من فضلك تسجيل الدخول أو تسجيل لتفعل ذلك.

في خضم الجدل المتزايد حول التأثير الاقتصادي للذكاء الاصطناعي، يبرز رسم بياني لشركة أنثروبيك حول تأثير الذكاء الاصطناعي على سوق العمل. يقارن هذا الرسم البياني التعرض الملحوظ الحالي للمهن المختلفة (باللون الأحمر) بـ القدرة النظرية لنفس المهن (باللون الأزرق) عبر 22 فئة وظيفية. بينما يُعد التعرض الملحوظ الحالي مثيرًا للاهتمام بحد ذاته، فإن القدرة النظرية هي التي تلفت الأنظار، حيث تشير إلى أن أنظمة النماذج اللغوية الكبيرة (LLM) يمكنها أداء ما لا يقل عن 80% من المهام الوظيفية الفردية عبر مجموعة واسعة من المهن البشرية، على الأقل من الناحية النظرية. تتوقع أنثروبيك أن تكون هذه النماذج قادرة في نهاية المطاف على القيام بالغالبية العظمى من الوظائف في فئات واسعة مثل الفنون والإعلام، المكتب والإدارة، القانون والأعمال التجارية والمالية، وحتى الإدارة.

مع ذلك، يوفر البحث في أساس أرقام هذه القدرة النظرية صورة أقل إثارة للقلق بشأن التأثيرات المهنية المستقبلية للذكاء الاصطناعي. فعند التعمق في التفاصيل، يمثل هذا النطاق الأزرق تخمينات قديمة وتكهنات كبيرة حول المجالات التي من المرجح أن يؤدي فيها الذكاء الاصطناعي إلى تحسين الإنتاجية البشرية، وليس بالضرورة المجالات التي سيحل فيها محل البشر تمامًا.

أسس قياس القدرات النظرية للذكاء الاصطناعي

لا يعتمد خط الأساس للقدرة النظرية للنماذج اللغوية الكبيرة الذي تستشهد به أنثروبيك هنا على الاختبار التجريبي الخاص بالشركة لنماذجها الحالية أو التوقعات القابلة للقياس لزيادة الأداء بمرور الوقت. بدلاً من ذلك، تستشهد أنثروبيك بتقرير صدر في أغسطس 2023 بعنوان نماذج جي بي تي هي نماذج جي بي تي: نظرة مبكرة على إمكانات تأثير النماذج اللغوية الكبيرة على سوق العمل شارك في تأليفه باحثون من OpenAI وOpenResearch وجامعة بنسلفانيا.

يبدأ الباحثون بتحليل تقارير نشاط العمل التفصيلية لـ O*NET، التي تقسم المهام الفردية المتضمنة في العديد من الوظائف إلى مستوى دقيق للغاية. ثم استخدموا مزيجًا من التعليقات التوضيحية البشرية والوسم بمساعدة نموذج GPT-4 للحكم على ما إذا كان أقوى نموذج لغة كبير من OpenAI في ذلك الوقت يمكنه تقليل الوقت اللازم لتلك المهمة الفردية بنسبة 50 بالمائة على الأقل بجودة مكافئة. وإذا لم يكن الأمر كذلك، فقد حكموا أيضًا على ما إذا كان الوصول إلى برامج متوقعة تعمل بنظام النماذج اللغوية الكبيرة قد يحقق توفيرًا مماثلاً للوقت في المستقبل.

والأهم من ذلك، أن البشر الذين تمت استشارتهم لهذا التصنيف لم يكونوا هم من يؤدون هذه الوظائف بالفعل، أو حتى أولئك الذين هم على دراية بها. وبدلاً من ذلك، كانوا أشخاصًا على دراية بأحدث التطورات في مجال الذكاء الاصطناعي في عام 2023، وطُلب منهم تقديم تخمينات واسعة النطاق حول المجالات التي ستكون فيها النماذج اللغوية الكبيرة والبرامج المستقبلية التي تعمل بنظامها أكثر فائدة.

يعترف الباحثون أنه نظرًا لأن المفسرين البشريين كانوا غير مدركين في الغالب للمهن المحددة التي يتم تقييمها، فإن ذاتية التصنيف تشكل قيدًا أساسيًا لنهجنا. وتظهر نتائج هذا التصنيف ما يسميه الباحثون منطقًا غير واضح لتجميع المهام والمهن، فضلاً عن بعض التناقضات الواضحة في التسميات. هذه بعض التحذيرات الكبيرة لإنشاء مقياس موضوعي للتأثيرات المهنية للذكاء الاصطناعي.

ومن خلال البحث في نموذج التقييم التفصيلي الذي استخدمه الباحثون، يمكننا أيضًا رؤية أنواع الافتراضات التي قدموها حول المهن التي يمكن أن يكون لها أكبر قدر من التعرض المباشر للنماذج اللغوية الكبيرة في ذلك الوقت. يقدم نموذج التقييم هذا العديد من الأمثلة المفيدة لأنواع المهام التي يمكن أن تؤديها النماذج اللغوية الكبيرة، بما في ذلك:

  • كتابة وتحويل النص والكود وفقًا للتعليمات المعقدة.
  • توفير تعديلات على النص الموجود أو التعليمات البرمجية وفقًا للمواصفات.
  • كتابة التعليمات البرمجية التي يمكن أن تساعد في أداء مهمة كانت تتم يدويًا.
  • ترجمة النص بين اللغات.
  • تلخيص المستندات متوسطة الطول.
  • تقديم ردود الفعل على الوثائق.
  • الإجابة على الأسئلة حول وثيقة.
  • إنشاء أسئلة قد يرغب المستخدم في طرحها حول مستند ما.

بشكل عام، هذه ليست قائمة سيئة لأنواع المهام التي كانت النماذج اللغوية الكبيرة الأفضل فيها في عام 2023. ولكن مجرد قدرة النموذج على أداء هذه المهام إلى حد ما لا يعني بالضرورة أنه يمكنه القيام بذلك بطريقة يمكن أن تقلل من الوقت الذي يستغرقه إكمال المهمة بجودة معادلة بمقدار النصف على الأقل. ضع في اعتبارك، على سبيل المثال، أن دراسة أجريت عام 2025 وجدت أن المبرمجين مفتوحي المصدر الذين يستخدمون الذكاء الاصطناعي كانوا أبطأ بنسبة 19% من أولئك الذين لا يستخدمون الذكاء الاصطناعي بمجرد أخذ الوقت الذي يقضيه في كتابة المطالبات ومراجعة التعليمات البرمجية التي تم إنشاؤها في الاعتبار. ضع في اعتبارك أيضًا ولع النماذج اللغوية الكبيرة المعروف بالهلوسة والتملق قبل أن نفترض أن مخرجاتها ستكون ذات جودة مساوية لمخرجات الإنسان.

الوعد بـ البرامج المتوقعة التي تعمل بنظام النماذج اللغوية الكبيرة

حتى مع هذه القراءة السخية للقدرات المتعلقة بالوظيفة لدى النماذج اللغوية الكبيرة في حقبة عام 2023، قدر الباحثون أن حوالي 15% فقط من جميع المهام المتعلقة بالوظيفة يمكن جعلها أكثر كفاءة بنسبة 50% على الأقل بواسطة هذه النماذج في ذلك الوقت. وإجمالاً، فإن حوالي 2.3 بالمائة فقط من المهن شهدت أن 50 بالمائة على الأقل من مهام O*NET الخاصة بها مكشوفة للنماذج اللغوية الكبيرة بهذه الطريقة.

للوصول إلى الأرقام الأكثر رعبًا الموضحة في الرسم البياني منذ بداية هذه القصة، كان على الباحثين البدء في توقع تأثير البرامج المتوقعة التي تدعم النماذج اللغوية الكبيرة على الوظائف المختلفة. فكر مرة أخرى في حالة صناعة الذكاء الاصطناعي في أغسطس 2023، بعد إصدار نموذج GPT-4 من OpenAI. تلك اللحظة قد تكون علامة على ذروة في ضجيج الذكاء الاصطناعي. في هذا الوقت تقريبًا، كان إيلون ماسك وآخرون يدعون إلى توقف لمدة ستة أشهر في تطوير الذكاء الاصطناعي بسبب المخاوف من أننا نخاطر بفقدان السيطرة على حضارتنا، وكان إليعازر يودكوفسكي يحذر من أننا يجب أن نكون على استعداد لتدمير مركز بيانات مارق بضربة جوية إذا كان كيان الذكاء الاصطناعي الخارق يهدد الحياة على الأرض. كان جيفري هينتون يترك جوجل حتى يتمكن من التحدث علنًا عن المخاوف من أن الذكاء الاصطناعي قد يصبح في الواقع أكثر ذكاءً من البشر ويصبح من المستحيل السيطرة عليه. وكانت تأثيرات العمل البارزة لهلوسة الذكاء الاصطناعي بدأت للتو تحظى باهتمام واسع النطاق.

هذه هي البيئة التي طُلب فيها من خبراء الذكاء الاصطناعي عرض قدرات تغيير الوظائف المستقبلية للبرامج التي تعمل بنظام النماذج اللغوية الكبيرة.

والأهم من ذلك، أن الباحثين لم يحددوا حتى موعدًا نهائيًا مفروضًا على أنفسهم لموعد رؤية هذه التأثيرات في البرامج المستقبلية. كتب الباحثون: نحن لا نقوم بتنبؤات حول تطور أو اعتماد جدول زمني لمثل هذه المواد، مما يخلق أفقًا غير محدود بشكل أساسي يحد من القوة التنبؤية لهذا النوع من الإسقاط.

يُظهر البحث في بعض الأمثلة مدى افتراضات واضعي العلامات بشأن تقدم قدرات النماذج اللغوية الكبيرة أيضًا. على سبيل المثال، يتوقع الباحثون أن التفاوض على المشتريات أو العقود يمكن أن يتأثر ببرامج هذه النماذج لأنه يمكنك مطالبة كل طرف بكتابة وجهة نظره ومن ثم إرسالها إلى النموذج اللغوي الكبير لحل أي نزاعات. في حين أن بعض الناس قد يستخدمون النماذج اللغوية الكبيرة بهذه الطريقة في مرحلة ما، إلا أن الباحثين يعترفون بكل سرور بأن العديد من الناس سيحتاجون إلى شراء أدوات تكنولوجية جديدة لتحقيق ذلك.

إن هذه الافتراضات التطلعية حول البرامج التي تعمل بنظام النماذج اللغوية الكبيرة هي التي تولد أرقام القدرة النظرية الأكثر إثارة للإعجاب، مثل تلك التي ذكرتها أنثروبيك. من خلال القراءة الأكثر سخاءً لهذا المقياس، يتوقع الباحثون أن ما بين 47 و56% من جميع المهام سيتم إنجازها في نهاية المطاف بنسبة 50% على الأقل بشكل أسرع بواسطة النماذج اللغوية الكبيرة، وأن 19% من جميع العاملين يعملون في مهنة يتم تصنيف أكثر من نصف مهامها على أنها مكشوفة. ويمتد هذا إلى 100% من جميع المهام المتعلقة بالوظيفة لبعض المهن المكشوفة بالكامل، بما في ذلك علماء الرياضيات، والكتاب والمؤلفون، ومصممو الويب والواجهات الرقمية، وفقًا للباحثين.

الاستنتاج: لا يزال العمل البشري أساسياً

وحتى هنا، من المهم ملاحظة أن الباحثين لا يقترحون أن النماذج اللغوية الكبيرة ستكون قادرة على استبدال البشر أو العمل دون مساعدة في هذه المهام. إن استخدام البرامج التي تدعم هذه النماذج لتسريع مهمة الوظيفة البشرية لا يعني استبدال العمل البشري بالكامل بنفس البرنامج. وفي بعض الأحيان، يوضح الباحثون الحاجة المستمرة إلى العمل البشري. فعندما يتعلق الأمر بوصف الأدوية، على سبيل المثال، لاحظوا أن النموذج يمكن أن يقدم تخمينات لتشخيصات مختلفة ويكتب الوصفات الطبية وملاحظات الحالة. ومع ذلك، فإنه لا يزال يتطلب وجود إنسان في الحلقة يستخدم حكمه ومعرفته لاتخاذ القرار النهائي. ويشير الباحثون أيضًا بوضوح إلى أنهم يقومون بتحليلهم دون التمييز بين تأثيرات زيادة العمالة أو تأثيرات تشريد العمالة.

عند النظر إلى إحصاءات البطالة الحالية، تقول أنثروبيك إنها لم تشهد أي تأثير تفاضلي في الوظائف الأكثر تعرضًا لاستخدام النماذج اللغوية الكبيرة الحالي وتلك الأقل تعرضًا. لكن أنثروبيك تحذر أيضًا من أن تأثيرات الذكاء الاصطناعي على الوظائف قد تكون بطيئة في الظهور في بيانات الوظائف – مثل تأثيرات التصنيع الصيني أو الإنترنت – وقد يكون من الصعب تمييزها عن مخاوف دورة الأعمال العادية.

على أية حال، تقول أنثروبيك إنه في حين أن الاستخدام الحالي للذكاء الاصطناعي الذي تلاحظه يرتبط إلى حد ما بهذه التوقعات لعصر 2023، فإن الاستخدام الحالي بعيد عن الوصول إلى قدرته النظرية، إذ تظل التغطية الفعلية جزءًا صغيرًا مما هو ممكن. لكن هذه القدرة الممكنة تعتمد، في هذه المرحلة، على تخمينات عفا عليها الزمن، والتي يعترف الباحثون الأصليون بأنها محدودة للغاية من حيث فائدتها.

وختامًا، كتب الباحثون في ذلك الوقت: إن التنبؤ الدقيق بطلبات الحصول على النماذج اللغوية الكبيرة في المستقبل لا يزال يمثل تحديًا كبيرًا، حتى بالنسبة للخبراء. وأضافوا: بعض المهام التي يبدو من غير المرجح أن تؤثر عليها النماذج اللغوية الكبيرة أو البرامج التي تعمل بنظامها اليوم قد تتغير مع تقديم إمكانات نموذجية جديدة. وعلى العكس من ذلك، فإن المهام التي تبدو مكشوفة قد تواجه تحديات غير متوقعة تحد من تطبيقات نماذج اللغة.

Polestar 3: نهاية الإنتاج الصيني وتحول كامل إلى الولايات المتحدة
تصاعد الحرب السيبرانية: هجمات إيران ضد أمريكا وإسرائيل

Reactions

0
0
0
0
0
0
بالفعل كان رد فعل لهذا المنصب.

ردود الفعل