دکتر هومن قاپچی، فوق دکترای مدیریت رسانه، دانشگاه تهران

برای ورود به بحث هوش مصنوعی و آینده تولید دانش، شاید لازم باشد پیش از آنکه درباره توانایی ماشین سخن بگوییم، دو پرسش بنیادی‌تر را مطرح کنیم: علم چیست و کدام انسان قرار است در کنار ماشین تصمیم بگیرد؟

یکی از خطاهای رایج در فهم علم، تقلیل تولید دانش به شاخص‌های قابل شمارش دانشگاهی است؛ تعداد مقاله، تعداد استناد، ارتقای مرتبه دانشگاهی یا سرعت انتشار. این شاخص‌ها می‌توانند بخشی از عملکرد علمی را اندازه‌گیری کنند، اما با خودِ «علم» یکی نیستند.

علم پیش از آنکه مجموعه‌ای از محصولات باشد، یک شیوه شناختن، پرسیدن، آزمودن، نقد کردن و بازتعریف مسئله است. آزمایشگاه‌های پیشرفته علمی، زیست‌بوم‌های نوآوری و حتی سنت‌های تاریخی تولید دانش، با وجود تفاوت‌های بنیادین، در یک نقطه مشترک‌اند: دانش زمانی زنده است که انسان درگیر مسئله باشد، نه صرفاً درگیر تولید خروجی. از همین‌جا مسئله «انسان در حلقه»[1] اهمیت پیدا می‌کند. صرف حضور فیزیکی انسان در فرایند تصمیم‌گیری کافی نیست. پرسش مهم‌تر این است که چه انسانی در حلقه قرار دارد؟

تفاوت بسیاری وجود دارد میان پژوهشگر یا مدیری که با پشتوانه دانش، تجربه و قدرت نقد از هوش مصنوعی برای توسعه توانایی‌های خود استفاده می‌کند و فردی که بدون برخورداری از بنیان دانشی، تصمیم‌گیری خود را به خروجی ماشین واگذار می‌کند.

بنابراین، مسئله اصلی آینده دانشگاه فقط این نیست که «هوش مصنوعی چه چیزی را از انسان خواهد گرفت؟»؛ بلکه باید پرسید انسان پیش از ورود هوش مصنوعی چه میزان از فرایند اندیشیدن، پرسشگری و تولید دانش را به‌درستی انجام می‌داده است؟

۲. رسانه، معنا و مسئله تجربه زیسته

از منظر مدیریت رسانه و علوم شناختی، ارتباط را می‌توان در ساده‌ترین صورت، در نسبت میان فرستنده، پیام و گیرنده فهم کرد. اما درک معاصر از ارتباط نشان می‌دهد که معنا صرفاً در متن پیام یا در قصد فرستنده قرار ندارد؛ معنا در فرایند مواجهه مخاطب با پیام و در نسبت آن با پیشینه شناختی، تجربه، زمینه اجتماعی و نظام تداعی‌های او شکل می‌گیرد.

از این منظر، هوش مصنوعی ما را با پرسشی بنیادی مواجه می‌کند: آیا تولید یک متن معنادار با زیستن معنا یکسان است؟

هوش مصنوعی می‌تواند متن تولید کند، الگوهای زبانی را تشخیص دهد، میان داده‌ها ارتباط برقرار کند و حتی در برخی حوزه‌ها به تولید فرضیه یا ایده کمک کند. اما ماشین، به معنای انسانی کلمه، دارای «تجربه زیسته» نیست.

ماشین خستگی را زندگی نکرده، بیماری را از سر نگذرانده، درد فقدان را تجربه نکرده، بیگانگی انسان با محیط کار را زیست نکرده و با مسئله بودنِ خود در جهان مواجه نشده است. این تمایز به معنای انکار توانایی‌های شناختی یا زبانی سامانه‌های هوش مصنوعی نیست؛ بلکه یادآوری یک تفاوت بنیادین میان پردازش اطلاعات و زیست انسانی است.

در نتیجه، مسئله آینده علوم انسانی صرفاً این نیست که ماشین می‌تواند چه چیزی تولید کند؛ بلکه این است که چه بخشی از معنای انسانی، در فرایند محاسباتی قابل تقلیل نیست؟

۳. از محتوا تا زمینه: الگوی C + 2P + R3

در ارزیابی فرایندهای دانشی و رسانه‌ای، سرعت، صحت و دقت اهمیت دارند؛ اما این سه مؤلفه برای توضیح کامل کیفیت یک فرایند شناختی کافی نیستند. در علوم انسانی، یک متن ممکن است از نظر زبانی دقیق باشد، اما بدون درک زمینه، مفهوم و مسئله‌ای که در دل آن قرار دارد، ارزش شناختی محدودی داشته باشد. از همین منظر، الگوی پیشنهادی 3C + 2P + R می‌تواند چارچوبی برای تحلیل فرایند تولید دانش و محتوای رسانه‌ای فراهم کند:

3C:	Content  = محتوا Context  =  زمینه Concept   = مفهوم
2P:	Product  = محصول Process  =  فرایند
R:	Role  =  نقش و مسئولیت کنشگر

 

 

 

 

 

 

هوش مصنوعی در تولید محتوا و محصول می‌تواند بسیار توانمند باشد؛ از مرور نظام‌مند منابع گرفته تا خلاصه‌سازی، تحلیل داده، تولید پیش‌نویس و کمک به نگارش. اما ارزش واقعی دانش صرفاً در محصول نهایی خلاصه نمی‌شود. زمینه، مفهوم، فرایند و نقش انسانی تعیین می‌کنند که یک خروجی چگونه باید فهم، ارزیابی و به کار گرفته شود.

به همین دلیل، نباید کیفیت تفکر انسانی را صرفاً با میزان انطباق آن با الگوهای الگوریتمی سنجید. بخشی از خلاقیت انسانی دقیقاً در جایی شکل می‌گیرد که امکان پیش‌بینی کامل وجود ندارد: در پرسش تازه، خطای معنادار، تغییر زاویه دید، تجربه زیسته و حتی بداهه. همان‌گونه که در موسیقی، اجرای یک هنرمند صرفاً به دلیل انطباق با یک الگوی ریاضی ارزشمند نیست، در تفکر نیز ارزش یک ایده الزاماً از میزان نظم الگوریتمی آن ناشی نمی‌شود. گاهی تکثر، ناهمگونی و بداهه، بخشی از اصالت انسانی‌اند.

۴. مسئله خودکارسازی و «سطح بازگشت»

یکی از مهم‌ترین مسائل آینده، نه خودِ استفاده از هوش مصنوعی، بلکه وابستگی افراطی به آن است. هر فناوری قدرتمندی در کنار افزایش ظرفیت، می‌تواند نوعی وابستگی ایجاد کند. اگر سازمان‌ها و نهادهای علمی به‌تدریج مهارت‌های انسانی، دانش ضمنی و ظرفیت تربیت نیروهای متخصص را کنار بگذارند، در صورت اختلال فناوری، خطای سامانه یا بحران‌های پیش‌بینی‌نشده، مسئله‌ای جدی شکل خواهد گرفت: سطح بازگشت ما کجاست؟

منظور از سطح بازگشت[2] آن سطحی از دانش، مهارت و ظرفیت انسانی است که در صورت از کار افتادن سامانه‌های هوشمند، امکان ادامه فعالیت را فراهم می‌کند.

این موضوع در تربیت نیروی انسانی اهمیت ویژه‌ای دارد. اگر نسل‌های تازه‌وارد تنها مصرف‌کننده خروجی سامانه‌های هوشمند باشند، ممکن است بخشی از مسیر طبیعی شکل‌گیری تجربه و تخصص از بین برود. در این صورت، مسئله فقط جایگزینی چند شغل نیست؛ مسئله، گسست زنجیره انتقال تجربه است. از این منظر می‌توان از مفهوم «بهمن حذف خودکار» سخن گفت: فرایندی که ممکن است با حذف بخشی از وظایف ساده آغاز شود، اما در صورت توسعه و تعمیق خودکارسازی، به سطوح پیچیده‌تر سازمانی نیز سرایت کند. پاسخ به این مسئله، توقف فناوری نیست؛ بلکه طراحی نوعی رابطه جدید میان انسان و ماشین است که در آن ماشین، ظرفیت انسان را افزایش دهد، نه اینکه ظرفیت انسانی برای همیشه کنار گذاشته شود.

۵. پارادوکس آزادی: قفس‌های بزرگ‌تر و زنجیرهای بلندتر

هوش مصنوعی و الگوریتم‌ها می‌توانند دامنه انتخاب انسان را افزایش دهند، اما افزایش گزینه‌ها لزوماً به معنای افزایش خودمختاری نیست. اگر انتخاب‌های انسان به‌تدریج در چارچوب پیشنهادهای الگوریتمی شکل بگیرند، ممکن است فرد احساس کند کاملاً آزاد است، در حالی که معماری انتخاب او تا حد زیادی توسط سامانه‌ای بیرونی تنظیم شده است. از این منظر، تعبیر «قفس‌های بزرگ‌تر و زنجیرهای بلندتر» را می‌توان برای توصیف یک پارادوکس شناختی به کار برد: گاهی ابزارهایی که آزادی انتخاب را افزایش می‌دهند، هم‌زمان می‌توانند چارچوب انتخاب را نیز شکل دهند.

اما تفاوت انسان و ماشین تنها در تعداد گزینه‌ها نیست. تصمیم‌های انسانی در بسیاری از موقعیت‌ها با عاطفه، تجربه، همدلی، زمینه و فهم موقعیت همراه‌اند. برای مثال، تصمیم‌گیری در یک موقعیت بحرانی را نمی‌توان همیشه به مقایسه چند عدد و احتمال تقلیل داد. انسان ممکن است در یک موقعیت مشابه، تحت تأثیر پیوند عاطفی، مسئولیت اخلاقی، تجربه پیشین یا فهمی قرار گیرد که به‌سادگی قابل تبدیل به یک متغیر عددی نیست. این همان جایی است که مفهوم هوش طبیعی اهمیت پیدا می‌کند؛ هوشی که فقط محاسبه نمی‌کند، بلکه تجربه می‌کند، تفسیر می‌کند، معنا می‌سازد و مسئولیت می‌پذیرد.

۶.  از میان‌رشته‌ای تا فرارشته‌ای: انسان خبره در حلقه

مسائل پیچیده امروز، از بحران آب گرفته تا آسیب‌های اجتماعی و تحولات رسانه‌ای، معمولاً در مرز یک رشته علمی قرار نمی‌گیرند.

برای مواجهه با چنین مسائلی، صرفاً کنار هم قرار دادن چند رشته کافی نیست. در رویکرد فرارشته‌ای[3]، مسئله واقعی در مرکز قرار می‌گیرد و دانش‌های مختلف حول آن سازمان پیدا می‌کنند.

در چنین الگویی، علوم اجتماعی رایانشی، هوش مصنوعی، علوم شناختی، مدیریت، ارتباطات و سایر حوزه‌های تخصصی می‌توانند در کنار یکدیگر قرار گیرند؛ اما نقطه اتصال آنها همچنان باید مسئله واقعی انسان و جامعه باشد. اینجاست که مفهوم «انسان ارشد یا خبره در حلقه» اهمیت پیدا می‌کند. منظور از این مفهوم، انسانی نیست که صرفاً در پایان فرایند یک خروجی ماشینی را تأیید کند؛ بلکه انسانی است که بتواند مسئله را تعریف کند، زمینه را بفهمد، خروجی ماشین را نقد کند، محدودیت‌های آن را بشناسد و در نهایت مسئولیت تصمیم را بر عهده بگیرد. بنابراین، استفاده از هوش مصنوعی و علوم اجتماعی رایانشی در حکمرانی نیز نباید به برچسب‌زنی، ساده‌سازی جامعه یا تصمیم‌گیری دستوری درباره انسان‌ها محدود شود.

یکی از مهم‌ترین ظرفیت‌های این فناوری‌ها می‌تواند شنیدن بهتر جامعه باشد؛ شنیدن صداهایی که در ساختارهای رسمی کمتر شنیده می‌شوند و فهم گروه‌هایی که در دوگانه‌های رایج سیاسی، اجتماعی و رسانه‌ای به‌سادگی قابل دسته‌بندی نیستند. در اینجا مفهوم «مخاطب خاکستری» اهمیت پیدا می‌کند: مخاطبی که الزاماً خود را در یکی از اردوگاه‌های از پیش تعریف‌شده قرار نمی‌دهد، پرسش می‌کند، تردید دارد، انتخاب می‌کند و ممکن است در موقعیت‌های مختلف مواضع متفاوتی داشته باشد.

علوم اجتماعی رایانشی اگر قرار است در خدمت جامعه باشد، باید به جای حذف این پیچیدگی، بتواند آن را بهتر مشاهده و فهم کند.

۷. نتیجه‌گیری: آینده، ترکیب هوش مصنوعی و هوش طبیعی است

آینده نه در نفی هوش مصنوعی است و نه در واگذاری کامل اختیار به آن. ما باید داده‌محور، آینده‌نگر و آگاه به هوش مصنوعی باشیم؛ اما در همان حال باید مراقب باشیم که در فرایند خودکارسازی، مهم‌ترین سرمایه خود یعنی ظرفیت انسانی برای پرسیدن، نقد کردن، معنا دادن و مسئولیت‌پذیری را از دست ندهیم. مسئله اصلی، جایگزینی انسان با ماشین نیست؛ مسئله، بازتعریف رابطه انسان و ماشین است.

هوش مصنوعی می‌تواند سرعت پردازش، دامنه دسترسی به دانش و ظرفیت تحلیل ما را افزایش دهد. اما تعریف مسئله، فهم زمینه، تشخیص اهمیت، تجربه زیسته، همدلی و پذیرش مسئولیت همچنان نیازمند حضور انسانی است. از این منظر، مسئله آینده فقط این نیست که دانشگاه چگونه از هوش مصنوعی استفاده خواهد کرد؛ مسئله این است که علم در آینده چه معنایی خواهد داشت. اگر علم را صرفاً به انباشت داده، تولید مقاله، محاسبه و استخراج پاسخ تقلیل دهیم، ماشین می‌تواند بخش بزرگی از آن را بر عهده بگیرد. اما علم، در معنای عمیق‌تر خود، چیزی بیش از دانستن است؛ علم، دانستنِ همراه با فهم است و فهم، هنگامی به کمال می‌رسد که با حکمت و مسئولیت پیوند بخورد.

در این میان، باید به یک خطر ظریف‌تر نیز توجه کرد: خودِ علم می‌تواند به حجاب تبدیل شود[4]. آنجا که دانستن، انسان را از پرسیدن بازدارد؛ آنجا که انباشت اطلاعات، توهم فهم ایجاد کند؛ و آنجا که تخصص، به جای گشودن افق‌های تازه، چشم انسان را بر نادانسته‌هایش ببندد، علم دیگر تنها ابزار شناخت نیست؛ می‌تواند به مانعی در برابر شناخت تبدیل شود.

از همین رو، شاید در عصر هوش مصنوعی، پرسش مهم‌تر از اینکه «ماشین چه چیزهایی خواهد دانست؟» این باشد که انسان با این همه دانستن، چه خواهد فهمید؟ علم واقعی آن نیست که صرفاً بر حجم دانسته‌های ما بیفزاید؛ علمی است که به فهم، حکمت و مسئولیت بینجامد. در سنت اسلامی نیز این معنا در دعای پیامبر(ص) به زیبایی بیان شده است: اللهم إنی أعوذ بک من علمٍ لا ینفع»؛ از دانشی که سودی ندارد، به خدا پناه می‌برم.

شاید رسالت علم در عصر هوش مصنوعی همین باشد: دانش را از محاسبه جدا نکنیم، اما آن را به فهم؛ فهم را به حکمت؛ و حکمت را به مسئولیت پیوند بزنیم. زیرا مسئله آینده فقط این نیست که هوش مصنوعی تا کجا پیش خواهد رفت؛ مسئله این است که انسان، با همه آنچه خواهد دانست، تا کجا خواهد فهمید و تا کجا انسان باقی خواهد ماند.