هشدار تازه جفری هینتون: هوش مصنوعی می‌تواند بیکاری گسترده و بحران زیرساختی ایجاد کند

جفری هینتون، پژوهشگر پیشگام یادگیری ماشین و برنده جایزه نوبل فیزیک ۲۰۲۴، در گفت‌وگویی که ۳ نوامبر ۲۰۲۶ منتشر شد هشدار داد توسعه سریع هوش مصنوعی بدون کنترل‌های الزام‌آور می‌تواند به بیکاری گسترده، تشدید نابرابری و حتی اختلال جدی در زیرساخت‌هایی مانند شبکه برق یا سامانه‌های مالی منجر شود. او گفت در نهایت ممکن است انسان‌ها نتیجه بگیرند که بدون توسعه این فناوری وضعیت بهتری داشتند. این گفته یک ارزیابی و هشدار درباره آینده است، نه گزارشی از وقوع یک بحران سراسری یا پیش‌بینی با احتمال اندازه‌گیری‌شده.

هینتون چه خطرهایی را برجسته کرد؟

هینتون میان خطرهای نزدیک و پیامدهای بلندمدت هوش مصنوعی تمایز قائل شد. به باور او، در کوتاه‌مدت سوءاستفاده افراد یا سازمان‌ها از ابزارهای هوش مصنوعی می‌تواند در فریب کاربران، تولید اطلاعات ساختگی و حمله به زیرساخت‌ها نقش داشته باشد. او گفت وقوع اختلالی بسیار بزرگ در برق یا سیستم مالی حتی برای یک هفته می‌تواند توجه دولت‌ها را به لزوم مقررات جدی جلب کند.

این مثال بیانگر یک سناریوی خطر است. در خبر گفت‌وگو نشانه‌ای وجود ندارد که هینتون از برنامه‌ای مشخص برای حمله به زیرساخت‌ها خبر داده یا زمان قطعی چنین رخدادی را اعلام کرده باشد. ارزیابی احتمال آن نیازمند اطلاعات فنی مستقل درباره آسیب‌پذیری واقعی سامانه‌ها و سطح حفاظت موجود است.

چرا بیکاری گسترده از نظر او محتمل است؟

هینتون معتقد است هوش مصنوعی با خودکارکردن کارهای شناختی تکراری مانند ثبت اطلاعات، بخش‌هایی از امور اداری، تولید متن و بعضی وظایف تحلیل ابتدایی می‌تواند نیاز شرکت‌ها به نیروی انسانی را کاهش دهد. اگر تولید بهره‌وری افزایش یابد اما تقاضا برای نیروی انسانی در بخش‌های جایگزین با همان سرعت رشد نکند، درآمد حاصل از پیشرفت فناوری ممکن است بیش از همه به صاحبان سرمایه و شرکت‌های دارای زیرساخت محاسباتی برسد.

بااین‌حال باید سه مفهوم را جدا دید: خودکارشدن یک وظیفه، حذف یک عنوان شغلی و کاهش خالص اشتغال کل اقتصاد. انجام بخشی از کار با مدل زبانی الزاماً به اخراج همه شاغلان آن حرفه منجر نمی‌شود؛ شرکت‌ها ممکن است محصول بیشتری تولید کنند، کیفیت را افزایش دهند یا کارهای تازه‌ای تعریف کنند. اندازه اثر خالص به هزینه فناوری، مقررات، مهارت نیروی کار و تقاضای بازار بستگی دارد.

آیا هینتون از منافع هوش مصنوعی هم سخن می‌گوید؟

بله. او مزایای بالقوه این فناوری در آموزش، تشخیص پزشکی، کشف دارو و بالا بردن بهره‌وری را نادیده نمی‌گیرد. مسئله اصلی از نگاه هینتون توزیع منافع و توان جامعه برای پیشگیری از آسیب است. به همین دلیل تصور او از آینده صرفاً «جایگزینی انسان با ماشین» نیست، بلکه به چگونگی طراحی نهادهای اقتصادی و سیاست‌های اجتماعی هم مربوط می‌شود.

او پیش‌تر در نشست قانون‌گذاران ایالتی آمریکا در تابستان ۲۰۲۶ نیز گفته بود هوش مصنوعی می‌تواند میلیون‌ها شغل اداری و فکری تکراری را تحت فشار قرار دهد، در حالی که معلوم نیست به همان نسبت شغل تازه ایجاد شود. این موضع سابقه دارد، اما گفت‌وگوی نوامبر بر فوریت خطر زیرساختی و نظارت الزام‌آور نیز تأکید می‌کند.

تفاوت قانون الزام‌آور با توصیه داوطلبانه چیست؟

هینتون خواستار آزمون مستقل مدل‌های پیشرفته پیش از عرضه عمومی است و در این زمینه سازوکارهای نظارت بر دارو یا فناوری‌های پرخطر را به‌عنوان نمونه مطرح می‌کند. آزمون پیش از عرضه می‌تواند شامل سنجش توانایی مدل در انجام سوءاستفاده‌های قابل پیش‌بینی، ارزیابی امنیت و فراهم‌کردن امکان نظارت نهادهای بیرونی باشد.

او از اتکای صرف به قول داوطلبانه شرکت‌های فناوری انتقاد می‌کند؛ زیرا رقابت برای افزایش توان مدل و کسب سهم بازار ممکن است انگیزه‌ای برای عرضه سریع‌تر از روند ارزیابی ایمنی ایجاد کند. در مقابل، طرفداران تنظیم‌گری سبک‌تر می‌گویند الزام‌های سنگین می‌تواند هزینه ورود شرکت‌های کوچک را بالا ببرد و توسعه کاربردهای مفید را کند کند. داوری درباره نسبت هزینه و فایده به نوع مدل، سطح ریسک و کیفیت اجرای مقررات بستگی دارد.

آیا عدد دقیقی برای مشاغل از دست‌رفته اعلام شده است؟

در مصاحبه تازه، هینتون عددی مانند «۵۰ درصد کارکنان تا سال آینده بیکار می‌شوند» ارائه نکرده است. بنابراین افزودن درصد، سال یا شمار مشخص از دست‌دادن شغل به نام او بدون سند جایز نیست. حتی در مطالعات اقتصادی نیز سهم مشاغل در معرض تغییر وظایف با تعداد افرادی که واقعاً بیکار می‌شوند متفاوت است.

برای تشخیص اینکه هشدار چگونه در عمل محقق می‌شود، باید آمار اخراج، استخدام تازه، دستمزدهای واقعی، تغییر ساعت کار و میزان سرمایه‌گذاری در ابزارهای هوش مصنوعی به تفکیک صنعت بررسی شود. کاهش تقاضا برای یک مهارت می‌تواند با رشد تقاضا برای مهارت دیگر هم‌زمان باشد؛ اثر نهایی بدون داده قابل نتیجه‌گیری نیست.

چه چیزی در ادامه قابل سنجش است؟

سه حوزه باید جداگانه دنبال شوند: مقررات آزمون ایمنی پیش از انتشار مدل‌های پرتوان، داده‌های واقعی بازار کار در مشاغل اداری و فنی، و گزارش‌های قابل اتکا از رخدادهای امنیتی که نقش ابزار هوش مصنوعی در آن‌ها اثبات شده است. تا آن زمان، هشدار هینتون باید جدی و با دقت منتقل شود، اما نمی‌توان آن را اثبات قطعی فاجعه در سال ۲۰۲۶ یا ۲۰۲۷ خواند.