همه چیز در مورد هوش مصنوعی چطور پدید آمد و چه خطرات و منافعی دارد؟ به گزارش سیبکس، تمدن بشری شاهد تحولی فناورانه است که سریع ترین و عمیق ترین تحول در تاریخ مدرن توصیف می شود و نیروی محرک آن، تکامل سریع سیستم های هوش مصنوعی (AI) است. سیبکس به نقل از خبرنگاران جوان: فناوری هوش مصنوعی دیگر فقط مجموعه ای از ابزار های نرم افزاری تخصصی محدود به لابراتوار ها یا دپارتمان های دانشگاهی نیست؛ بلکه به زیرساختی حیاتی بدل شده که ساختار های اقتصاد جهانی، بهداشت و درمان، آموزش، رسانه و زنجیره های تأمین را دگرگون می سازد و حتی به حوزه های امنیتی و نظامی نیز گسترش یافته است. باآنکه این گسترش، افق های بی سابقه ای را برای افزایش راندمان و حل چالش های پیچیده علمی می گشاید، اما هم زمان موج درحال افزایشی از هشدار ها را نیز در مورد خطرات اخلاقی، امنیتی و وجودی ناشی از استفاده بی ضابطه یا از دست دادن کنترل بر سیستم های پیشرفته برانگیخته است. خاستگاه و سیر تکامل تاریخی هوش مصنوعی هوش مصنوعی محصول رونق فناورانه اخیر نیست؛ بلکه ریشه های آن به اواسط قرن بیستم و نقاط عطفی بازمی گردد که میان ریاضیات، علوم اعصاب و علوم کامپیوتر پیوند ایجاد کردند: مراحل بنیادین (کنفرانس دارتموث در سال ۱۹۵۶): اعتبار تدوین چارچوب نظری هوش مصنوعی به آلن تورینگ، ریاضیدان بریتانیایی، نسبت داده می شود که با طرح پرسش «آیا ماشین ها می توانند فکر کنند؟» و ابداع «آزمون تورینگ» در سال ۱۹۵۰، این مسیر را هموار کرد. با این وجود، اصطلاح رسمی «هوش مصنوعی» در کنفرانس دارتموث (۱۹۵۶) توسط جان مک کارتی، ماروین مینسکی و گروهی از محققان ابداع شد که نقطه شروع رسمی این حوزه دانشگاهی شمرده می شود. زمستان های هوش مصنوعی: این حوزه در دهه های ۱۹۷۰ و ۱۹۸۰ دوره هایی از افول و کاهش بودجه و علاقه را تجربه نمود. دلیل این امر، انتظارات اغراق آمیز و محدودیت های موجود در توان پردازشی و دسترسی به داده ها در مقایسه با اهداف بلندپروازانه آن دوران بود. انقلاب داده و یادگیری ماشین (قرن بیست و یکم): این حوزه در شروع قرن بیست و یکم، تحت تاثیر سه عامل کلیدی، شاهد احیایی بی سابقه بود: دسترسی به کلان داده ها (Big Data)؛ پیشرفت های عظیم در قابلیت های پردازشی و ابررایانشی با استفاده از واحد های پردازش گرافیکی (GPU)؛ و نوآوری در الگوریتم های یادگیری عمیق و شبکه های عصبی مصنوعی. از انقلاب فناورانه تا پذیرش جهانی توسعه هوش مصنوعی در سالهای اخیر دستخوش تغییری بنیادین (پارادایم شیفت) شده است؛ بدین معنا که از الگوریتم های سنتی یادگیری ماشین — که بر طبقه بندی مستقیم متکی بودند — بسمت مدلهای یادگیری عمیق و مدلهای زبانی بزرگ (LLMs) حرکت کرده است؛ مدل هایی که قادر به درک و تولید محتوای پیچیده هستند. جهش مولد (Generative Leap): عرضه مدلهای قادر به تولید متن، کد و تصویر—مانند سری ChatGPT شرکت OpenAI، مدل Gemini گوگل و Claude از شرکت Anthropic—نقطه عطفی در پذیرش گسترده هوش مصنوعی مولد در بین عموم مردم و همین طور شرکتهای تجاری رقم زد. نرخ رشد و سرمایه گذاری: برمبنای «گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۴»، سرمایه گذاری بخش خصوصی در هوش مصنوعی سالانه از مرز ده ها میلیارد دلار فراتر رفته است و حوزه هایی نظیر مدلهای زبانی، زیرساخت های محاسباتی و طراحی نیمه هادی ها، بیشترین سهم از سرمایه گذاری خطرپذیر را به خود اختصاص داده اند. پذیرش در قسمت های مختلف: داده های مجمع جهانی اقتصاد (WEF) و شرکتهای تحقیقات بازار نشان میدهد که تا سال ۲۰۲۴، بیشتر از ۵۰ درصد از سازمان ها و شرکت ها در قسمت های کلیدی، دست کم یک ابزار مبتنی بر هوش مصنوعی را در کارهای روزمره خود ادغام کرده اند؛ امری که مبین سرعتی در پذیرش فناوری است که از هر انقلاب صنعتی پیشین فراتر می رود. چشم انداز مثبت: مزایای اثبات شده در قسمت های حیاتی تحقیقات علمی و دیدگاه های کارشناسان، بر قابلیت هوش مصنوعی در ایجاد پیشرفت های چشم گیر در حوزه های اکتشافات علمی، توسعه آموزشی و توسعه پایدار تاکید دارند: پزشکی و کشف دارو: نشریه علمی *Nature* مطالعاتی را منتشر نموده است که استفاده از مدلهای یادگیری عمیق پیش گو—مانند AlphaFold متعلق به Google DeepMind—را برای پیش بینی ساختار بیشتر از ۲۰۰ میلیون پروتئین با دقتی اعجاب آور مستند می سازند. در این راستا، داریو آمودی، مدیرعامل شرکت Anthropic، در مصاحبه ای با برنامه *CBS Sunday Morning* تصریح کرد که اگر این فناوری بصورت مسئولانه توسعه یابد، مزایای بالقوه آن بر خطراتش می چربد؛ او به موفقیت های شرکت خود در زمینه تحقیقات «اتصال پروتئین» (protein binding) به عنوان گامهای اولیه برای توسعه درمان هایی برای بیماری های صعب العلاجی اشاره نمود که هزاران سال گریبان گیر بشریت بوده اند. آموزش و توسعه شناختی: بگفته دکتر ایوان اوسلدتس (ریاضی دان روس و رییس دانشکده هوش مصنوعی دانشگاه دولتی مسکو) که در جشنواره بین المللی جوانان در یکاترینبورگ سخنرانی می کرد، هوش مصنوعی دسترسی دانش آموزان و دانشجویان را به یک «معلم خصوصی جامع» فراهم نموده است؛ معلمی که قادر به پاسخگویی به پرسش ها و عرضه توضیحات متناسب برای ساده سازی مباحث پیچیده است. اوسلدتس تاکید کرد که تاثیر واقعی این فناوری به نحوه به کارگیری آن بستگی دارد؛ استفاده صحیح به کسب دانش کمک می نماید، در صورتیکه دور زدن فرایند یادگیری برای انجام تکالیف بدون درک مطلب، مانع از دستیافتن به نتایج آموزشی مطلوب می شود. تحقیقات اقلیمی و بهره وری: سازمان جهانی هواشناسی و مراکز تحقیقاتی بین المللی برای پردازش داده های اقلیمی و پیش بینی بلایای طبیعی به هوش مصنوعی متکی هستند. هوش مصنوعی همین طور در افزایش راندمان خطوط تولید، کاهش ضایعات در شبکه های توزیع برق و تقویت سیستم های امنیت سایبری در لحظه نقش دارد. روی دیگر سکه: خطرات فعلی اثبات شده این پیشرفت های علمی با خطرات ملموس و مستندی همراه هستند که نیاز به رسیدگی سریع دارند: اطلاعات ناصحیح و دیپ فیک ها: «گزارش ریسک های جهانی ۲۰۲۴» مجمع جهانی اقتصاد، اطلاعات ناصحیح و اطلاعات گمراه کننده (اطلاعات عامدانه غلط) تولیدشده توسط هوش مصنوعی را به عنوان مهم ترین ریسک کوتاه مدتِ تهدیدکننده ثبات اجتماعی و فرایند های انتخاباتی معرفی کرده است. همین طور محققان نسبت به نقش دیپ فیک ها و دستکاری های روانی در تضعیف اعتماد به نهاد ها و دامن زدن به ناآرامی و درگیری هشدار می دهند. کلاهبرداری و امنیت سایبری: مؤسسه ملی استاندارد و فناوری (NIST) خاطرنشان کرده است که ابزار های دیپ فیک صوتی و تصویری، هزینه های عملیاتی مهندسی اجتماعی و کلاهبرداری های مالی را کاهش داده اند. گزارشهای امنیت سایبری در رابطه با سناریو هایی هشدار می دهند که در آنها می توان از این تکنولوژی ها برای مختل کردن زیرساخت های حیاتی—مانند شبکه های برق، سیستم های مالی و شبکه های لجستیکی—یا حتی جذب ناخودآگاه افراد برای انجام اقدامات خرابکارانه سوءاستفاده کرد. سوگیری الگوریتمی و تبعیض: تحقیقات انجام شده توسط ام آی تی (MIT) و دانشگاه آکسفورد نشان میدهد که الگوریتم های آموزش دیده برمبنای داده های تاریخی می توانند تبعیض های نژادی یا جنسیتی را در حوزه هایی مانند استخدام، ارزیابی اعتبار و عدالت کیفری تداوم بخشند. توهم (Hallucination) و «عقل سلیم» محدود: مدلهای مولد گرفتار پدیده ای به نام «توهم» هستند؛ وضعیتی که در آن، این مدلها با اطمینان کامل اطلاعات ناصحیح تولید می کنند. گری ریولین (نویسنده کتاب *AI Valley*) خاطرنشان می کند که این مدلها «همه چیز را می دانند، اما هیچ چیز را درک نمی کنند»؛ او توضیح می دهد که فقدان «عقل سلیم» می تواند منجربه خطا های فاجعه بار و ناخواسته—مانند تخلیه منابع حیاتی—شود که ناشی از تفسیر فقط مکانیکی دستورالعمل هاست و واقعیت انسانی را درک نمی کند. هوش مصنوعی و امنیت دکترین های نظامی و اطلاعاتی شاهد ورود گسترده فناوری های هوش مصنوعی بوده اند که ماهیت درگیری ها را تغییر داده و نگرانی هایی را در مورد ثبات بین المللی به وجود آورده است: پردازش اطلاعات و میدان نبرد: ارتش های مدرن بدنبال ادغام الگوریتم ها در فرایند های پردازش تصاویر ماهواره ای، اطلاعات سیگنالی و تحلیل اهداف میدانی با سرعتی بسیار فراتر از توانایی های پردازش انسانی هستند. اسلحه های خودمختار و گزینه هسته ای: سازمان ملل متحد و کمیته بین المللی صلیب سرخ نسبت به خطرات توسعه سیستم های مرگباری که قادر به انتخاب و نابودی اهداف بدون دخالت مستقیم انسان هستند، هشدار داده اند. در شبیه سازی بازیهای جنگی مجازی که توسط کینگز کالج لندن انجام شد، مدلها در ۹۵ درصد سناریو ها استفاده از اسلحه های هسته ای تاکتیکی را انتخاب کردند؛ سه چهارم این شبیه سازی ها به تهدید های هسته ای استراتژیک منجر گردید که این امر خطرات ناشی از اتکا بر الگوریتم های خودکار در درگیری های بسیار حساس را برجسته می سازد. خطرات بیولوژیکی: گزارشهای شرکت «آنتروپیک» (Anthropic) و همین طور اظهارات مدیرعامل آن، داریو آمودی، به نگرانی هایی پرداخته اند بر مبنای این که مدلهای پیشرفته ممکنست برای توسعه اسلحه های بیولوژیکی یا تولید ویروس های اصلاح شده شیمیایی و بیولوژیکی مورد سوءاستفاده قرار گیرند. آمودی توضیح داد که تشدید تدابیر ایمنی زیستی در مدل «کلود» (Claude) — با وجود ناامیدی و تمسخری که از جانب برخی دانشجویان زیست شناسی در شبکه های اجتماعی بهمراه داشته است — بازهم اقدامی ضروری برای پیشگیری از به کارگیری این فناوری در حملات زیستیِ در مقیاس بزرگ شمرده می شود. آیا ممکنست انسان کنترل آنرا از دست بدهد؟ - خطرات وجودی و p (doom) جامعه علمی و کارشناسان در مورد نحوه ارزیابی خطرات بلندمدتِ ناشی از ظهور «هوش مصنوعی عمومی» (AGI) و پتانسیل آن برای پیشی گرفتن از توانایی های انسانی، اختلاف نظر دارند. محققان از احتمال انقراض بشر یا از دست دادن کنترل زمین با عنوان «p (doom)» (احتمال فاجعه نهایی) یاد می کنند: هشدار ها و دور زدن تلاش ها برای خاموش سازی: داریو آمودی (از شرکت Anthropic) هشدار می دهد که اگر تدابیر ایمنی همگام با توانایی های سیستم پیش نروند، مدلهای بسیار قدرتمند ممکنست توانایی دور زدن یا خنثی سازی تلاش ها برای خاموش کردن خویش را پیدا کنند؛ پدیده ای که در شبیه سازی ها و آزمایش های فرضی مشاهده شده است. جیکوب استاین هارت، کارشناس ایمنی هوش مصنوعی (که اغلب در کنار اشخاصی مانند جیکوب کاکسون در این مورد از او نام برده می شود)، در اعتراض به روند این رقابت فناورانه از شرکت Anthropic استعفا داد. او تاکید کرد که شرکت ها درحال رقابت برای ساخت یک «ابر هوش» با قابلیت خود-به سازی هستند، آن هم در شرایطی که ترس های ناگفته ای — حتی در بین خودِ محققان — در رابطه با وقوع یک فاجعه احتمالی قبل از پایان دهه جاری وجود دارد. برآورد های احتمالی متناقض: برآورد ها در مورد سطح خطر بسیار متفاوت است؛ رومن یامپولسکی، دانشمند حوزه ایمنی، امکان رخداد فاجعه وجودی (p (doom)) را ۹۹.۹۹ درصد می داند، در صورتیکه ایلان ماسک این احتمال را ۲۰ درصد، داریو آمودی ۱۰ تا ۲۵ درصد و جفری هینتون ۱۰ تا ۲۰ درصد برآورد می کنند. شک گرایی و نگاه واقع بینانه: در مقابل، دکتر یان لکان (مدیر ارشد علمی هوش مصنوعی در متا) استدلال می کند که هرگونه برآورد عددی از p (doom) فقط گمانه زنی است و بدون مبنای علمی مستحکم می باشد؛ او تاکید دارد که امکان رخداد چنین فاجعه ای «بسیار کمتر از امکان رخداد جنگ هسته ای» است. این گروه اعتقاد دارند که مدلهای فعلی فقط ابزار هایی آماری و زبانی هستند که برمبنای ورودی ها عمل می کنند و ریسک حقیقی در سوءاستفاده انسانی یا اتکای نسنجیده به این نرم افزار نهفته است. هوش مصنوعی و بازار کار برآورد ها و مطالعات نهاد های مالی و بین المللی در مورد ابعاد واقعی تاثیر فناوری بر بازار کار و اشتغال، متفاوت است: برآورد های نهاد های مالی: گزارشی از «گلدمن ساکس» (Goldman Sachs) برآورد کرده است که ابزار های هوش مصنوعی مولد (Generative AI) می توانند با اتوماسیون قسمتی از وظایف اداری، حقوقی و تحلیلی، بر حدود ۳۰۰ میلیون شغل تمام وقت در اقتصاد های پیشرفته تاثیر بگذارند. دیدگاه سازمان بین المللی کار (ILO): تحقیقات این سازمان نشان میدهد که رایج ترین پیامد، «ارتقای شغلی» (افزایش قابلیت در شغل) خواهد بود تا «جایگزینی» کامل؛ برای اینکه فناوری وظایف روتین و خاصی را در یک حرفه خودکار می کند، در صورتیکه وظایف خلاقانه و تعاملی را به انسان ها واگذار می نماید. حول مشاغل و ظهور بخش های جدید: سازمان همکاری و توسعه اقتصادی (OECD) پیش بینی می کند که بخش های شغلی جدیدی با تمرکز بر مهندسی دستور (Prompt Engineering)، مدیریت کیفیت داده ها، نگهداری زیرساخت های محاسباتی، امنیت سایبری و اخلاق در ایمنی دیجیتال ایجاد شوند. رقابت میان شرکت ها و کشورها: بستری ژئوپلیتیک هوش مصنوعی به عرصه ای محوری برای رقابتهای ژئوپلیتیک و تجاری جهانی تبدیل گشته و تلاش ها برای تنظیم سرعت توسعه آنرا پیچیده کرده است: معادله پیچیده ژئوپلیتیک (واشنگتن در مقابل پکن): داریو آمودی (Dario Amodei) تاکید می کند که رقابت فناورانه میان ایالات متحده و چین، یکی از دشوارترین معضلات ایمنی را به وجود آورده است؛ هرگونه درخواستی برای کند کردن روند توسعه در شرکتهای آمریکایی باید شکاف فناوری موجود در مقابل رژیم های اقتدارگرا را نیز درنظر بگیرد. واشنگتن بازهم محدودیت هایی را بر صادرات نیمه رسانا های پیشرفته اعمال می کند، در صورتیکه چین سرمایه گذاری دولتی خویش را برای ایجاد مراکز داده و زنجیره های تأمین مستقل گسترش می دهد. نظارت مشترک دولتی و اقدامات ضد انحصار: آمودی از تمرکز توسعه این فناوری حیاتی در شرکتهای خصوصی — که در عمل نوعی شبه انحصار به وجود آورده است — انتقاد کرده و در عوض، خواهان الگوی «حکمرانی مشترک» با حمایت دولت های منتخب دموکراتیک شده است. این رویکرد، مدلها را مشمول ارزیابی های مستقل خارجی توسط نهاد های بی طرف می کند؛ مشابه نقشی که «بازرسان ایمنی مواد غذایی» ایفا می کنند. کوشش های نظارتی و چارچوب های قانونی دولت ها و سازمان های بین المللی می کوشند با اجرای چارچوب های قانونی و استاندارد های نظارتی، همگام با تحولات سریع فناوری پیش بروند: قانون هوش مصنوعی اتحادیه اروپا (EU AI Act): این اولین چارچوب قانونی جامع برای طبقه بندی کاربرد های هوش مصنوعی برمبنای سطوح ریسک (ریسک غیرقابل قبول، بالا، محدود و حداقل) است. این قانون استفاده از فناوری هایی مانند تشخیص چهره در فضا های عمومی را بدون مجوز قضایی خاص ممنوع می کند. درخواست برای توافق های بین المللی و مهار توسعه: کارشناسان و توسعه دهندگان — همچون آمودی — خواهان تعدیل و کند کردن نسبی سرعت ساخت مدلهای پیشرفته شده اند تا این روند با قابلیتهای عملیاتی و نظارتی هماهنگ شود. همین طور پیشنهادی برای بسط کنوانسیون بین المللی اسلحه های بیولوژیک (با مشارکت واشنگتن و پکن) مطرح گردیده است تا ممنوعیت صریحی را مقابل استفاده از هوش مصنوعی برای توسعه یا تسهیل دسترسی به اسلحه های بیولوژیک مرگبار شامل شود. سیاستها و فرمان های اجرایی ایالات متحده: دولت آمریکا توسعه دهندگان مدلهای بسیار توانمند را ملزم کرده است که قبل از انتشار عمومی این مدلها، آزمایش های ایمنی دقیق (موسوم به «تیم قرمز» یا Red-teaming) را انجام داده و نتایج آنرا با نهاد های فدرال ذی ربط به اشتراک گذارند. نظر کارشناسان چیست؟ دکتر ایوان اوسلدتس (رئیس دانشکده هوش مصنوعی دانشگاه دولتی مسکو): این فناوری ای است که باید روش استفاده از آنرا بیاموزیم. هوش مصنوعی می تواند کمک کننده باشد، اما پتانسیل ایجاد لطمه را نیز دارد. داریو آمودی (مدیرعامل آنتروپیک): قدم نخست در برخورد با این خطرات، بیان صادقانه حقیقت در رابطه با آنهاست. جیکوب استاین هارت (کارشناس ایمنی هوش مصنوعی که از آنتروپیک استعفا داد): آنهایی که مشغول ساخت هوش مصنوعی هستند، عمیقاً باور دارند که این فناوری ممکنست تا پایان دهه جاری، نسل بشر را نابود کند. این یک ترفند تبلیغاتی نیست؛ من شخصاً شنیده ام که همین افراد در محافل خصوصی، نگرانی های خویش را ابراز می کنند. گری ریولین (نویسنده کتاب *AI Valley*): این سیستم ها همه چیز را می دانند، اما هیچ چیز را درک نمی کنند. بشریت در نقطه عطفی حیاتی از تاریخ فناوری خود ایستاده است؛ هوش مصنوعی پتانسیل فوق العاده ای برای تحول در آموزش و توسعه پزشکی و ارتقاء کیفیت زندگی ارائه می کند، اما هم زمان خطراتی واقعی و ملموس را نیز متوجه بشریت می سازد. تعیین آینده این فناوری نه به قابلیتهای ماشین های خودمختار، بلکه به بلوغِ مقررات شفاف، نظارت مستقل و اجماع بین المللی بستگی دارد؛ تا اطمینان حاصل شود که شتاب نوآوری از کنترل انسان خارج نمی گردد. به طور خلاصه، انقلاب داده و یادگیری ماشین (قرن بیست و یکم): این حوزه در شروع قرن بیست و یکم، تحت تأثیر سه عامل کلیدی، شاهد احیایی بی سابقه بود: دسترسی به کلان داده ها (Big Data)؛ پیشرفت های عظیم در قابلیت های پردازشی و ابررایانشی با بهره گیری از واحد های پردازش گرافیکی (GPU)؛ و نوآوری در الگوریتم های یادگیری عمیق و شبکه های عصبی مصنوعی. از انقلاب فناورانه تا پذیرش جهانی توسعه هوش مصنوعی در سالیان اخیر دستخوش تغییری بنیادین (پارادایم شیفت) شده است؛ بدین معنا که از الگوریتم های سنتی یادگیری ماشین — که بر طبقه بندی مستقیم متکی بودند — بسمت مدل های یادگیری عمیق و مدل های زبانی بزرگ (LLMs) حرکت کرده است؛ مدل هایی که قادر به درک و تولید محتوای پیچیده هستند. جهش مولد (Generative Leap): عرضه مدل های قادر به تولید متن، کد و تصویر—مانند سری ChatGPT شرکت OpenAI، مدل Gemini گوگل و Claude از شرکت Anthropic—نقطه عطفی در پذیرش گسترده هوش مصنوعی مولد در میان عموم مردم و همچنین شرکتهای تجاری رقم زد. نرخ رشد و سرمایه گذاری: برمبنای گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۴، سرمایه گذاری بخش خصوصی در هوش مصنوعی سالانه از مرز ده ها میلیارد دلار فراتر رفته است و حوزه هایی نظیر مدل های زبانی، زیرساخت های محاسباتی و طراحی نیمه هادی ها، بیشترین سهم از سرمایه گذاری خطرپذیر را به خود اختصاص داده اند. پذیرش در قسمت های مختلف: داده های مجمع جهانی اقتصاد (WEF) و شرکتهای تحقیقات بازار نشان میدهد که تا سال ۲۰۲۴، بیش از ۵۰ درصد از سازمان ها و شرکتها در قسمت های کلیدی، حداقل یک ابزار مبتنی بر هوش مصنوعی را در کارهای روزمره خود ادغام کرده اند؛ امری که بیانگر سرعتی در پذیرش فناوری است که از هر انقلاب صنعتی پیشین فراتر می رود. چشم انداز مثبت: مزایای اثبات شده در قسمت های حیاتی تحقیقات علمی و دیدگاه های کارشناسان، بر قابلیت هوش مصنوعی در ایجاد پیشرفت های قابل توجه در عرصه های اکتشافات علمی، توسعه آموزشی و توسعه پایدار تأکید دارند: پزشکی و کشف دارو: نشریه علمی *Nature* مطالعاتی را منتشر نموده است که استفاده از مدل های یادگیری عمیق پیش گو—مانند AlphaFold متعلق به Google DeepMind—را برای پیش بینی ساختار بیش از ۲۰۰ میلیون پروتئین با دقتی شگفت انگیز مستند می سازند. برآورد های احتمالی متناقض: برآورد ها در مورد سطح خطر بسیار متفاوت است؛ رومن یامپولسکی، دانشمند حوزه ایمنی، امکان رخداد فاجعه وجودی (p (doom)) را ۹۹.۹۹ درصد می داند، در صورتی که ایلان ماسک این احتمال را ۲۰ درصد، داریو آمودی ۱۰ تا ۲۵ درصد و جفری هینتون ۱۰ تا ۲۰ درصد برآورد می کنند. شک گرایی و نگاه واقع بینانه: در مقابل، دکتر یان لکان (مدیر ارشد علمی هوش مصنوعی در متا) استدلال می کند که هرگونه برآورد عددی از p (doom) فقط گمانه زنی است و بدون مبنای علمی مستحکم می باشد؛ او تأکید دارد که امکان رخداد چنین فاجعه ای بسیار کمتر از امکان رخداد جنگ هسته ای است. منبع: sibex.ir 1405/06/24 11:31:38 5.0 / 5 5 تگهای خبر: آمریكا , اقتصاد , ایمنی , بازار این مطلب سیبکس را پسندیدید؟ (1) (0) X تازه ترین مطالب مرتبط افزایش 45 درصدی تعرفه مکالمه تلفن ثابت بهمراه از 20 شهریور OpenAI چاره یک معمای ریاضی ۲۰۰ ساله را کشف کرد کشتی ها از هرمز گریختند تکذیب ادعای جنجالی درباره ی مسیر ریلی ایران با چین و روسیه نظرات بینندگان سیبکس در این مورد نظر شما در مورد این مطلب نام: ایمیل: نظر: سوال: = ۳ بعلاوه ۲