گوردون ریتر: صاحب اقتصاد اطلاعاتی کیست؟

قوانین حاکم بر اقتصاد هوش مصنوعی به طور پیش فرض نوشته می شوند.

در ماه ژوئن، من استدلال کردم که محکومان هوش مصنوعی در زمانی که باید ردیابی را بشمارند، مشاغل را به اشتباه شمارش می کنند. ردیابی‌ها چیزی است که افراد در هر سیستمی که لمس می‌کنند از خود به جای می‌گذارند: اصلاحات، درخواست‌های قضاوت، استدلالی که معامله را بسته است، راه‌حل‌هایی که در کتابچه راهنما یافت نمی‌شوند. آنها جزو با ارزش ترین دارایی های یک شرکت هستند. پس مالک آنها کیست؟

هنوز کسی تصمیم نگرفته است و آن پنجره مدت زیادی باز نخواهد ماند. رشد رادیو در دهه 1920 را در نظر بگیرید. پخش‌کننده‌های آمریکایی، فرکانس‌های رادیویی را سریع‌تر از آنچه قانون می‌توانست دنبال کند، به اشتراک گذاشتند. زمانی که کنگره قانون رادیو در سال 1927 را تصویب کرد، کنترل از قبل تقویت شده بود. قانون ارتباطات 1934 آن را تصویب کرد.

رادیو یک نبرد بوروکراتیک در مورد اینکه چه کسی مالک امواج رادیویی بود بود. منبع امروزی هوش انسانی است: مردم چگونه استدلال می کنند، تصمیم می گیرند و خلق می کنند. اگر آن را به‌عنوان چیزی برای استخراج به جای کشت تلقی کنیم، منبعی را تخلیه می‌کنیم که هر پیشرفت آینده به آن بستگی دارد.

شرکت‌هایی که هوش مصنوعی را بر روی سهام کار کارکنان می‌سازند، ادعا می‌کنند که چه کسی مالک اطلاعاتی است که یک سیستم می‌آموزد. اگر اکنون قوانین را شکل ندهیم، شرکت‌هایی که قدرتمندترین مدل‌ها را کنترل می‌کنند، شرایط را تعیین می‌کنند و بقیه اجاره‌بها را می‌پردازند.

در اینجا یک نقطه شروع است، یک قرارداد اجتماعی برای اقتصاد اطلاعاتی با سه لایه: پلت فرم، سازمان، و فردی.

با حسن نیت از گوردون ریتر

در سطح پلت فرم: انتخاب. هیچ مدل واحدی نباید به زیرساخت اجتناب ناپذیر هوش تبدیل شود. همانطور که قابلیت‌های مدل پایه همگرا می‌شوند، مزیت بادوام بالاتر از مدل باقی می‌ماند، زندگی در حلقه یادگیری که یک سازمان بر روی هر مدلی که اجرا می‌کند ایجاد می‌کند.

ارائه دهندگان تغییر را پرهزینه می کنند و اغلب سازمان ها را به اولین مدلی که اتخاذ کردند ملزم می کنند. دسترسی به هوش مصنوعی نباید مستلزم تسلیم اطلاعات به عنوان شرط خدمات باشد.

در سطح سازمان: حاکمیت. حلقه های یادگیری، گردش کار، و سازمان های تخصصی حوزه که بر روی هوش مصنوعی ساخته شده اند، متعلق به سازمان ها هستند.

تخصص انسانی در حال حاضر به داده های آموزشی برای هوش مصنوعی تبدیل شده است: آزمایشگاه RedCompass نماینده متخصص پرداخت خود را با تجزیه و تحلیل وظایف شناختی (CTA) آموزش می دهد و هزاران ساعت کار کارشناسی را به مجموعه داده هایی تبدیل می کند که به هوش مصنوعی نحوه استدلال و تصمیم گیری متخصصان را آموزش می دهد.

کارمندانی که از ابزارهای هوش مصنوعی عمومی در محل کار استفاده می کنند، به یک عامل خارجی نحوه عملکرد سازمان را آموزش می دهند که یکی از ارزشمندترین چیزهایی است که یک مدل می تواند یاد بگیرد. قراردادهای سازمانی اغلب آموزش در مورد داده های داخلی را ممنوع می کند، اما حفاظت در مورد ردیابی های رفتاری و دانش فرآیند به مراتب کمتر حل و فصل شده است.

هر جریان کاری مستحق محافظت یکسان نیست. عملیات روتین می تواند به طور پیش فرض شفاف بماند. موارد پرت داستان دیگری است: نماینده ای که فیلمنامه را نادیده می گیرد و به هر حال معامله را می بندد، تعمیر مهندس که در هیچ کتابچه ای وجود ندارد. این بخش مولد حلقه است و ادعای حاکمیت به قضاوتی تعلق دارد که نتیجه را تغییر داد.

در سطح فردی: قدردانی. منظورم از کلمه همان کاری است که یک سرمایه گذار انجام می دهد. ارزش قضاوت یک فرد هنگام ترک شغل بیشتر از زمانی است که وارد می شود. مدل ها با یادگیری از قضاوت انسان هوشمندتر می شوند. آیا انسان ها هم باهوش تر می شوند؟ وقتی رابطه به پایان می رسد، هر طرف چه چیزی را حفظ می کند؟ این لایه کمترین ته نشینی است.

هوش مصنوعی می‌تواند به نرم‌افزار عصا تبدیل شود، که بدون درخواست از کاربر برای قضاوت در مورد دقت، کیفیت یا ارائه پیشرفت‌ها، پاسخ‌ها را تحویل می‌دهد. در یک مطالعه، دانش‌آموزانی که از ChatGPT به‌عنوان کمک مطالعه استفاده می‌کردند، 45 روز دیرتر از دانشجویانی که به روش‌های سنتی مطالعه ادامه می‌دادند، به‌طور قابل‌توجهی در آزمون یادداری غافلگیرانه، نمره پایین‌تری کسب کردند. این ابزار پاسخ‌های درستی داد اما فراخوانی که یادگیری را چسبناک می‌کند حذف کرد.

اما عصا یک انتخاب طراحی است. در یک مطالعه جداگانه، محققان هاروارد یک معلم هوش مصنوعی را آزمایش کردند که تا زمانی که دانش‌آموزان راه خود را به آنها استدلال کنند، از پاسخ‌ها خودداری می‌کرد. این دانش‌آموزان بلافاصله پس از درس‌ها به دستاوردهای یادگیری بیشتری در آزمون‌ها دست یافتند و زمان کمتری را نسبت به همسالان خود در یک کلاس درس فعال سپری کردند. این مطالعه حفظ طولانی مدت را ایجاد نمی کند، اما نشان داد که چگونه هوش مصنوعی می تواند برای حمایت از یادگیری طراحی شود.

من معتقدم که فناوری باید افراد را در کارشان بهتر کند. این لایه بعدی پایان نامه شبکه های مربیگری 2017 ما است. نسل اول حرکات اجراکنندگان برتر را جمع‌آوری کرده و به دیگران منتقل می‌کند. نسل بعدی باید به مردم کمک کند تا حرکات جدیدی ابداع کنند و این مستلزم اصطکاک است. بدون آن، کارگران با بالا رفتن هوش مصنوعی دچار آتروفی می شوند.

مردم همچنین باید نقش خود را با بیش از آنچه وارد کرده اند ترک کنند. یک پزشک بیمارستان را ترک می کند و آنها قضاوت بالینی خود را می گیرند. بیمارستان سوابق و پروتکل های بیمار را نگه می دارد. هوش مصنوعی این خط را با گرفتن خروجی و رویکرد یک فرد محو می کند.

یک "گذرنامه شناختی" می تواند آن را بازیابی کند: یک پرونده قابل حمل و ناشناس از نحوه برخورد شخص با مشکلات، به استثنای معاملات، اسناد و فرآیندهای محرمانه. شرکت آنچه را که آموخته نگه می دارد. شخص قضاوت خود را حفظ می کند. این قابلیت حمل به مردم دلیلی برای ادامه رشد و مشارکت می‌دهد و شرکت‌هایی که از آن حمایت می‌کنند در مقابل شرکت‌هایی که این کار را نمی‌کنند، استخدام می‌کنند.

یک نماینده فروش شرکتی را در نظر بگیرید که از نقش خود خارج می شود. در طول چهار سال، هوش مصنوعی شرکت او هزاران تماس و هر معامله ای را که بسته بود تماشا کرد. قیمت‌گذاری شرکت و نحوه مدیریت مذاکرات، حساب‌های موجود و زمانی که او رهبران ارشد را وارد می‌کند، یاد گرفت. این دید که چگونه او به جای اینکه در محصول پیشرو باشد، با یک سوال در مورد سه ماهه آخر خریدار شروع می کند، چگونه وقتی یک مدیر مالی به آن ملحق می شود سرعتش را کاهش می دهد، و چگونه فیلمنامه را به طور کامل با خریداران فنی کنار می گذارد. سپس با استفاده از حرکات او بقیه اعضای تیم را مربیگری می کند.

هنگامی که او ترک می‌کند، تماس‌ها، سوابق، فهرست‌های سرنخ، مشتریان، جزئیات معامله و قیمت‌ها در کسب‌وکار باقی می‌ماند. مدل مربیگری، از جمله همه چیزهایی که از او آموخته است، همینطور است.

گذرنامه او الگوها و شکل کار او را ثبت می کند، مانند زمانی که او از فیلمنامه خارج می شود یا لحظاتی که سیستم را تحت تأثیر قرار می دهد و درست می گفت. عادت او به باز کردن سؤال در مورد سه ماهه آخر خریدار، مال اوست. کف تخفیف 18 درصدی شرکت او نیست. گذرنامه توسط سیستمی تولید می‌شود که داده‌ها را نگه می‌دارد، توسط کارفرما در برابر بررسی محرمانه بودن پاک می‌شود و توسط هر کسی که بعدا او را استخدام می‌کند، مانند یک نمونه کار قضاوت می‌شود. چیزی که هنوز وجود ندارد یک قالب رایج است که گذرنامه یک شرکت را در شرکت بعدی معنی می دهد.

وسوسه در حال حاضر استفاده از هوش مصنوعی برای کاهش کار انسان است. این هدف اشتباه است. هدف باید قوی‌تر، بادوام‌تر و قابل حمل‌تر کردن تفکر انسان باشد. مردم به کار خود ادامه خواهند داد. سوال این است که آیا هوشی که آنها تولید می‌کنند ترکیباتی به نفع خود می‌کنند یا به سمت پلتفرمی که کنترل نمی‌کنند جریان می‌یابد.

به اندازه کافی زود است که پاسخ هنوز یک انتخاب است. یک مطالعه مک کینزی نشان داد که در حالی که 89٪ از سازمان ها از هوش مصنوعی حداقل در یک کار تجاری استفاده می کنند، تنها 44٪ شروع به مقیاس کردن آن کردند. این دقیقا همان پنجره ای است که اصل انتخاب واقعی بیشترین تأثیر را دارد.

برای روشن شدن اینکه کجا می نشینم: Emergence Capital یک شرکت ریسک پذیر است و زمانی که شرکت هایی که از آنها حمایت می کنیم با ارزش تر شوند، درآمد کسب می کنیم. اما بیش از بیست سال در نرم‌افزار سازمانی به من آموخت که فناوری زمانی بیشترین ارزش را ایجاد می‌کند که افرادی که فکرشان را تغذیه می‌کند به سیستم اعتماد کنند.

این چارچوب نیاز به تست استرس از سوی بنیان‌گذاران، محققان، محققان حقوقی و صداهای کارگری دارد و من انتظار دارم در مورد بخش‌هایی از آن اشتباه کنم.

انسان ها تنها موتور جهش در عصر هوش مصنوعی هستند. هوش مصنوعی می تواند بر هر بازی با قوانین ثابت مسلط شود. بازارها به تغییر قوانین ادامه می دهند و مردم اولین کسانی هستند که بازی جدید را می بینند. افرادی که قضاوتشان سیستم‌های هوش مصنوعی امروزی را آموزش می‌دهد باید به‌عنوان هم‌نویسندگان رفتار شود، نه مواد خام.

نظرات بیان شده در نظرات Fortune.com صرفا نظرات نویسندگان آنها است و لزوما منعکس کننده نظرات و اعتقادات Fortune نیست.

این داستان در ابتدا در سایت Fortune.com منتشر شد