آیا هوش مصنوعی دشمن دموکراسی است یا دوست آن؟

به گفته اکوآران ، رایانه ها همیشه دستگاه های دولت بوده اند. ابزاری برای خدمت به بوروکراسی برای سازماندهی و اعمال قدرت ، الگویی برای درک رفتار بوروکراسی و در حالی که آنها یک سازمان بوروکراتیک کوچک هستند. هوش مصنوعی تولیدی نیز از این قاعده مستثنی نیست. این فناوری احتمالاً شیوه رفتار سازمانی دولت ها ، شرکت ها و سایر موسسات را تغییر خواهد داد.

مدل های بزرگ زبان (LLMS) و سیستم های مشابه به سرعت وارد حوزه قدیمی رقابت بر سر قدرت سیاسی شده اند. از دخالت ایلان مسک در دستیابی به سازمان های دولتی با کمک هوش مصنوعی به رقابت تکنولوژیکی بین ایالات متحده و چین. سوال اصلی این است: آیا این فناوری ها با حاکمیت دموکراتیک سازگار هستند یا آیا آنها تهدیدی برای بقا هستند؟

به گفته فارن پلیسی ، طراحان هوش مصنوعی به طور ناخودآگاه به ساخت سیستمهایی منتقل شده اند که منعکس کننده معماری متمرکز مؤسسات با استفاده از آنها است. در تاریخ هوش مصنوعی ، راه حل هایی برای تمرکز و کنترل همیشه بر راه حل های توزیع شده غلبه کرده است. دولت ها و شرکت ها این گرایش را تقویت کرده اند ، زیرا بازتاب مفروضات ایدئولوژیک و سازمانی خود را می بینند. با این حال ، آینده لزوماً دنباله ای از گذشته نیست. شاید هوش مصنوعی غیر متمرکز نیاز به شکستن فرضیات اساسی در این زمینه داشته باشد.

پیتر تا هشدار

پیتر تیل در سخنرانی در سال ۲ گفت که هوش مصنوعی ذاتاً اقتدارگرا است و از نظر ماهیت و رویکرد است. وی آن را “کمونیست” خواند و گفت که می تواند منجر به بازگشت جهان قبل از سیلیکون شود ، جایی که “چندین شرکت بزرگ ، چند دولت بزرگ و چند رایانه بزرگ همه چیز را کنترل می کنند.” وی آینده ساخته شده در دره سیلیکون را آینده ای توصیف کرد که در آن “تمرکز عظیم” و “شرکت های شبیه به دولت” همه اطلاعات جهان را تحت الشعاع قرار می دهد و رایانه های “توتالیتر” اطلاعات بیشتری در مورد آنها می دانند.

تیلی به طور ضمنی فرض کرد که هوش مصنوعی آن نوع هوشمندی را که برای جامعه بشری بسیار مهم است ، بازتولید نمی کند. در کار و زندگی روزمره ، بسیاری از اطلاعات و محاسبات ما در خارج از ذهن ما انجام می شود – در منابع خارجی ، قوانین ، موسسات و همچنین با همکاری سایر انسانها. دانش و توانایی های ارزشمند معمولاً در یک مکان واحد وجود ندارد. بعضی اوقات ما به آزمایش و تکرار نیاز داریم و ممکن است اطلاعات به دلیل زمان یا ترتیب محدود باشد.

فردریش هایک استدلال کرده بود که دانش یک برنامه ریز مرکزی بسیار کمتر از دانش توزیع شده مردم در بازار است. نمونه بارز امروز TSMC تایوان است. حتی اگر چین تایوان را ضبط کند و تسهیلات تراشه TSMC را به دست آورد ، قادر به کنترل کامل آنها نخواهد بود ، زیرا تولید تراشه یک شبکه جهانی تولید کنندگان ، تأمین کنندگان و متخصصان است.

این یک مشکل برای هوش مصنوعی است. بازآفرینی ظرفیت های هماهنگی بین موسسات یا بازارها دشوارتر از ساخت “نبوغ در جعبه” است. بیشتر سیستم های هوش مصنوعی به جای هماهنگی قدرت جمعی ، بر حل مشکلات بهینه توسط یک عامل واحد متمرکز شده اند.

یک الگوی تکراری

تاریخ هوش مصنوعی الگوی تکراری دارد: وقتی منابع محاسباتی کم بود (مانند شطرنج در دهه ۱۹۸۰) ، محققان سعی کردند روشهای انسانی را الگوبرداری کنند. اما با پیشرفت سخت افزار ، روش های نیروی Bute جایگزین شدند و استراتژی های هوشمندانه رها شدند. با وجود قدرت پردازش عظیم ، نتیجه اغلب ناامید کننده بوده است. “هوش مصنوعی عمومی” همیشه نزدیک به نظر می رسد ، اما هرگز تحقق نیافته است.

در مقابل ، مهندسی نرم افزار سنتی با معماری های ترکیبی و مدولار ، سیستم هایی مانند لینوکس ، که تقریباً در همه جا استفاده می شود ، از بازی و کنسول گرفته تا ابر رایانه های ناسا. مانند سایر سیستم عامل ها ، لینوکس مکانیسمی برای هماهنگی چندین مؤلفه است. در حالی که سیستم های هوش مصنوعی معمولاً یکپارچه ، غیر اطلاعاتی و شکننده هستند ، لینوکس شبیه به جمعی و انعطاف پذیر سنتی است.

به گفته تیلی ، این ویژگی های یکپارچه و منحصر به فرد هوش مصنوعی تا حدی است که تمایل ذاتی آن به تمرکز مشروعیت دارد. دولت ها و شرکت های بزرگ از ظرفیت مالی و فنی برای اجرای چنین سیستم های عظیم برخوردار هستند. با این حال ، این فرایند نه تنها به دلیل ویژگی های فنی است ، بلکه نشانگر نگرش بوروکراسی به خود و دنیای آنها است.

در اتحاد جماهیر شوروی ، میخائیل بوتینیک سیستم پیشگام را الگویی برای برنامه ریزی اقتصادی می دید زیرا او در رژیمی زندگی می کرد که اقتصاد را به عنوان یک برنامه ریاضی می دید. با این حال ، زمینه هوش مصنوعی از ابتدای دهه ۱۹۸۰ یکنواخت نبوده است. رویکردهای توزیع شده تری وجود دارد و امروزه بسیاری از آنها خواستار اهداف و روشهای متنوع تر هستند. مدلهای بزرگ زبان ، با وجود نیاز به منابع عظیم ، می توانند مانند فناوری های فرهنگی جدید باشند که سازمان و انتشار اطلاعات را تسهیل می کند. در این دیدگاه ، LLM ها ابزارهای فرهنگی بیشتری هستند نه “عوامل هوشمند” – مانند نوشتن یا فیلم – که به انسان امکان دسترسی و سازماندهی اطلاعات را می دهد.

دانش ، عمل ، راهنمایی و جامعه و توسعه دهندگان ، به عنوان دولت و شرکت ها ، در موفقیت مدلهای بزرگ زبان نقش دارند. با گسترش استفاده از آنها ، زیرزمین ها نیز برای تنظیم و کاهش پیامدهای منفی تشکیل می شوند. همکاری در توسعه و مقررات می تواند به کاهش مالکیت متمرکز کمک کند.

با این حال ، این منطقه باید خود را با مفهوم جدیدی از “هوش جمعی و توزیع شده” تنظیم کند. آینده ای که در آن هوش مصنوعی برای همه در دسترس است باید شبیه به ویکی پدیا باشد ، نه یک دیپلم. ویکی پدیا مکانیسم هماهنگی و منبع خارجی دانش است ، نه ابزاری برای بهینه سازی مشکلات محاسباتی ، و شاید این نشانه موفقیت آن باشد.

هوش مصنوعی هنوز جوان است. در پایان این قرن ، ما ممکن است دنیایی داشته باشیم که مبتنی بر یک تصویر کاملاً متفاوت از هوش باشد – یک تصویر توزیع شده ، مشارکتی ، متمرکز و برتر. اما این نیاز به یک انتخاب آگاهانه دارد. در غیر این صورت ، پیش بینی تاریک سلطه دیجیتال می تواند به واقعیت تبدیل شود.