختار تیم‌ها و مهارت‌های مورد نیاز به یکدیگر وابسته‌اند. سازمانی که قصد دارد بخشی از فعالیت‌های خود را خودکار کند، نمی‌تواند بدون درک تأثیر این اقدام بر نقش کارکنان، تیم‌ها و مهارت‌های مورد نیاز، تصمیم دقیقی بگیرد.

با این حال، بسیاری از شرکت‌ها همچنان این مسائل را به‌صورت جداگانه بررسی می‌کنند و اغلب زمانی متوجه ناهماهنگی میان تصمیمات خود می‌شوند که برای اصلاح آنها دیر شده است.

تعریف نیروی کار تغییر کرده، اما برنامه‌ریزی همچنان سنتی است


مفهوم نیروی کار طی سال‌های اخیر به‌تدریج گسترده‌تر شده است، اما بسیاری از مدل‌های برنامه‌ریزی هنوز با این تحول همگام نشده‌اند.

امروزه کارکنان تنها نیروی انجام‌دهنده فعالیت‌های سازمان نیستند. پیمانکاران، شرکای تخصصی و سیستم‌های مبتنی بر هوش مصنوعی نیز در انجام وظایف عملیاتی نقش دارند. هوش مصنوعی دیگر صرفاً یک ابزار پشتیبانی نیست و در بسیاری از سازمان‌ها، بخشی از فعالیت‌های واقعی و روزمره کسب‌وکار را بر عهده گرفته است.

در برخی مدل‌های کسب‌وکار نیز نیروی کار خارجی و دیجیتال از یک نقش مکمل فراتر رفته و به بخش مهمی از ساختار عملیاتی سازمان تبدیل شده است.

این تحول، ماهیت تصمیم‌گیری درباره نیروی کار را تغییر می‌دهد. برای مثال، خودکارسازی یک فرایند می‌تواند به‌طور هم‌زمان بر تعداد کارکنان، نیازهای مهارتی، هزینه‌های خدمات و فرضیات مربوط به بهره‌وری اثر بگذارد.

به همین ترتیب، سرمایه‌گذاری در آموزش و توسعه مهارت‌ها می‌تواند وابستگی یک سازمان به پیمانکاران خارجی را کاهش دهد. در مقابل، افزایش استفاده از پیمانکاران ممکن است یک کمبود فوری در ظرفیت کاری را جبران کند، اما در بلندمدت مشکلات مربوط به توسعه توانمندی‌های داخلی سازمان را تشدید کند.

با وجود این ارتباط پیچیده، بسیاری از سازمان‌ها همچنان این تصمیمات را جدا از یکدیگر و توسط تیم‌هایی با داده‌ها و دیدگاه‌های متفاوت اتخاذ می‌کنند.

پرسش اصلی دیگر «استخدام یا اتوماسیون» نیست


در شرایط جدید، پرسش اصلی برای سازمان‌ها دیگر این نیست که آیا باید نیروی جدید استخدام کنند، فعالیت‌ها را خودکار کنند یا مهارت‌های کارکنان را توسعه دهند. سؤال مهم‌تر این است که کار چگونه باید میان انسان‌ها و سیستم‌های هوشمند تقسیم شود و هزینه هر مدل چه خواهد بود؟

بسیاری از ساختارهای سنتی برنامه‌ریزی سازمانی اساساً برای پاسخ دادن به چنین پرسشی طراحی نشده‌اند. همین مسئله باعث شده است مدیران ارشد مالی و مدیران ارشد منابع انسانی بیش از گذشته به همکاری با یکدیگر نیاز داشته باشند.

مدیران مالی باید داده‌های اقتصادی و مالی را به تصمیمات عملیاتی، به‌ویژه تصمیمات مربوط به هزینه‌های نیروی کار، مرتبط کنند. در سوی دیگر، مدیران منابع انسانی نیز دیگر تنها با موضوعات سنتی مدیریت استعداد روبه‌رو نیستند و باید درباره طراحی مشاغل و ایجاد تعادل میان نیروی کار انسانی و دیجیتال تصمیم بگیرند.

هیچ‌یک از این دو گروه به‌تنهایی نمی‌توانند پاسخ کاملی به این پرسش‌ها ارائه دهند.

از بودجه‌بندی سالانه تا هدایت مداوم نیروی کار


سازمان‌هایی که توانسته‌اند خود را بهتر با این شرایط سازگار کنند، برنامه‌ریزی نیروی کار را دیگر یک مذاکره سالانه برای تعیین بودجه نمی‌دانند. آنها این فرایند را به یک فعالیت عملیاتی و راهبردی مداوم تبدیل کرده‌اند.

در چنین مدلی، بخش‌های مالی، منابع انسانی و تدارکات به تصویری مشترک از ظرفیت، مهارت‌ها و هزینه‌های نیروی کار دسترسی دارند؛ به جای آنکه پس از وقوع رویدادها، سه تصویر متفاوت را با یکدیگر تطبیق دهند.

همچنین سازمان‌ها باید سناریوهایی را طراحی کنند که در آنها استخدام، بازآموزی و ارتقای مهارت، خودکارسازی و استفاده از نیروی کار خارجی به‌عنوان ابزارهایی مرتبط با یکدیگر بررسی شوند، نه موضوعاتی جداگانه.

معیارهای سنجش نیز در حال تغییر هستند. تعداد کارکنان، هزینه نیروی کار و بهره‌وری همچنان اهمیت دارند، اما دیگر نمی‌توانند به‌تنهایی تصویر کاملی از وضعیت سازمان ارائه دهند.

با گسترش هوش مصنوعی در عملیات، مدیران به شاخص‌های تازه‌ای نیاز دارند؛ از جمله میزان آمادگی مهارت‌های موجود برای تحقق اهداف راهبردی، نحوه تقسیم واقعی کار میان کارکنان و سیستم‌های هوشمند و اینکه آیا اتوماسیون واقعاً ظرفیت جدیدی ایجاد می‌کند یا صرفاً فشار کاری را به بخش‌های دیگر سازمان منتقل می‌کند.

سازمان‌هایی که چنین شاخص‌هایی را به‌طور مستمر بررسی می‌کنند، معمولاً تصمیمات متفاوت‌تری درباره محل سرمایه‌گذاری و نحوه توسعه ظرفیت‌های خود می‌گیرند. مزیت اصلی آنها فقط دسترسی به اطلاعات بیشتر نیست، بلکه توانایی طرح پرسش‌های دقیق‌تر و راهبردی‌تر است.

چالش اصلی، فناوری نیست


اگرچه اتصال داده‌های منابع انسانی، مالی و تدارکات می‌تواند زمینه تصمیم‌گیری بهتر را فراهم کند، اما خود فناوری به‌تنهایی نمی‌تواند این مشکل را حل کند.
چالش اصلی، هماهنگی میان مدیران و رهبران سازمان است. مدیران مالی و منابع انسانی باید درباره معیارهای مشترک به توافق برسند، چرخه‌ای هماهنگ برای برنامه‌ریزی ایجاد کنند و تصمیمات مربوط به نیروی کار را همواره با راهبردهای کسب‌وکار مرتبط نگه دارند.

همچنین لازم است رابطه‌ای میان این بخش‌ها شکل بگیرد که در آن، هیچ‌کدام صرفاً تصمیمی را که بخش دیگر از قبل گرفته است تأیید نکند. در واقع، مسئله اصلی یک چالش مدیریتی و سازمانی است، نه صرفاً یک مسئله فناوری که بتوان با خرید یک پلتفرم جدید آن را برطرف کرد.

در نهایت، سازمان‌هایی که بتوانند برنامه‌ریزی نیروی کار خود را با واقعیت جدید هماهنگ کنند، نه‌تنها به داده‌های بهتر دسترسی خواهند داشت، بلکه درک روشن‌تری از چگونگی خلق ارزش توسط کارکنان، پیمانکاران و سیستم‌های هوشمند به دست خواهند آورد.

در مقابل، سازمان‌هایی که همچنان با مدل‌های قدیمی تصمیم‌گیری کنند، ممکن است در شرایطی به تصمیم‌گیری درباره آینده نیروی کار ادامه دهند که سرعت تغییرات افزایش یافته و هزینه اشتباهات نیز بیش از گذشته شده است.

گوگل Gemini Flash 3.8 را عرضه کرد؛ هوش مصنوعی قدرتمند با هزینه‌ای بسیار پایین

گوگل با معرفی Gemini Flash 3.8، مدل هوش مصنوعی جدیدی را به میدان رقابت آورده که هم سرعت بالایی دارد و هم با هزینه نسبتاً پایین عرضه می‌شود. این مدل از پنجره متنی بیش از یک میلیون توکن و قابلیت انجام وظایف پیچیده برنامه‌نویسی و استدلال چندمرحله‌ای برخوردار است. گوگل همچنین نسخه تخصصی Gemini 3.8 Flash Cyber را برای شناسایی و رفع آسیب‌پذیری‌های نرم‌افزاری معرفی کرده است.

گوگل در ادامه رقابت فشرده خود با دیگر شرکت‌های بزرگ فناوری، مدل هوش مصنوعی جدیدی با نام Gemini Flash 3.8 را معرفی کرده است؛ مدلی که با تمرکز بر سرعت، توانایی استدلال چندمرحله‌ای و هزینه پایین‌تر، توسعه‌دهندگان را هدف قرار می‌دهد.

Gemini Flash 3.8 سومین نسل از خانواده مدل‌های Flash گوگل محسوب می‌شود و تنها حدود ۶ هفته پس از نسل قبلی معرفی شده است. گوگل با این مدل تلاش دارد فاصله میان مدل‌های سریع و ارزان‌قیمت و مدل‌های قدرتمندتر برای انجام وظایف پیچیده را کاهش دهد.

مدل جدید به‌طور ویژه برای مدیریت نرم‌افزارهای پیچیده، برنامه‌نویسی و وظایف چندمرحله‌ای طراحی شده و در عین ارائه قابلیت‌های پیشرفته، همچنان روی سرعت و هزینه پایین تمرکز دارد.

پنجره متنی بیش از یک میلیون توکن


یکی از قابلیت‌های مهم Gemini Flash 3.8، پنجره متنی بسیار بزرگ آن است. این مدل می‌تواند بیش از یک میلیون توکن را در ورودی پردازش کند و حداکثر ۶۵۵۳۶ توکن خروجی را در اختیار کاربر قرار دهد.

چنین ظرفیتی می‌تواند برای توسعه برنامه‌های تعاملی پیچیده، تحلیل حجم زیادی از اطلاعات و اجرای پروژه‌های نرم‌افزاری گسترده اهمیت داشته باشد.

گوگل همچنین امکان انتخاب میان سه سطح تفکر پایین، متوسط و بالا را فراهم کرده است. به این ترتیب، توسعه‌دهندگان می‌توانند بسته به پیچیدگی وظیفه، میان سرعت پاسخ‌گویی، توان پردازشی و هزینه تعادل ایجاد کنند.

عملکرد قدرتمند با هزینه کمتر


گوگل Gemini Flash 3.8 را با قیمت تبلیغاتی ۰٫۷۵ دلار به ازای هر یک میلیون توکن ورودی و ۳٫۷۵ دلار به ازای هر یک میلیون توکن خروجی عرضه کرده است. این قیمت‌گذاری تبلیغاتی قرار است تا پایان دسامبر ۲۰۲۶ ادامه داشته باشد.

یکی از نکات قابل توجه درباره این مدل، توانایی آن در انجام مراحل استدلال بیشتر برای افزایش دقت پاسخ‌هاست. Gemini Flash 3.8 همچنین می‌تواند از چندین ابزار نرم‌افزاری برای انجام وظایف پیچیده استفاده کند، بدون اینکه هزینه مستقیمی بابت این مراحل اضافی از کاربر دریافت شود.

نتایج برخی آزمون‌های فنی نیز عملکرد قابل توجه این مدل را نشان می‌دهد. Gemini Flash 3.8 در آزمون برنامه‌نویسی پیچیده DeepSWE v1.1 به امتیاز ۷۳٫۷ درصد رسیده است؛ عملکردی که آن را در محدوده برخی مدل‌های پولی قدرتمند قرار می‌دهد.

این مدل در آزمون Terminal-Bench 2.1 نیز امتیاز ۸۹٫۴ درصد و در آزمون مالی Vals Finance امتیاز ۶۱٫۴ درصد را به دست آورده است.

نسخه ویژه برای امنیت سایبری


هم‌زمان با معرفی Gemini Flash 3.8، گوگل مدل تخصصی دیگری با نام Gemini 3.8 Flash Cyber را نیز معرفی کرده است.

این مدل به‌طور اختصاصی برای حوزه امنیت سایبری توسعه یافته و از طریق برنامه‌ای موسوم به Fairwind در اختیار تیم‌های دفاع دیجیتال و سازمان‌های دولتی قرار می‌گیرد.

تمرکز اصلی Gemini 3.8 Flash Cyber بر شناسایی و برطرف کردن خودکار آسیب‌پذیری‌های نرم‌افزاری است. چنین قابلیتی می‌تواند به تیم‌های امنیتی در شناسایی سریع‌تر مشکلات و کاهش زمان مورد نیاز برای واکنش به تهدیدهای سایبری کمک کند.

عرضه این نسخه نشان می‌دهد گوگل علاوه بر توسعه مدل‌های عمومی، به دنبال استفاده تخصصی از هوش مصنوعی در حوزه‌هایی مانند امنیت نرم‌افزار و دفاع سایبری نیز است.

مدل ارزان‌تر، فرصت بیشتر برای توسعه‌دهندگان


یکی از مهم‌ترین پیام‌های عرضه Gemini Flash 3.8، تلاش گوگل برای کاهش هزینه استفاده از مدل‌های پیشرفته هوش مصنوعی است.

هزینه پردازش مدل‌های قدرتمند یکی از موانع اصلی توسعه ابزارهای مبتنی بر هوش مصنوعی محسوب می‌شود؛ به‌ویژه برای استارتاپ‌ها و توسعه‌دهندگان کوچک که منابع مالی محدودی دارند.

مدلی مانند Gemini Flash 3.8 می‌تواند به توسعه‌دهندگان اجازه دهد عوامل هوش مصنوعی و برنامه‌های خودکار پیچیده‌تری بسازند، بدون اینکه هزینه پردازش به سرعت افزایش پیدا کند.

این موضوع در توسعه نسل جدید عامل‌های هوش مصنوعی (AI Agents) اهمیت ویژه‌ای دارد؛ زیرا این ابزارها برای انجام وظایف چندمرحله‌ای به پردازش مداوم و استفاده از ابزارهای مختلف نیاز دارند.

قیمت Gemini Flash 3.8 در آینده افزایش می‌یابد


البته قیمت فعلی Gemini Flash 3.8 دائمی نیست. بر اساس برنامه اعلام‌شده، گوگل قصد دارد از سال ۲۰۲۷ قیمت استاندارد این مدل را افزایش دهد.

قیمت ورودی از ۰٫۷۵ دلار به ۱٫۵۰ دلار و قیمت خروجی از ۳٫۷۵ دلار به ۷٫۵۰ دلار به ازای هر یک میلیون توکن خواهد رسید.

با وجود این افزایش، مدل جدید همچنان در دسته مدل‌هایی قرار می‌گیرد که تلاش می‌کنند میان توانایی‌های پیشرفته، سرعت پاسخ‌گویی و هزینه استفاده تعادل ایجاد کنند.

رقابت هوش مصنوعی وارد مرحله تازه‌ای شده است


عرضه Gemini Flash 3.8 نشان می‌دهد رقابت میان شرکت‌های بزرگ هوش مصنوعی دیگر صرفاً بر سر ساخت قدرتمندترین مدل ممکن نیست. اکنون سرعت، هزینه پردازش و توانایی اجرای وظایف پیچیده به همان اندازه اهمیت پیدا کرده‌اند.

گوگل با خانواده Gemini Flash تلاش می‌کند مدلی ارائه دهد که برای استفاده گسترده در محصولات و برنامه‌های روزمره مناسب باشد؛ مدلی که از یک سو توانایی انجام وظایف پیچیده را داشته باشد و از سوی دیگر هزینه استفاده از آن برای توسعه‌دهندگان قابل کنترل باقی بماند.

اگر این روند ادامه پیدا کند، احتمالاً رقابت اصلی در بازار هوش مصنوعی در سال‌های آینده بر سر ارائه مدل‌هایی خواهد بود که بتوانند هوش بیشتر را با هزینه کمتر و سرعت بالاتر در اختیار کاربران و توسعه‌دهندگان قرار دهند.

آیا هوش مصنوعی گوگل در حال پایان دادن به عصر کلیک روی سایت‌های خبری است؟

گوگل با توسعه جست‌وجوی مبتنی بر هوش مصنوعی، شیوه دسترسی کاربران به اطلاعات را تغییر می‌دهد؛ تغییری که می‌تواند آینده ترافیک وب‌سایت‌های خبری را تحت تأثیر قرار دهد. قابلیت‌هایی مانند AI Overviews و AI Mode پاسخ بسیاری از پرسش‌ها را مستقیماً در صفحه جست‌وجو ارائه می‌کنند و نیاز به کلیک روی لینک‌ها را کاهش می‌دهند. اکنون ناشران با یک پرسش مهم روبه‌رو هستند: آیا در عصر جست‌وجوی هوش مصنوعی، گوگل همچنان می‌تواند موتور اصلی جذب مخاطب برای وب‌سایت‌های خبری باشد؟

گوگل با گسترش قابلیت‌های جست‌وجوی مبتنی بر هوش مصنوعی، در حال تغییر یکی از مهم‌ترین عادت‌های کاربران اینترنتی است؛ عادتی که سال‌ها بر کلیک روی لینک‌ها و ورود به وب‌سایت‌ها برای یافتن پاسخ استوار بوده است. اکنون قابلیت‌هایی مانند AI Overviews و AI Mode می‌توانند پاسخ بسیاری از پرسش‌ها را مستقیماً در صفحه نتایج جست‌وجو ارائه کنند؛ تغییری که نگرانی ناشران و رسانه‌ها درباره آینده ترافیک ورودی از گوگل را افزایش داده است.

پاسخ‌هایی که کاربر را در گوگل نگه می‌دارند


مدل جدید جست‌وجوی گوگل، در کنار نتایج سنتی، از پاسخ‌های تولیدشده توسط هوش مصنوعی نیز استفاده می‌کند. به این ترتیب، کاربر می‌تواند خلاصه‌ای از اطلاعات موردنیاز خود را دریافت کند و حتی بدون خروج از صفحه گوگل، پرسش‌های تکمیلی خود را مطرح کند.

گوگل در ماه مه ۲۰۲۶ اعلام کرد که قابلیت AI Mode در سراسر جهان از یک میلیارد کاربر فعال ماهانه عبور کرده است. این شرکت همچنین اعلام کرده بود که تعداد کاربران قابلیت‌های جست‌وجوی مبتنی بر هوش مصنوعی از ۲.۵ میلیارد کاربر ماهانه فراتر رفته است.

گوگل معتقد است این ابزارها باعث می‌شوند کاربران جست‌وجوهای بیشتری انجام دهند و برای پرسش‌های پیچیده‌تر نیز به موتور جست‌وجو مراجعه کنند. با این حال، همین روند می‌تواند چالش مهمی برای ناشران ایجاد کند: اگر کاربر پاسخ موردنیاز خود را مستقیماً از گوگل دریافت کند، انگیزه کمتری برای باز کردن مقاله اصلی و ورود به وب‌سایت خواهد داشت.

نگرانی ناشران از کاهش بازدید


نگرانی‌ها در صنعت رسانه به حدی افزایش یافته که برخی ناشران و سازمان‌های بزرگ رسانه‌ای در حال بررسی راه‌هایی برای محدود کردن دسترسی سیستم‌های هوش مصنوعی به محتوای خود هستند. دلیل اصلی این نگرانی، احتمال کاهش ترافیک ورودی از گوگل و در نتیجه کاهش درآمدهای تبلیغاتی است.

گزارش‌های اخیر نشان می‌دهد که رسانه‌ها و شرکت‌های تولیدکننده محتوا درباره نحوه دسترسی گوگل به مطالب آنها و استفاده از این محتوا در قابلیت‌های هوش مصنوعی، بحث‌های جدی‌تری را آغاز کرده‌اند.

در همین راستا، کمیسیون اروپا نیز گفت‌وگوهایی را با ناشران آغاز کرده است. این بحث‌ها پس از معرفی گزینه‌ای جدید از سوی گوگل در ۳۱ اوت ۲۰۲۶ (۹ شهریور ۱۴۰۵) مطرح شد؛ گزینه‌ای که به وب‌سایت‌ها اجازه می‌دهد مانع استفاده از محتوای خود در فیدهای هوش مصنوعی شوند، در حالی که محتوای آنها همچنان در نتایج جست‌وجوی سنتی گوگل نمایش داده شود.

این رویکرد می‌تواند به ناشران امکان دهد میان دیده‌شدن در جست‌وجوی سنتی و استفاده از محتوایشان در قابلیت‌های هوش مصنوعی گوگل، تفکیک بیشتری ایجاد کنند.

گوگل: ترافیک وب‌سایت‌ها از بین نرفته است


گوگل در مقابل، این برداشت را که ورود هوش مصنوعی به جست‌وجو الزاماً به کاهش ترافیک وب‌سایت‌ها منجر می‌شود، رد می‌کند. این شرکت اعلام کرده است که مجموع کلیک‌های ارگانیک ارسال‌شده از جست‌وجوی گوگل به وب‌سایت‌ها نسبت به سال گذشته نسبتاً ثابت باقی مانده است.

گوگل همچنین مدعی است که ترافیک ایجادشده از طریق قابلیت‌های جدید، در بسیاری از موارد کیفیت بالاتری دارد؛ به این معنا که کاربرانی که روی لینک‌ها کلیک می‌کنند، می‌توانند تعامل بیشتری با محتوای مقصد داشته باشند.

این شرکت در عین حال تلاش کرده است لینک منابع را در پاسخ‌های تولیدشده توسط هوش مصنوعی پررنگ‌تر کند تا کاربران بتوانند به منابع اصلی دسترسی پیدا کنند. از نگاه گوگل، هدف این قابلیت‌ها حذف وب‌سایت‌ها نیست، بلکه کمک به کاربران برای کشف منابع و محتوای معتبر است.

رقابت جدید؛ دیده‌شدن توسط هوش مصنوعی


تحولات اخیر نشان می‌دهد که قواعد رقابت برای کسب ترافیک از گوگل در حال تغییر است. در گذشته، هدف اصلی بسیاری از وب‌سایت‌ها قرار گرفتن در صفحه نخست نتایج جست‌وجو بود؛ اما در عصر جست‌وجوی مولد، یک هدف مهم دیگر نیز به این رقابت اضافه شده است: تبدیل شدن به منبعی که هوش مصنوعی به آن استناد می‌کند.

این تغییر برای وب‌سایت‌های خبری و فناوری اهمیت بیشتری دارد. محتوای اصیل، گزارش‌های اختصاصی، تحلیل‌های عمیق، تفسیر کارشناسی و اطلاعاتی که در منابع دیگر یافت نمی‌شود، می‌تواند ارزش بیشتری پیدا کند؛ زیرا چنین محتوایی به‌سادگی در قالب یک پاسخ کوتاه هوش مصنوعی خلاصه نمی‌شود.

در نهایت، آینده ترافیک وب از مسیر جست‌وجوی هوش مصنوعی هنوز به‌طور کامل مشخص نیست. با این حال، یک موضوع روشن است: رسانه‌ها دیگر تنها برای جلب توجه کاربر با سایر وب‌سایت‌ها رقابت نمی‌کنند؛ آنها باید برای جلب توجه خودِ موتورهای هوش مصنوعی نیز رقابت کنند.

تراشه‌ای که با کمک هوش مصنوعی می‌تواند حافظه آسیب‌دیدگان مغزی را تقویت کند

پژوهشگران آمریکایی یک سامانه عصبی هوشمند مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند فعالیت مغز را تحلیل و با تحریک الکتریکی هدفمند، عملکرد حافظه را تقویت کند. این فناوری در مطالعات انسانی، بهبود قابل‌توجهی در حافظه برخی بیماران مبتلا به آسیب مغزی و صرع نشان داده است. اکنون سازندگان آن برای آغاز آزمایش‌های بالینی و بررسی امکان استفاده درمانی از این فناوری آماده می‌شوند.

پژوهشگران دانشگاه پنسیلوانیا در آمریکا موفق به توسعه یک سامانه عصبی هوشمند شده‌اند که با استفاده از هوش مصنوعی، فعالیت مغز را تحلیل می‌کند و با ارسال پالس‌های الکتریکی شخصی‌سازی‌شده، به بهبود عملکرد حافظه کمک می‌کند. این فناوری می‌تواند مسیر تازه‌ای برای درمان اختلالات حافظه ناشی از آسیب‌های مغزی تروماتیک ایجاد کند.

این فناوری که «سیستم تحریک عصبی هوشمند» (SNS) نام دارد، توسط شرکت دانشگاهی «نیا تراپیوتیکس» توسعه یافته است. سازمان غذا و داروی آمریکا (FDA) نیز این فناوری را به‌عنوان «دستگاهی پیشرو» معرفی کرده است؛ عنوانی که برای نخستین‌بار به یک درمان کاشتنی با هدف مقابله با این نوع اختلالات اختصاص یافته است.

تراشه‌ای که فعالیت مغز را با هوش مصنوعی تحلیل می‌کند


سیستم SNS با بررسی الگوهای فعالیت عصبی، زمان‌هایی را که مغز برای یادگیری یا بازیابی اطلاعات آمادگی بیشتری دارد شناسایی می‌کند و سپس پالس‌های الکتریکی متناسب با شرایط هر فرد را به مغز ارسال می‌کند.

مایکل کاهانا، بنیان‌گذار نیا تراپیوتیکس و استاد روان‌شناسی دانشگاه پنسیلوانیا، اعلام کرده است که این فناوری برای ورود به مرحله آزمایش‌های بالینی آماده می‌شود.

دنیل ریزوتو، یکی دیگر از بنیان‌گذاران این شرکت، نیز معتقد است فناوری‌ای که زمانی بیشتر به داستان‌های علمی‌تخیلی شباهت داشت، اکنون با تکیه بر پژوهش‌های علمی و نتایج آزمایش‌های انسانی به یک فناوری قابل‌اثبات تبدیل شده است.

ایده تراشه حافظه از کجا شکل گرفت؟


ریشه‌های این فناوری به اواخر دهه ۱۹۹۰ بازمی‌گردد؛ زمانی که کاهانا از بخش جراحی مغز و اعصاب بیمارستان کودکان بوستون بازدید کرد. در این بخش، بیماران مبتلا به صرع با استفاده از الکترودهای کاشته‌شده در مغز تحت نظارت قرار می‌گرفتند.

کاهانا در جریان این بازدید متوجه حجم قابل‌توجهی از داده‌های عصبی شد که هنگام انجام بازی‌های ویدیویی توسط بیماران ثبت می‌شد، اما به دلیل محدودیت ظرفیت ذخیره‌سازی، بخش زیادی از این داده‌ها هر روز حذف می‌شد.

این تجربه، آغاز پژوهشی چند دهه‌ای برای بررسی این پرسش بود که آیا می‌توان با تحلیل فعالیت مغز، زمان‌هایی را که فرد احتمال بیشتری برای به خاطر سپردن یا فراموش کردن اطلاعات دارد، پیش‌بینی کرد.

با پیشرفت الگوریتم‌های یادگیری ماشین، پژوهشگران توانستند ارتباط میان الگوهای پیچیده فعالیت عصبی و رفتار انسان را با دقت بیشتری بررسی کنند. این تحقیقات همچنین به آن‌ها کمک کرد تفاوت واکنش افراد مختلف به تحریک الکتریکی مغز را بهتر درک کنند.

بهبود ۱۹ درصدی حافظه پس از آسیب مغزی


این گروه پژوهشی در سال ۲۰۱۴ پروژه‌ای را با هدف بررسی امکان بازیابی و تقویت حافظه آغاز کرد. نتایج این تحقیقات به‌تدریج شواهد امیدوارکننده‌ای درباره ظرفیت تحریک الکتریکی مغز برای بهبود حافظه ارائه کرد.

مطالعه‌ای که در ژانویه ۲۰۲۳ منتشر شد، نشان داد استفاده از این روش می‌تواند عملکرد حافظه را در افرادی که دچار آسیب‌های مغزی متوسط تا شدید شده‌اند، حدود ۱۹ درصد بهبود دهد.

در مطالعه دیگری که در سال ۲۰۲۴ انجام شد، پژوهشگران بهبود حدود ۲۸ درصدی عملکرد حافظه را در بیماران مبتلا به صرع گزارش کردند؛ بیمارانی که الکترودهایی در نزدیکی مسیرهای ماده سفید مغز آن‌ها کاشته شده بود.

ریزوتو می‌گوید این روش می‌تواند با جبران بخشی از افت عملکردهای شناختی ناشی از آسیب مغزی، به بازیابی توانایی‌های حافظی بیماران کمک کند.

گام بعدی؛ آزمایش روی بیماران


کاهانا معتقد است اهمیت این فناوری تنها به درمان اختلالات حافظه محدود نمی‌شود. به گفته او، سیستم SNS می‌تواند همزمان به‌عنوان بستری برای ثبت و تحلیل حجم عظیمی از داده‌های عصبی مورد استفاده قرار گیرد؛ داده‌هایی که می‌توانند در آینده به توسعه روش‌های جدید برای شناخت مغز و درمان اختلالات عصبی کمک کنند.

با ورود این فناوری به مرحله آزمایش‌های بالینی، پژوهشگران اکنون به دنبال بررسی دقیق‌تر ایمنی، اثربخشی و عملکرد آن در شرایط واقعی درمان هستند. در صورت موفقیت این آزمایش‌ها، سیستم‌های عصبی مبتنی بر هوش مصنوعی می‌توانند به یکی از مسیرهای مهم آینده برای درمان اختلالات حافظه و آسیب‌های مغزی تبدیل شوند.

پیشنهاد ۱۳ میلیارد دلاری برای خرید Hugging Face؛ استارتاپ محبوب توسعه‌دهندگان هوش مصنوعی فروخته می‌ش

هاگینگ فیس، پلتفرم محبوب جامعه متن‌باز هوش مصنوعی، با پیشنهاد خریدی به ارزش ۱۳ میلیارد دلار یا بیشتر مواجه شده است. هنوز نام خریدار احتمالی مشخص نیست و هیچ توافقی برای فروش این شرکت به دست نیامده است. این اتفاق در حالی رخ می‌دهد که هاگینگ فیس پیش‌تر پیشنهاد سرمایه‌گذاری ۵۰۰ میلیون دلاری انویدیا را نیز رد کرده بود.

بر اساس گزارش‌های منتشرشده، شرکت Hugging Face با پیشنهادهایی برای فروش با ارزشی معادل ۱۳ میلیارد دلار یا بیشتر روبه‌رو شده و در حال بررسی و مذاکره درباره این پیشنهادهاست. Hugging Face پلتفرم و جامعه‌ای متن‌باز است که در آن توسعه‌دهندگان و پژوهشگران هوش مصنوعی مدل‌های خود را به اشتراک می‌گذارند، پیدا می‌کنند، آزمایش و استفاده می‌کنند. این استارتاپ اخیراً هدف حمله سایبری یکی از سیستم‌های OpenAI نیز قرار گرفته بود؛ سیستمی که در جریان یک ارزیابی امنیتی از محیط ایزوله (سندباکس) خود خارج شد و به سرورهای Hugging Face نفوذ کرد.

به گزارش بیزینس اینسایدر، هنوز مشخص نیست کدام شرکت پیشنهاد خرید را مطرح کرده و تاکنون هیچ توافقی نهایی نشده است. با این حال گفته می‌شود Hugging Face برای ارزیابی این پیشنهادها با چند بانک وارد مذاکره شده است. این تحولات در شرایطی رخ می‌دهد که علاقه به شرکت‌های فعال در حوزه زیرساخت‌های اصلی هوش مصنوعی به‌شدت افزایش یافته؛ نمونه بارز آن خرید ۷ میلیارد دلاری OpenRouter توسط Stripe است.

آخرین ارزش‌گذاری، به سال ۲۰۲۳ برمی‌گردد


آخرین دور رسمی جذب سرمایه Hugging Face مربوط به سال ۲۰۲۳ است؛ زمانی که این شرکت با رهبری Salesforce Ventures و مشارکت شرکت‌هایی نظیر آلفابت، GV و IBM Ventures، در ارزش‌گذاری ۴٫۵ میلیارد دلاری سرمایه جذب کرد.

کلم دلانگو (Clem Delangue)، مدیرعامل Hugging Face، به‌تازگی اعلام کرده شرکت به سودآوری نزدیک شده و تازه اخیراً استفاده از سرمایه‌ای را که سه سال پیش جذب کرده بود آغاز کرده است. به گفته او، Hugging Face در حال بررسی راه‌هایی برای بهینه‌سازی فعالیت‌هایش با هدف «پایداری بلندمدت» است، نه رسیدن به سود کوتاه‌مدت یا حداکثرسازی سرمایه جذب‌شده. دلانگو تأکید کرده: «ما در موقعیت منحصربه‌فردی قرار داریم که می‌توانیم به خلق ارزش برای جامعه و سازندگان هوش مصنوعی ادامه دهیم.»

آیا فروش واقعاً در دستور کار است؟


تأکید مکرر دلانگو بر مسئولیت بلندمدت Hugging Face در قبال کاربرانش، این پرسش را مطرح کرده که آیا این شرکت واقعاً به دنبال فروش است یا صرفاً پیشنهادهای واصله را بررسی می‌کند؛ شرکتی که اکنون به یکی از ارکان مهم زیرساخت هوش مصنوعی جهان تبدیل شده است.

دلانگو عنوان کرد: «ما در حال ساخت پلتفرمی برای جامعه هستیم و آن‌ها به ما اعتماد کرده‌اند تا داده‌ها و مدل‌هایشان را روی این پلتفرم به اشتراک بگذارند؛ بنابراین در قبال آن‌ها مسئولیت بلندمدتی داریم.»

رد پیشنهاد انویدیا


قابل‌توجه است که Hugging Face اوایل امسال پیشنهاد سرمایه‌گذاری ۵۰۰ میلیون دلاری انویدیا را که ارزش شرکت را به ۷ میلیارد دلار می‌رساند، رد کرده بود. این شرکت در آن زمان اعلام کرد که تمایلی به حضور حتی یک سرمایه‌گذار مسلط و تأثیرگذار بر تصمیمات خود ندارد؛ رویکردی که اکنون در تضاد با گمانه‌زنی‌های اخیر درباره احتمال فروش این استارتاپ قرار گرفته است.

چت‌بات‌های هوش مصنوعی درباره شما چه می‌دانند و با این اطلاعات چه می‌کنند؟

چت‌بات‌های هوش مصنوعی هر روز اطلاعات بیشتری درباره کاربران به دست می‌آورند؛ از علایق و عادت‌ها گرفته تا دغدغه‌های شخصی، سلامت، روابط و مسائل مالی. شرکت‌هایی مانند OpenAI، گوگل، متا و اپل رویکردهای متفاوتی در زمینه ذخیره، استفاده و پردازش این اطلاعات دارند. اکنون پرسش مهم این است که این داده‌ها فقط برای پاسخ‌های شخصی‌سازی‌شده استفاده می‌شوند یا می‌توانند در آینده به ابزاری برای آموزش مدل‌ها، پیشنهاد محتوا و حتی تبلیغات هدفمند تبدیل شوند.

تصور کنید چت‌باتی طراحی شده باشد تا شما را بیشتر به گفت‌وگو ترغیب کند، نظرتان را تغییر دهد یا به خرید محصولی متقاعدتان کند؛ آن هم با استفاده از تمام اطلاعاتی که از ترس‌ها، ناامنی‌ها و جزئیات خصوصی شما در جریان گفت‌وگو جمع‌آوری کرده است. به گزارش اکسیوس، امروز قوانین کمی چنین سناریویی را مستقیماً تنظیم می‌کنند و همین موضوع باعث شده وعده‌های شرکت‌های هوش مصنوعی درباره نحوه استفاده از داده‌های کاربران اهمیت زیادی پیدا کند.

اکسیوس که پیش‌تر در سال‌های ۲۰۱۹ و ۲۰۲۴ در مجموعه «آنها درباره شما چه می‌دانند» به بررسی جمع‌آوری داده توسط غول‌های فناوری پرداخته بود، این بار دامنه بررسی را گسترده‌تر کرده است؛ نه‌فقط اینکه آیا داده‌ها برای آموزش مدل‌های آینده استفاده می‌شوند، بلکه اینکه همین حالا چگونه برای شخصی‌سازی پاسخ‌ها، حفظ در حافظه، پیشنهاد محتوا یا هدف‌گیری تبلیغات به کار می‌روند.

گسترش دامنه جمع‌آوری داده


بر اساس این گزارش، شرکت‌های هوش مصنوعی به دنبال دسترسی به داده‌هایی فراتر از خود پنجره گفت‌وگو هستند. اوپن‌ای‌آی هفته گذشته قابلیت اختیاری «Computer History» را معرفی کرد که سابقه اپلیکیشن‌ها و وب‌سایت‌های مورد استفاده کاربر را در چت‌جی‌پی‌تی حفظ می‌کند. گوگل نیز اعلام کرده عکس‌ها و محتوای بارگذاری‌شده کاربران در «جستجو» را به‌طور پیش‌فرض برای آموزش سیستم‌های هوش مصنوعی خود استفاده خواهد کرد، هرچند امکان انصراف وجود دارد.

مزیت این روند، هوش مصنوعی مفیدتر و شخصی‌سازی‌شده‌تر است؛ اما در مقابل، کاربران دیدی گسترده‌تر و مستمرتر از زندگی خود را در اختیار شرکت‌ها می‌گذارند. برخلاف موتورهای جست‌وجو و شبکه‌های اجتماعی، چت‌بات‌ها کاربران را به افشای اطلاعات شخصی درباره سلامت، پول، کار و روابط ترغیب می‌کنند و همین امر سابقه‌ای صمیمی از دغدغه‌های آنان می‌سازد. متا، گوگل و اوپن‌ای‌آی همگی در حال بررسی شیوه‌های مختلف تبلیغات در چت‌بات‌های خود هستند و اگر هوش مصنوعی مسیر جست‌وجو و شبکه‌های اجتماعی را دنبال کند، تبلیغات می‌تواند انگیزه‌ای برای افزایش تعامل کاربران باشد.

میراندا بوگن، مدیر ارشد فناوری در مرکز دموکراسی و فناوری، هشدار می‌دهد که دوران هوش مصنوعی به این وابسته خواهد شد که مردم داوطلبانه زندگی دیجیتال خود را در اختیار ابزارهایی بگذارند که وعده کاهش بار ذهنی یا تنهایی را می‌دهند؛ و هرچه سیستم اطلاعات بیشتری داشته باشد، راحت‌تر می‌تواند درخواست‌های فزاینده برای داده‌های خصوصی را طبیعی جلوه دهد.

سیاست‌های متفاوت شرکت‌ها


سیاست شرکت‌ها در این زمینه متفاوت است. اپل با Apple Intelligence خصوصی‌ترین رویکرد را دارد: پردازش روی دستگاه برای درخواست‌های ساده، و سیستم «Private Cloud Compute» برای درخواست‌های پیچیده‌تر که داده را فقط برای همان درخواست به کار می‌برد. این محدودیت اما زمانی از بین می‌رود که کاربر درخواستش را به سرویس شخص ثالثی مانند چت‌جی‌پی‌تی بفرستد.

در سوی مقابل، متا ادعای گسترده‌تری دارد و می‌گوید می‌تواند از تعاملات کاربران با هوش مصنوعی متا -از جمله برخی تعاملات از طریق عینک‌های هوشمند- برای شخصی‌سازی محتوا و تبلیغات استفاده کند، هرچند گفت‌وگوهای مرتبط با سلامت، سیاست و مذهب را از این قاعده مستثنا می‌کند. متا همچنین حالت «گفت‌وگوی ناشناس» را عرضه کرده که مشابه رویکرد اپل، داده‌ای ذخیره نمی‌کند.

نکته‌ای برای کاربران


سایر سرویس‌ها جایی میان این دو رویکرد قرار دارند: برخی گفت‌وگوی موقت بدون ذخیره ارائه می‌دهند، برخی نیازمند اجازه صریح کاربر برای استفاده از داده در آموزش هستند و برخی دیگر کاربر باید خودش انصراف دهد. بسیاری امکان مشاهده یا حذف داده‌های ذخیره‌شده را می‌دهند، و برخی برای اطلاعات سلامت، داده کودکان یا اشتراک‌گذاری از طریق اپلیکیشن‌های متصل، قوانین جداگانه دارند.

به گفته این گزارش، مسئله اصلی فقط استفاده از پیام‌ها برای آموزش مدل نیست، بلکه این است که آیا این پیام‌ها شناخت سیستم از کاربر را شکل می‌دهند و این شناخت بعداً چه کاربردهای دیگری می‌تواند داشته باشد. برای بسیاری، ارزش یک چت‌بات شخصی‌سازی‌شده می‌تواند در ازای از دست دادن بخشی از حریم خصوصی بیارزد؛ اما کاربران حق دارند پیش از آغاز گفت‌وگو، دقیقاً بدانند در ازای این خدمات چه چیزی را واگذار می‌کنند.

چگونه تجربه جستجوی خود را دقیق‌تر مدیریت کنیم؟ راهنمای تنظیمات جدید گوگل

گوگل دو تنظیم جدید برای مدیریت تاریخچه جستجو و شخصی‌سازی نتایج معرفی کرده است؛ قابلیتی که به کاربران امکان می‌دهد کنترل بیشتری روی داده‌های ذخیره‌شده، فایل‌های رسانه‌ای و پیشنهادهای شخصی در سرویس‌های مختلف گوگل داشته باشند.

گوگل در حال ارائه دو تنظیمات جدید برای مدیریت تاریخچه جستجو و شخصی‌سازی نتایج در سرویس‌های Search است.

این تغییرات با هدف افزایش کنترل کاربران بر داده‌های ذخیره‌شده و پیشنهادهای شخصی‌سازی‌شده انجام می‌شود و طی هفته‌های آینده به‌صورت تدریجی در دسترس کاربران قرار خواهد گرفت. کاربران هم‌اکنون از طریق ایمیل و اعلان‌های درون‌برنامه‌ای از این تغییرات مطلع می‌شوند.

پیش از این، تنظیمات «Web & App Activity» مسئول ذخیره تاریخچه فعالیت‌ها و «Search Personalization» مسئول شخصی‌سازی نتایج جستجو بودند. اما گوگل اکنون این ساختار را بازطراحی کرده و دو گزینه مستقل با نام‌های «Search Services History» و «Personalized Recommendations» را معرفی کرده است تا کاربران بتوانند تجربه جستجوی خود را دقیق‌تر مدیریت کنند.

تنظیم جدید Search Services History مشخص می‌کند که آیا گوگل اجازه ذخیره جستجوها و فعالیت‌های کاربر را در سرویس‌هایی مانند Search، Maps، Shopping، Flights، Hotels، Translate و News داشته باشد یا خیر. این بخش علاوه بر جستجوهای متنی، اطلاعات سایت‌های بازدیدشده از طریق سرویس‌های گوگل و حتی پاسخ‌های تولیدشده توسط هوش مصنوعی را نیز ذخیره می‌کند.

یکی از قابلیت‌های جدید این بخش، گزینه‌ای با نام Saved Media است. در صورت فعال بودن این قابلیت، تصاویر، فایل‌ها، ویدئوها و فایل‌های صوتی مربوط به Google Lens، جستجوی صوتی و Search Live ذخیره می‌شوند. کاربران می‌توانند این گزینه را به‌صورت مستقل غیرفعال کرده یا فایل‌های ذخیره‌شده را به‌صورت جداگانه حذف کنند.

گوگل اعلام کرده که این داده‌ها علاوه بر بهبود تجربه کاربری، برای توسعه فناوری‌های هوش مصنوعی، ارتقای امنیت و بهبود خدمات گوگل نیز استفاده خواهند شد. در همین حال، تنظیم Personalized Recommendations مسئول کنترل شخصی‌سازی نتایج و پیشنهادها بر اساس رفتار و علایق کاربر خواهد بود.

گوگل تأکید کرده که تنظیمات قبلی کاربران و بازه زمانی حذف خودکار داده‌ها حفظ می‌شود. اگر تنظیمات قبلی فعال بوده‌اند، گزینه‌های جدید نیز به‌صورت خودکار فعال خواهند ماند و بالعکس.

هشدار درباره آسیب‌پذیری جدید چت‌جی‌پی‌تی

یک محقق مدعی است چت جی پی تی نمی تواند بین محتوای تولیدی خود و محتوایی که با زبان نشانه گذاری Markdown که توسط هکرها کنترل می شود و از منابع خارجی استخراج شده، تمایز قائل شود.

یک محقق امنیتی از کشف روشی برای «تزریق پرومپت» در چت‌بات‌های هوش مصنوعی خبر داده و این آسیب‌پذیری را به اوپن‌ای‌آی گزارش کرده است.

بر اساس این گزارش، اگر کاربری از یک چت‌بات بخواهد صفحه وبی را که حاوی دستورهای مخفی است خلاصه کند، آن صفحه می‌تواند به بستری برای اجرای حملات مخرب تبدیل شود. در چنین شرایطی، مهاجم قادر است از اعتماد چت‌بات سوءاستفاده کرده و لینک‌های فیشینگ را در پاسخ‌ها قرار دهد یا حتی مدل را به نمایش هشدارهای امنیتی جعلی با ظاهری مشابه پیام‌های رسمی چت‌جی‌پی‌تی وادار کند.

«اندی احمتی»، پژوهشگر این مطالعه، همچنین نشان داده است که مجرمان سایبری چگونه می‌توانند با استفاده از کدهای QR، حمله را از مرورگر وب کاربر به دستگاه تلفن همراه او منتقل کنند. در این سناریو، قربانی با اسکن کد QR به محتوایی هدایت می‌شود که در یک مخزن S3 تحت کنترل مهاجم قرار دارد. این روش به هکرها اجازه می‌دهد از بسیاری از سازوکارهای دفاعی مبتنی بر دسکتاپ، از جمله فهرست‌های مسدودسازی URL و سامانه‌های بررسی دامنه در ابزارهای مدیریت رمز عبور، عبور کنند.

احمتی در ادامه تأکید می‌کند: «سیستم‌های هوش مصنوعی به‌طور فزاینده‌ای محتوای تأییدنشده را مستقیماً در مرورگر کاربران نمایش می‌دهند و این موضوع سطح ریسک را به‌طور قابل‌توجهی افزایش می‌دهد.»

وی می‌افزاید: «نگرانی بزرگ‌تر این است که محصولات هوش مصنوعی روزبه‌روز بیشتر به محیط‌های مرورگر یا حتی سیستم‌عامل‌ها شباهت پیدا می‌کنند؛ موضوعی که سطح حملات و تهدیدهای امنیتی را به‌مراتب گسترده‌تر می‌کند.»

با این حال، هنوز مشخص نیست که این آسیب‌پذیری به‌طور کامل برطرف شده است یا خیر.

گوگل: دقت واقعی چت‌بات‌های هوش مصنوعی از ۷۰ درصد عبور نمی‌کند

ارزیابی جدید گوگل با استفاده از بنچمارک FACTS نشان می‌دهد پیشرفته‌ترین چت‌بات‌های هوش مصنوعی هنوز با خطاهای جدی مواجه‌اند و به‌طور میانگین از هر سه پاسخ، یکی نادرست است. این نتایج اهمیت نظارت و تأیید انسانی را در استفاده از هوش مصنوعی بیش از پیش برجسته می‌کند.

گوگل در ارزیابی تازه‌ای به این جمع‌بندی رسیده است که چت‌بات‌های هوش مصنوعی، حتی در بهترین حالت، تنها به حدود ۶۹ درصد دقت دست پیدا می‌کنند.

این شرکت با انتشار گزارشی صریح درباره میزان قابل‌اعتماد بودن چت‌بات‌های هوش مصنوعی فعلی، تصویری نه‌چندان امیدوارکننده ارائه داده است. بر اساس نتایج به‌دست‌آمده از مجموعه معیارهای جدید FACTS، حتی پیشرفته‌ترین مدل‌های هوش مصنوعی نیز برای عبور از آستانه دقت واقعی ۷۰ درصد با دشواری مواجه‌ هستند.

در این میان، Gemini 3 Pro به‌عنوان دقیق‌ترین مدل بررسی‌شده، موفق به ثبت دقت کلی ۶۹ درصدی شده است. سایر مدل‌های پیشرو متعلق به شرکت‌هایی مانند OpenAI، Anthropic و xAI نیز عملکرد ضعیف‌تری از خود نشان داده‌اند. جمع‌بندی این یافته‌ها ساده اما نگران‌کننده است: این چت‌بات‌ها، حتی زمانی که پاسخ‌های خود را با اطمینان ارائه می‌کنند، به‌طور میانگین از هر سه پاسخ، یکی نادرست است.

اهمیت این معیار از آن‌جا ناشی می‌شود که بسیاری از آزمون‌های رایج هوش مصنوعی، بیشتر بر توانایی انجام یک وظیفه تمرکز دارند تا صحت واقعی اطلاعات تولیدشده. این شکاف، به‌ویژه در حوزه‌هایی مانند امور مالی، مراقبت‌های بهداشتی و خدمات حقوقی، می‌تواند پیامدهای پرهزینه‌ای به همراه داشته باشد. پاسخ‌هایی که روان و قانع‌کننده به نظر می‌رسند اما حاوی خطا هستند، در شرایطی که کاربران به درستی اطلاعات اعتماد می‌کنند، می‌توانند خسارت‌های جدی ایجاد کنند.

آزمون دقت گوگل چه چیزی را نشان می‌دهد؟


مجموعه بنچمارک FACTS توسط تیم FACTS گوگل و با همکاری پلتفرم Kaggle طراحی شده است تا دقت واقعی مدل‌های هوش مصنوعی را در چهار سناریوی کاربردی دنیای واقعی به‌طور مستقیم ارزیابی کند.

در یکی از این آزمون‌ها، «دانش پارامتری» سنجیده می‌شود؛ یعنی بررسی می‌شود که آیا مدل می‌تواند صرفاً بر اساس دانسته‌های آموخته‌شده در زمان آموزش، به پرسش‌های مبتنی بر واقعیت پاسخ دهد یا خیر.

آزمون دوم، عملکرد جست‌وجو را مورد ارزیابی قرار می‌دهد و میزان توانایی مدل‌ها در استفاده از ابزارهای وب برای بازیابی اطلاعات دقیق را می‌سنجد. آزمون سوم بر «پایبندی به منبع» تمرکز دارد؛ به این معنا که آیا مدل بدون افزودن جزئیات نادرست، به سند ارائه‌شده وفادار می‌ماند یا خیر. آزمون چهارم نیز به درک چندوجهی اختصاص دارد و توانایی مدل‌ها در تفسیر صحیح نمودارها، دیاگرام‌ها و تصاویر را بررسی می‌کند.

نتایج به‌دست‌آمده، اختلاف قابل‌توجهی میان مدل‌ها را نشان می‌دهد. Gemini 3 Pro با امتیاز ۶۹ درصد در صدر جدول FACTS قرار گرفته و پس از آن، Gemini 2.5 Pro و ChatGPT-5 از OpenAI با حدود ۶۲ درصد جایگاه‌های بعدی را به خود اختصاص داده‌اند.

مدل Claude 4.5 Opus با نزدیک به ۵۱ درصد و Grok 4 با حدود ۵۴ درصد در رتبه‌های پایین‌تر قرار دارند. در این میان، وظایف چندوجهی ضعیف‌ترین عملکرد را در کل جدول به ثبت رسانده‌اند و دقت آن‌ها در بسیاری موارد به کمتر از ۵۰ درصد رسیده است.

این موضوع از آن جهت حائز اهمیت است که چنین وظایفی شامل تفسیر نمودارها، دیاگرام‌ها و تصاویر می‌شوند؛ حوزه‌هایی که در آن‌ها یک چت‌بات ممکن است با اطمینان کامل، نمودار فروش را اشتباه بخواند یا عدد نادرستی را از یک سند استخراج کند و در نهایت، خطاهایی ایجاد شود که تشخیص آن‌ها دشوار اما جبرانشان پرهزینه است.

در نهایت، پیام اصلی این گزارش آن نیست که چت‌بات‌های هوش مصنوعی ابزارهایی بی‌فایده هستند، بلکه تأکید بر این نکته است که اعتماد بی‌چون‌وچرا به آن‌ها می‌تواند خطرناک باشد. داده‌های منتشرشده از سوی گوگل نشان می‌دهد که هرچند هوش مصنوعی در مسیر پیشرفت قرار دارد، اما همچنان پیش از آن‌که بتوان آن را به‌عنوان منبعی قابل‌اتکا برای حقیقت در نظر گرفت، به تأیید، نظارت و مداخله انسانی نیازمند است.

چگونه هوش مصنوعی مفهوم روابط اجتماعی سنتی را تغییر می‌دهد؟

رشد سریع هوش مصنوعی باعث شده این فناوری به بخشی تأثیرگذار از روابط اجتماعی انسان‌ها تبدیل شود. این گزارش به بررسی ۷ نشانه کلیدی می‌پردازد که نشان می‌دهند تعامل با هوش مصنوعی چگونه در حال تغییر مفهوم روابط سنتی است.

شیوه تعامل انسان‌ها در روابط اجتماعی در حال تجربه تحولی بنیادین است. در سال‌های اخیر، شمار فزاینده‌ای از افراد از طریق تعامل با سامانه‌های هوش مصنوعی احساس آرامش می‌کنند؛ شکلی از فناوری‌ که نه‌تنها نقش پشتیبان را ایفا می‌کند، بلکه در برخی موارد نوعی توجه و همدلی را نیز در اختیار کاربران قرار می‌دهد.

انزوای راحت


این روند با گرایش برخی افراد به استفاده از هوش مصنوعی به‌عنوان جایگزینی برای تنهایی آغاز می‌شود. در چنین شرایطی، تعامل با ربات‌ها یا دستیارهای دیجیتال به ارتباط با انسان‌ها ترجیح داده می‌شود. هرچند این نوع رابطه فاقد پیچیدگی‌ها و احساسات عمیق انسانی است، اما برای گروهی از کاربران به دلیل سادگی و قابل پیش‌بینی بودن، جذاب‌تر به نظر می‌رسد.

دیالوگ‌های روزمره

گفت‌وگو با دستیارهای دیجیتال، چه با هدف سرگرمی و چه برای سامان‌دهی امور روزانه، به بخشی از زندگی عادی بسیاری از افراد تبدیل شده است. این تعامل‌ها گاه چنان طبیعی می‌شوند که شباهتی به صحبت با یک دوست نزدیک پیدا می‌کنند و همین موضوع نشان‌دهنده تغییر تدریجی در برداشت ما از مفهوم روابط انسانی است.

پشتیبانی عاطفی


برخی از برنامه‌های مبتنی بر هوش مصنوعی، پشتیبانی عاطفی شبانه‌روزی ارائه می‌دهند. کاربران می‌توانند دغدغه‌ها، نگرانی‌ها و خواسته‌های خود را با این سامانه‌ها در میان بگذارند و پاسخ‌هایی دریافت کنند که حاوی همدلی و درک عاطفی است؛ روندی که تعریف سنتی حمایت عاطفی را با چالش مواجه کرده است.

افزایش احساس صمیمیت


پیشرفت‌های فناورانه موجب شده‌اند هوش مصنوعی در تعامل طبیعی‌تر و درک بهتر ترجیحات فردی توانمندتر شود. این سطح از شخصی‌سازی باعث می‌شود برخی افراد با ربات‌ها رفتاری مشابه دوست یا حتی شریک خود داشته باشند و نوعی احساس آشنایی و نزدیکی را تجربه کنند.

مدیریت و زمان‌بندی امور


بخشی از کاربران از هوش مصنوعی برای مدیریت برنامه‌های روزانه، یادآوری رویدادهای مهم و حتی پیشنهاد هدیه استفاده می‌کنند. این میزان اتکا، پیوند میان انسان و سامانه‌های هوشمند را تقویت کرده و در برخی موارد، نیاز به تعامل مستقیم انسانی را کاهش می‌دهد.

گسترش تعاملات دیجیتال


با توسعه ارتباطات آنلاین، نقش پلتفرم‌های دیجیتال در زندگی اجتماعی پررنگ‌تر شده است. بازی‌های ویدیویی، جلسات مجازی و ارتباطات مبتنی بر شبکه‌های اجتماعی، جایگاه هوش مصنوعی را به‌عنوان واسطه‌ای تأثیرگذار در روابط انسانی تثبیت می‌کنند.

کاربردهای درمانی


برنامه‌های هوش مصنوعی برای ارائه حمایت روانی فوری و بدون قضاوت به کار گرفته می‌شوند. اگرچه این فناوری قادر نیست جایگزین روابط عمیق و پیچیده انسانی شود، اما می‌تواند ابزاری مؤثر برای حمایت روانی مستمر و در دسترس باشد.

در مجموع، این تحولات نشان می‌دهند که هوش مصنوعی به بخشی جدایی‌ناپذیر از زندگی اجتماعی انسان‌ها تبدیل شده است؛ نه با هدف جایگزینی روابط انسانی، بلکه برای گسترش درک ما از مفهوم همراهی و حمایت. با تداوم پیشرفت‌های فناورانه، ایجاد تعادل میان تعاملات انسانی و دیجیتال به یکی از محورهای اصلی بحث در آینده تبدیل خواهد شد.