دسته: هوش مصنوعی

پس از این‌که به هزاران شرکت کمک کرد تا نحوهٔ واقعی انجام کارها را مستند کنند، Scribe ۷۵ میلیون دلار جذب کرده و پس از این سرمایه‌گذاری به ارزش ۱.۳ میلیارد دلار رسیده است تا Scribe Optimize را عرضه کند؛ پلتفرمی که جریان‌های کاری در سراسر سازمان را نقشه‌برداری می‌کند تا نشان دهد خودکارسازی و هوش مصنوعی در کجا واقعاً بازدهی می‌آورند، نه اینکه به هزینه‌ای هدر رفته تبدیل شود.

دور سرمایه‌گذاری تماماً سهام‌دار سری C توسط StepStone رهبری شد و سرمایه‌گذاران موجود شامل Amplify Partners، Redpoint Ventures، Tiger Global، Morado Ventures و New York Life Ventures نیز در آن مشارکت داشتند. این تأمین مالی جدید بیش از یک سال پس از جذب ۲۵ میلیون دلار در سری B، که استارتاپ پنج ساله تا کنون به‌طور عمده نیازی به استفاده از آن نداشت، اتفاق افتاد؛ جنیفر اسمیت، هم‌بنیان‌گذار و مدیرعامل Scribe (در تصویر سمت چپ) در یک مصاحبه اختصاصی این‌چنین گفت. با این دور سرمایه‌گذاری، Scribe قصد دارد انتشار Scribe Optimize و محصولات مرتبط را تسریع کند، چرا که شرکت‌ها در تعیین مکان بیشترین تأثیر هوش مصنوعی و خودکارسازی دچار دشواری هستند.

بسیاری از شرکت‌ها در حال مسابقه برای پذیرش هوش مصنوعی هستند، اما اسمیت به TechCrunch گفت که اکثر آنها هنوز نمی‌توانند به سؤال اساسی «چه کاری را ابتدا خودکار کنیم؟» پاسخ دهند. شرکت‌ها معمولاً سعی می‌کنند از طریق مصاحبه‌ها، کارگاه‌ها یا بهره‌گیری از مشاوران به این سؤال پاسخ پیدا کنند؛ رویکردهایی که ماه‌ها زمان می‌برد و هنوز بسیاری از کارهای روزمرهٔ افراد را از دست می‌دهند.

او گفت: «بدون دانستن دقیق نحوهٔ انجام کار، تعیین نقاط بهبود، خودکارسازی یا استفاده از عوامل (agents) بسیار دشوار است.» «Scribe Optimize دقیقاً به این سؤال پاسخ می‌دهد. به‌سادگی، این ابزار جریان‌های کاری را تجزیه و تحلیل می‌کند تا بفهمد افراد در محل کار چه کارهایی انجام می‌دهند و سپس این اطلاعات را به‌صورتی تجمیع می‌کند که در یک پنجرهٔ یکپارچه به شما نشان می‌دهد: این‌ها جریان‌های کاری واقعی هستند، با فراوانی اجرا، زمان‌برداری و سایر جزئیات.»

Scribe در سال ۲۰۱۹ توسط اسمیت و CTO آرون پودولنی (در تصویر سمت راست) تأسیس شد؛ این شرکت پیش از رونق GenAI شکل گرفت و محصول اصلی فعلی‌اش، Scribe Capture، به‌صورت خودکار نحوهٔ انجام کارها را مستند می‌کند. هر زمان که کاربر یک فرایند یا جریان کاری را تکمیل می‌کند، Capture با استفاده از افزونه مرورگر و برنامه دسکتاپ خود، راهنمای گام به گام شامل متن و اسکرین‌شات‌ها تولید می‌کند. این راهنماها می‌توانند برای همکاران به اشتراک گذاشته شوند یا در ابزارهای داخلی تعبیه شوند تا سؤالات تکراری کاهش یابد، خطاها به حداقل برسد و فرآیند جذب نیروی جدید تسریع گردد.

به‌گزارش این استارتاپ، مشتریان استفاده‌کننده از Scribe Capture به‌طور متوسط بین ۳۵ تا ۴۲ ساعت در ماه برای هر نفر صرفه‌جویی می‌کنند و زمان استخدام نیروی جدید تا ۴۰ درصد سریع‌تر می‌شود.

بازار مستندسازی فرآیندها شامل شرکت‌هایی همچون Tango، Iorad، UserGuiding و Spekit است. با این حال، اسمیت به TechCrunch گفت که Scribe در برابر وضعیت موجودی که افراد به‌دست‌ساز جریان‌های کاری را ثبت می‌کنند، رقابت می‌کند.

او افزود: «مردم هنوز برای درک یک فرآیند از کرنومتر استفاده می‌کنند و پشت سر کسی می‌نشینند تا آن را بفهمند.» «حتی امروزه نیز هنگام استقرار عوامل هوش مصنوعی، نکتهٔ طنزآمیز این است که فرآیند استقرار این عوامل به‌طرز چشمگیری دستی باقی مانده است.»

تا به امروز، Scribe بیش از ۱۰ میلیون جریان کاری را در میان ۴۰٬۰۰۰ برنامهٔ نرم‌افزاری مستند کرده است. این استارتاپ اعلام کرد که بیش از ۵ میلیون کاربر دارد و در تیم‌های ۹۴ درصد از شرکت‌های Fortune 500 استفاده می‌شود. علاوه بر این، ۷۸٬۰۰۰ سازمان به‌عنوان مشتریان پرداختی این سرویس شناخته می‌شوند. از جمله کاربران این شرکت می‌توان به تیم‌های New York Life، T‑Mobile، LinkedIn، HubSpot و Northern Trust اشاره کرد.

اسمیت به TechCrunch گفت: «کاربران برای استفاده از Scribe نه به‌دلیل فرمان سرپرست خود، بلکه به‌دلیل خودخواستشان این سرویس را انتخاب می‌کنند.» «این روند از کاربر نهایی آغاز می‌شود، سپس به سرپرست تیم، سرپرست بخش و در نهایت به واحد مرکزی که به دنبال پاسخ به سؤالاتی همچون مقیاس‌پذیری، دانش موجود، روش‌های اجرایی و بهبود مستمر هستند، ارتقا می‌یابد.»

این استارتاپ مستقر در سان‌فرانسیسکو پس از ایالات متحده، بازارهای اصلی خود را در بریتانیا، کانادا، استرالیا و اروپا می‌بیند.

Scribe اعلام کرد که درآمد خود را در سال گذشته بیش از دو برابر کرده است، هرچند ارقام دقیق را فاش نکرده است، و همچنین بیان کرد که ارزش‌گذاری شرکت از دور قبلی پنج‌برابر شده است. این استارتاپ هم‌اکنون ۱۲۰ کارمند دارد و برنامه دارد در ۱۲ ماه آینده این تعداد را دو برابر کند، به‌ گفته اسمیت.

موضوعات

هوش مصنوعی، انحصاری، جن AI، Scribe، Scribe Capture، Scribe Optimize، استارتاپ‌ها، StepStone، ایالات متحده

اگر هوش مصنوعی را بی‌دلیل به کار ببرید، ذهن‌تان را کدر می‌کند. اما با رویکرد استراتژیک و دستورات مناسب، می‌تواند ابزار قدرتمندی باشد

عکس توسط Smith Collection/Gado/Getty Images

حدس می‌زنم که این روزها درباره هوش مصنوعی، به‌خصوص چت‌بات‌ها، از هر طرف می‌شنوید: اخبار، رسانه‌های اجتماعی، همکاران در محل کار، و شاید حتی از مادربزرگ‌تان. همه ما این‌طوریم. در واقع، برخی حتی واکنش آلرژیک نسبت به هیجانات هوش مصنوعی نشان داده‌اند؛ وعده‌های بیش از حد و پیش‌بینی‌های منفی. یک روز می‌گویند «AGI [هوش مصنوعی به‌مانند انسان] اینجاست»، روز بعد می‌گویند «هوش مصنوعی شغلتان را خواهد گرفت»، و روز بعد می‌گویند «هوش مصنوعی از تراپیست شما بهتر است».

من اینجا به‌عنوان یک دوستدار هوش مصنوعی حضور ندارم، بلکه به‌عنوان راهنمایی برای کمک به شما در عبور از این دنیای جدید حضور دارم. بر اساس نظرسنجی‌ها، 78٪ درصد از سازمان‌ها، 81٪ درصد از پژوهشگران، 86٪ درصد از دانشجویان، و تقریباً دوسوم پزشکان هم‌اکنون به‌نوعی از هوش مصنوعی استفاده می‌کنند. چه بخواهیم و چه نخواهیم، چت‌بات‌ها اینک بخشی جدایی‌ناپذیر از زندگی ما هستند. این لزوماً مشکل نیست، بلکه نحوه استفاده ما از آن است. برای محافظت از خود و احتمالاً بهره‌برداری از مزایا، کافی است کمی بیشتر در طراحی تعامل هوشمندانه بین ذهن‌تان و چت‌بات‌ها تلاش کنید.

نتایج اولیه نشان می‌دهند که درگیر شدن بیش از حد و بی‌دقت با چت‌بات‌ها می‌تواند اثرات مخرب شناختی به‌بار آورد. به عنوان مثال، تحقیقی که توسط مدرسه وارتون دانشگاه پنسیلوانیا هدایت شد، نشان داد که در حالی که یک چت‌بات عملکرد ریاضی دانش‌آموزان را بهبود می‌بخشید، این سود شبیه یک عصا بود؛ وقتی هوش مصنوعی برداشته شد، عملکرد دانش‌آموزان حتی از گروه کنترل ضعیف‌تر شد. در مطالعه‌ای دیگر، مایکل گرلیچ از مدرسه کسب‌وکار سوئیسی SBS دریافت که هرچه دانش‌آموزان بیشتر از چت‌بات‌ها استفاده می‌کردند، توانایی‌های تفکر انتقادی‌شان بیشتر آسیب می‌دید. علاوه بر این، یک مطالعه‌ی جدید تصویربرداری مغزی توسط پژوهشگران MIT نشان داد که دانش‌آموزانی که با کمک چت‌بات مقاله‌ای نوشتند، پس از چند دقیقه نتوانستند محتوای آن را به‌خاطر بسپارند و فعالیت مغزی آن‌ها کمتر و کم‌سازگاری‌تری نسبت به گروهی که بدون چت‌بات کار کرده بود، داشت.

چه هوش مصنوعی مورد علاقه‌تان ChatGPT، Gemini، Claude یا Grok باشد، ممکن است درباره این گونه آسیب‌ها به تفکر انتقادی و خلاقیت خود نگران باشید. برای کمک به شما در اجتناب از این مسأله، توصیه‌هایی برای استفاده هوشمندانه از هوش مصنوعی ارائه می‌دهم. تمرکز من بر کارهای فکری و پروژه‌ای مانند نوشتن، پژوهش و توسعه ایده است، نه حمایت عاطفی، مشاوره زندگی یا برنامه‌نویسی.

خبر خوب این است که نه خود فناوری است که خطر خنگ‌تر شدن ما را به‌وجود می‌آورد، بلکه نحوه استفاده ما از آن است. برای محافظت از خود و احتمالاً بهره‌برداری از مزایا، کافی است کمی بیشتر در طراحی تعامل هوشمندانه بین ذهن‌تان و چت‌بات‌ها تلاش کنید.

نکات کلیدی

1. وقتی چت‌بات‌های هوش مصنوعی را بیش از حد یا بدون فکر استفاده کنیم، می‌توانند عملکرد فکری ما را مختل کنند. خبر خوب این است که مشکل از فناوری نیست، بلکه از نحوه استفاده آن است. برای محافظت از خود و احتمالاً بهره‌برداری از مزایا، کافیست کمی بیشتر در طراحی تعامل هوشمندانه بین ذهن‌تان و چت‌بات‌ها تلاش کنید.
2. بازنگری و تعیین مرزها. یک قدم به عقب بردارید و از خود بپرسید چه چیزهایی برای توسعه شخصی و حرفه‌ای‌تان در سه تا 10 سال آینده مهم است. این می‌تواند به شما کمک کند تا بهتر تشخیص دهید استفاده از چت‌بات می‌تواند به اهداف بلندمدت‌تان کمک کند یا مانع آن شود. می‌توانید یک درخت تصمیم‌گیری را نزدیک محل کار خود نگه دارید تا در هر لحظه راهنمایی کند آیا استفاده از هوش مصنوعی مناسب است یا خیر.
3. استفاده هوشمندانه از هوش مصنوعی. مهم‌ترین قانون این است که همیشه ابتدا بدون هوش مصنوعی فکر کنید. وقتی از یک چت‌بات ورودی می‌گیرید، همواره آن را با شک‌گریزی بررسی کنید و ادعاهای مهم را تأیید کنید. از دستورات خلاقانه (پرامپت‌ها) استفاده کنید تا از پاسخ‌های کلی یا مشاوره‌های عمومی اجتناب کنید – برای مثال، از ربات بخواهید کار شما را همچون یک فیلسوف باستانی نقد کند. همچنین میزان وابستگی خود به هوش مصنوعی در هر کار را پیگیری کنید تا از وابستگی بیش از حد جلوگیری کنید.
4. طراحی دستورات مؤثر. تمایز مهمی بین دستورات «حالت‌دستوری» (directive mode) وجود دارد که چت‌بت را تشویق می‌کند مانند یک سرپرست کاری باشد که کار شما را نقد می‌کند، و دستورات «حالت‌غیر‌دستوری» (non‑directive mode) که آن را بیشتر شبیه یک راهنمای فکری می‌کند که به توسعهٔ افکار و ایده‌های‌تان کمک می‌کند. حالت اول برای زمانی مناسب است که پیش‌نویس یا ایدهٔ توسعه یافته داشته باشید؛ حالت دوم برای زمانی مناسب است که افکار و ایده‌های شما هنوز نیمه‌پخت هستند.

بازنگری و تعیین مرزها

بدون بازنگری، آسان‌تر می‌توانید تنبلی کنید و بیش از حد ورودی‌های هوش مصنوعی را بپذیرید. پیش از این که به‌صورت خودکار یا بی‌دقت از چت‌بات‌ها استفاده کنید، می‌تواند رشد شخصی شما را در درازمدت تضعیف کند. پیش از پرداختن به روش‌های خاص استفاده از هوش مصنوعی، توصیه می‌کنم یک گام به عقب بردارید و از خود بپرسید: چه چیزهایی برای توسعهٔ شخصی و حرفه‌ای‌ام در سه، پنج، یا 10 سال آینده مهم است؟ اهداف کلیدی خود را بنویسید، تصویر ذهنی خود را توصیف کنید، یا صرفاً مهارت‌هایی که می‌خواهید پرورش دهید را فهرست کنید. این کار نقطه‌مرجعی واضح به شما می‌دهد تا استفاده‌تان از هوش مصنوعی را ارزیابی کنید. در ادامه یک مثال می‌آورم:

هدف: در پنج سال آینده می‌خواهم مشاور کسب‌وکار شوم.

توانایی‌های مورد نیاز: تولید راه‌حل‌های خلاقانه، تصمیم‌گیری برای سناریوهای پیچیده، ارزیابی انتقادی تعادل‌ها، ارائه متقاعدکننده، انعطاف‌پذیری در زمینه‌ها، و غیره.

با این بازنگری، پیش از آغاز هر کار، می‌توانید بهتر تشخیص دهید که استفاده از چت‌بت به اهداف بلندمدت شما کمک می‌کند یا مانع آن شود. برای مثال، اگر عادت کنید از چت‌بت برای طراحی استراتژی‌های خلاقانه از ابتدا استفاده کنید، ممکن است در کسب مهارت‌های تصمیم‌گیری استراتژیک به‌ضرر شما باشد. پس از بازنگری ممکن است تصمیم بگیرید که چت‌بت‌ها را فقط برای کارهای روتین یا تکراری که تأثیر مستقیمی بر توسعه حرفه‌ای شما ندارند، به کار ببرید.

برای ساده‌سازی این فرایند، می‌توانید یک درخت تصمیم‌گیری رسم کنید و نزدیک محل کار خود نگه دارید. در ادامه درخت تصمیم‌گیری خودم را به‌اشتراک گذاشتم ( برخی اصطلاحات مانند «حالت‌دستوری» را بعداً در این راهنما توضیح می‌دهم). آزاد باشید درخت من را برای استفاده شخصی خود تطبیق دهید.

استفاده استراتژیک از هوش مصنوعی

همیشه بدون هوش مصنوعی شروع کنید

حالا به‌جزئیات روش‌های هوشمندانه استفاده از هوش مصنوعی می‌پردازیم. اگر فقط یک قانون را رعایت کنید، این باشد: برای هر کاری که فکر کردن مهم است، ابتدا به‌تنهایی سعی کنید، سپس چت‌بات‌ها را به کار ببرید. می‌توانید این استراتژی را مثل یک ساندویچ تصور کنید:

• لایهٔ پایه = «مواد خام» شما. هر کاری که باشد، چه نوشتن یک مقاله، ساختن یک استدلال یا ایده، یا برنامه‌ریزی یک ارائه، ابتدا چیزی را به‌صورت خودتان. تولید کنید.
• لایهٔ میانی = پشتیبانی چت‌بات. از چت‌بات بخواهید کار شما را نقد کند، نقاط ضعف را نشان دهد، فرضیات شما را به‌چالش بکشد یا زاویه‌های متفاوتی پیشنهاد دهد. سپس بر این بازخورد تأمل کنید.
• لایهٔ بالایی = یکپارچه‌سازی. بازخورد را به‌صورت انتخابی در کار اصلی خود ادغام کنید. خودتان تصمیم بگیرید چه چیزی تفکر شما را تقویت می‌کند و چه چیزی را کنار بگذارید.

این استراتژی نه تنها اصالت شما را حفظ می‌کند، بلکه به یادگیری شما نیز کمک می‌کند. وقتی ابتدا با مشکل مواجه می‌شوید، درک خود را از مسأله و نحوهٔ برخورد با آن می‌سازید. سپس استفاده از چت‌بات به شما امکان می‌دهد آن درک را اصلاح و گسترش دهید. در مقابل، تکیه بر راه‌حل‌های آماده، ایده‌های هوش مصنوعی را از تفکر شما جدا می‌کند و اعمال آن‌ها را بعداً دشوارتر می‌سازد.

پذیرش رویکرد شکاکانه

هنگام دریافت پاسخی از چت‌بات‌ها، همواره شکاک بمانید و اطلاعات دریافتی را زیر سؤال ببرید. این مهم است چون هوش مصنوعی تمایل دارد به «توهم‌ها» (تولید اطلاعات نادرست با اطمینان بالا) دچار شود. در ادامه می‌آید که چگونه توهم‌ها را به‌حداقل برسانید و با آن‌ها مقابله کنید:

• اطمینان از صحت ادعاهای مهم با منابع. برای پرسش‌های واقعی یا مبتنی بر شواهد، از سیستم‌هایی استفاده کنید که منابع معتبر را ادغام می‌کنند (مانند ChatGPT با قابلیت «جستجوی وب»، Perplexity یا Scite). بسیاری از چت‌بات‌ها اکنون حالت «پژوهش عمیق» را نیز ارائه می‌دهند. برای وظایف پژوهشی، این گزینه معمولاً بهتر است چون کمتر به داده‌های داخلی مدل وابسته است و بیشتر به جستجوهای زندهٔ اینترنتی. این حالت‌ها همچنین گام‌های عبوری سیستم برای رسیدن به جواب را نشان می‌دهند، که فرآیند را کمتر به یک جعبهٔ سیاه تبدیل می‌کند و ارزیابی آن را برای شما آسان‌تر می‌سازد. روی لینک‌های ارائه‌شده برای ادعاهای خاص کلیک کنید، ادعای دقیق را در منبع پیدا کنید و خودتان تأیید نمایید. می‌توانید از دستورات خاصی هم استفاده کنید (دستورات همان راهنمایی‌هایی هستند که به AI می‌دهید – دربارهٔ این‌ها بعداً توضیح می‌دهم) مانند: سه تا پنج منبع مرتبط را فهرست کنید و مستقیماً به جایی که این ادعا ظاهر می‌شود لینک بدهید. اگر منبع معتبری وجود نداشته باشد، به‌وضوح بیان کنید. اگر مطمئن نیستید، پاسخ «نمی‌دانم» بدهید. حدس نزنید.
• بررسی تعصبات و نقاط کور. گاهی حتی اگر پاسخ از نظر فنی درست باشد، ممکن است محدود، کلی‌نگر یا تعصبی به‌دلیل محدودیت‌های داده‌های آموزشی AI باشد. برای جلوگیری از این‌موضوع، عادتی بسازید که به‌صورت فعال با دستورات زیر، کمبودها را کشف کنید: چه تعصبات احتمالی می‌توانند این پاسخ را شکل دهند؟ یا دو تا سه دیدگاه جایگزین یا راه‌حل خلاقانه پیشنهاد دهید که فراتر از پاسخ‌های معمولی باشد.

پیشبرد خلاقیت

با دستورات پیش‌بینی‌پذیر مانند خلاصه‌کردن این متن یا بازنویسی پاراگراف من قناعت نکنید. تقریباً همه از چنین دستورات سنتی استفاده می‌کنند، که دلیل آن است که خروجی‌ها اغلب کلی هستند. به‌جای آن خلاقیت خود را تمرین کنید و چت‌بات‌ها را به‌عنوان یک فضای بازی برای تخیلتان در نظر بگیرید. در ادامه چند روش ملموسی که خودم با این رویکرد به‌کار گرفته‌ام آورده شده است:

• نقش‌آفرینی. هنگام آزمایش یک ایده برای سخنرانی درباره هوش مصنوعی در آموزش، از چت‌بات پرسیدم: «این ایده را مانند یک فیلسوف باستانی که نسبت به تکنولوژی شک‌گرایانه است نقد کنید. سپس دوباره آن را مانند یک سرمایه‌گذار مخاطره‌پذیر که به‌دنبال پتانسیل تجاری است نقد کنید». ترکیب این دو دیدگاه مختلف به من کمک کرد استدلالم جامع‌تر شود.
• جستجوی تمثیل‌ها. یک بار در تلاشم برای توضیح به زبان ساده این‌که چرا اتکا به چت‌بت‌ها برای اتخاذ روش‌های میان‌بر، یادگیری اصیل را تضعیف می‌کند، از چت‌بت خواستم: «تمثیل‌هایی پیشنهاد دهید که چرا استفاده از هوش مصنوعی به‌عنوان میان‌بر مضر است». او تمثیل «تلپورتاسیون در مقابل ناوبری مبتنی بر نقشه» را پیشنهاد داد. این مفهوم بعدها به من کمک کرد ایده را به‌صورت واضح و جذاب برای دانش‌آموزان توضیح دهم.
• جستجوی زوایای جدید. هنگام توسعه یک مفهوم از علوم شناختی عصب‌شناسی، از چت‌بت پرسیدم: «چه فرآیندهای مشابهی در فیزیک یا ریاضیات وجود دارند که می‌توانند روشن‌کننده این ایده باشند؟» مقایسه‌ای که ارائه داد، شباهت‌های شگفت‌آوری نشان داد، از جمله توصیف فنی‌تری از این فرآیند نسبت به آنچه من در ابتدا بیان کرده بودم. این نه تنها درک من را غنی‌تر کرد، بلکه زبانی برای ارتباط دقیق‌تر این مفهوم به من داد.

قابل توجه است که به‌طور کلی، مدل‌های پیشرفته‌تر (تا سپتامبر 2025، که شامل GPT‑5، Grok 4، Gemini 2.5 Pro، Claude Sonnet 4.5 هستند) تمایل به خلاقیت بیشتری دارند، چرا که دامنهٔ اطلاعات وسیع‌تری را در بر می‌گیرند و می‌توانند فاصله‌های بزرگتری بین مفاهیم پل بزنند.

پیگیری و تعادل مشارکت‌های خود در مقابل هوش مصنوعی

به‌راحتی می‌توانید تنبلی کنید و بیش از حد ورودی‌های هوش مصنوعی را بپذیرید. برای حفظ اختیار و حق مؤلف بودن بر کار خود، این تمرین پیگیری را به کار بگیرید:

• یک جدول دو ستونی بسازید – ستونی برای ورودی‌های شما (ایده‌ها، استدلال‌ها، طرح کلی، استدلال) و ستونی برای ورودی‌های چت‌بات (بازنویسی، مثال‌ها، تمثیل‌ها، نقدها).
• به هر مشارکت از 1 تا 10 امتیاز بدهید بسته به میزان مرکزی بودن آن در شکل‌گیری کار. برای مثال، اگر طرح کلی اولیه‌تان مسیر کل کار را تعیین کرده باشد، می‌توانید 9 امتیاز بدهید. اگر چت‌بت تمثیلی پیشنهاد کرده باشد که به‌درد بخورد، شاید 2.
• امتیازها را جمع کنید تا تعادل را ببینید. آیا اکثر کارهای فکری اصلی را خودتان انجام دادید یا چت‌بت وزن عمده را بر عهده گرفت؟
• اگر متوجه شوید چت‌بت در کارهای کلیدی امتیاز بیشتری نسبت به آنچه می‌خواهید می‌دهد، نحوهٔ درخواست (پرامپت) خود را تغییر دهید. برای مثال، آن را به ارائهٔ نکات به‌جای پاسخ‌ها محدود کنید، یا فقط از آن برای وظایف حمایتی مثل اصلاح نگارشی بپرسید، در حالی که مشارکت اصلی را خودتان حفظ کنید.

طراحی دستورات مؤثر

پیش از این چند پرامپت را ذکر کرده‌ام، اما چون این‌ها برای تعامل شما با هوش مصنوعی کلیدی‌اند، بیایید عمیق‌تر بررسی کنیم. سیستم‌هایی مانند ChatGPT، Claude، Grok یا Gemini طوری طراحی شده‌اند که دوستانه و خوشایند باشند، نه برای رشد شما – مگر اینکه به‌درستی پرامپت کنید. دو استراتژی متمایز مؤثر است: درخواست رهنمودهای «دستوری» یا «غیر‑دستوری» از چت‌بات‌ها. در حالت دستوری، چت‌بت فاصلهٔ نزدیک‌تری دارد و تفکر شما را بیشتر هدایت می‌کند، در حالی که در حالت غیر‌دستوری، سعی می‌کند از هدایت بیش از حد پرهیز کند. بیایید هر دو را مرور کنیم و ببینیم چه زمانی استفاده از هر یک منطقی است.

حالت دستوری

از این حالت whenever (هر زمان) که یک «محصول» ملموس مانند پیش‌نویس مقاله یا ایدهٔ توسعه‌یافته داشته باشید استفاده کنید. به‌عبارت دیگر، در اینجا از چت‌بات به‌عنوان یک سرپرست کاری برای ارائه بازخورد، ارزیابی استدلال‌ها یا ایده‌های‌تان، شناسایی و نقد نقاط ضعف و غیره استفاده می‌کنید. از آنجا که کار من به تولید محتوای متنی فراوان نیاز دارد، گاهی از چت‌بات‌ها می‌خواهم پیش‌نویس‌هایم را به‌طور انتقادی ارزیابی کنند. پرامپت استانداردی که من استفاده می‌کنم تقریباً شبیه این است:

به‌عنوان یک بازبین انتقادی عمل کنید. وضوح استدلال من، منطق ساختارم و توانایی قانع‌کنندگی شواهدم را ارزیابی کنید. نقاط ضعف یا خلاها را بیان کنید و راه‌هایی برای بهبود جریان و انسجام پیشنهاد دهید. متن را خودتان بازنویسی نکنید. فقط بر بازخوردهای انتقادی تمرکز کنید.

حالت غیر‌دستوری

از این حالت وقتی استفاده کنید که می‌خواهید تأثیر چت‌بت را به‌حداقل برسانید – می‌خواهید او کمتر شبیه یک سرپرست باشد و بیشتر شبیه یک مربی که بهترین‌های شما را بیرون می‌آورد. تفاوت کلیدی با حالت دستوری این است که شما نمی‌خواهید دستورهای مستقیم برای اصلاح دریافت کنید، بلکه می‌خواهید هوش مصنوعی به‌صورت مبهم به حوزه‌هایی اشاره کند که ممکن است نیاز به توجه شما داشته باشند. بقیه کارها، مانند شناسایی یک مشکل مشخص و رفع آن، بر عهدهٔ شماست. برای مثال، در کارهای نوشتاری خلاقانه‌ام، غالباً از پرامپتی به‌صورت زیر استفاده می‌کنم:

هرگز به‌صورت مستقیم به من بگویید چه چیزی را اصلاح کنم و از تحمیل قوی دیدگاه خود خودداری کنید. به‌جای آن، به‌صورت خنثی و مبهم به حوزه‌هایی که ممکن است نیاز به بررسی بیشتری داشته باشند اشاره کنید. برای مثال، ابهامات احتمالی، عبارات گیج‌کننده یا ایده‌هایی که می‌توانند تقویت شوند را مطرح کنید. اگر مشکلی واضح می‌بینید، نپذیرید “استدلال X ضعیف است، باید Y اضافه کنید.” بلکه بنویسید “آیا نقاط ضعفی در استدلال X وجود دارد؟ چه نکاتی می‌توانند توسط یک شکاک مورد انتقاد قرار گیرند؟” یا اگر جملات خاصی مبهم هستند، مستقیماً به آن‌ها اشاره نکنید و بازنویسی نکنید؛ بن

در کتابی تازه، زیست‌شناس فضایی ناسا، کالب شارف می‌گوید سرنوشت حیات بر روی زمین ممکن است به ترک سیاره‌مان وابسته باشد

نوشتهٔ لی بیلینگز

داستان چند میلیارد سالهٔ حیات بر روی زمین با چند تحول اساسی تعریف می‌شود، از جمله ظهور سلول، گسترش ارگانیسم‌های چندسلولی و گسترش بیوسفر از دریای اولیه به خشکی و آسمان. امروزه، با این که حیات تقریباً در هر زیرمجموعه‌ای از زمین نفوذ کرده است، به نظر می‌رسد دیگر جایی برای رفتن نمانده باشد. اما البته هنوز یک مکان وجود دارد که به‌عنوان مرز تکاملی بعدی حیات ما را فرا می‌خواند: فضا. و انسان‌ها به‌طور ویژه‌ای موقعیتی دارند تا این گذار بزرگ را با خروج از لانهٔ سیاره‌ای‌مان پیش ببرند.

کالب شارف این موضوع را در کتاب تازهٔ خود، پرش عظیم (Basic Books, 2025) مطرح می‌کند. او با تکیه بر تخصص خود به‌عنوان دانشمند ارشد زیست‌شناسی فضایی در مرکز تحقیقات ایمز ناسا استدلال می‌کند که دوران مدرن سفرهای فضایی ما تنها مسأله‌ای از رقابت‌های ژئوپولیتیک و نوآوری تکنولوژیک نیست، بلکه بخشی از یک ضرورت تکاملی عمیق‌تر و بنیادی‌تر است. برای اولین بار در تاریخ زمین، حیات—به‌همراه فناوری انسانی به‌عنوان عاملش—می‌تواند به‌صورت دائم از یک سیارهٔ تنها به بقیهٔ سامانهٔ خورشیدی گسترش یابد. شارف این مسیر جدید را «پراکندگی» نامیده و اشاره می‌کند که این امکان در همان زمانی می‌رسد که دامنهٔ روزافزون ما بر زمین، سیاره را به سمت نقاط بحرانی مخرب در تغییرات اقلیمی، از دست رفتن تنوع زیستی و مصرف منابع می‌کشاند. به‌نظر می‌رسد این گذار تکاملی بزرگ دیگر نمی‌تواند دیرتر برسد—چون سرنوشت حیات بر روی زمین در نهایت ممکن است به ترک سیاره‌مان وابسته باشد.

مجلهٔ علمی آمریکایی با شارف دربارهٔ برخی پیامدهای این دیدگاه کیهانی گفتگو کرد—از محدودیت‌های فیزیکی گسترش انسانی در سرتاسر سامانهٔ خورشیدی تا جستجوی مشکوک برای ساخت مستعمره در مریخ و عدم قطعیت‌های سیاسی که می‌توانند «پراکندگی» را پیش از آغاز حتی خفه کنند.

[یک متن ویرایش‌شدهٔ مصاحبه در ادامه می‌آید]

منشأ این کتاب چه بود؟

اگر صادق نباشم و بگویم این کتاب به‌دلیل علاقهٔ من به فضا به وجود نیامده است، دروغ می‌گویم. اما منشأ عمیق‌تر این است که به‌سوال این بپردازیم که وقتی حیات فراتر از ریشهٔ سیاره‌ای‌اش می‌رود، چه شکلی دارد و چه معنایی می‌گیرد. بسیاری از چشم‌اندازها برای آیندهٔ ما در فضا وجود دارد و دربارهٔ آنچه پس از ساختن، می‌دانیم، آسانسورهای فضایی و دیگر موارد می‌گویند. این چشم‌اندازها می‌توانند بیش از پیش تخیلی شوند. اما معمولاً به ما تصویر کلی نمی‌دهند؛ آن‌ها سعی می‌کنند جزئیات آینده را تصور کنند که کار بسیار دشواری است، به همین دلیل احتمالاً اشتباه می‌کنند. بنابراین من این سؤال را مطرح کردم که آیا می‌توانیم به‌جای آن، به‌آنچه ممکن است «تاریخ طبیعی اکتشاف فضا» نامیده شود—یعنی پرواز فضایی به‌عنوان پدیده‌ای سیاره‌ای—نگاه کنیم و ببینیم این چه چیزی به ما می‌گوید.

بیایید دربارهٔ «پراکندگی» صحبت کنیم. دقیقاً این چیست؟

به‌عنوان یک زیست‌شناس فضایی که روزهای خود را به تجزیه و تحلیل ماهیت سامانه‌های زنده در سطوح مختلف، هم به‌صورت انتزاعی و هم عملی می‌پردازد، این موضوع را از دیدگاهی بسیار گسترده‌تر می‌بینم و دوران در حال گسترش فضایی خود را به‌عنوان نوعی دیگر پرش تکاملی در نظر می‌گیرم. یک لحظه، جزئیات انسان‌ها یا حتی چگونگی دسترسی ما به فضا را کنار بگذارید. اگر به این فکر کنید، گرانش در سراسر جهان ماده‌ها را به هم می‌چسباند تا ستارگان و سیارک‌ها شکل بگیرند—و در نهایت شیمی پیچیده‌تری بوجود آید. و حداقل در زمین، حیات شکل گرفت و تکامل یافت. اکنون، پس از میلیاردها سال، به نقطه‌ای رسیده‌ایم که سیاره‌مان به‌نوعی از عصبانیت واژه‌زن و مواد، ماشین‌ها و ارگانیسم‌ها را—پراکندگی!—به‌سوی فضا پرتاب می‌کند. من در حال گسترش این فرآیند و بررسی این‌که تا چه حد می‌تواند ادامه یابد، هستم.

پس «پراکندگی» به این می‌پردازد که وقتی ما و تمام حیات با مقیاس‌های فضایی و منابعی روبرو می‌شوند که به‌طوری فوق‌العاده بزرگ هستند، چه اتفاقی ممکن است بیفتد. همان‌طور که می‌توانید تصور کنید گونه‌گزینی اتفاق می‌افتد وقتی ارگانیسم‌ها ناگهان در بوم‌های مختلف پخش می‌شوند—مانند جزایر گالاپاگوس، برای مثال—وقتی حیات فراتر از زمین پراکنده می‌شود، می‌تواند مسیرهای متفاوت‌تری را دنبال کند. این به معنای این است که در تخمین‌هایمان دیگر لزوماً دربارهٔ انسان‌های امروز صحبت نمی‌کنیم، بلکه دربارهٔ هرچه پس از ما می‌آید. ممکن است این تصور ترس‌آور باشد که دیگر نتوانیم خودمان یا نسخه‌های «پراکنده» آینده‌مان را به‌خوبی بشناسیم، اما این تحولات لزوماً منفی نیستند.

به‌این معنی است، گمان می‌کنم، که هرچه «پراکندگی» باشد، صرفاً دربارهٔ علم موشک نیست—و نه دربارهٔ رؤیاهای خیالی مانند آسانسورهای فضایی یا درایوهای warp یا جزئیات خاص هر آینده پساانسانی. یکی از نکاتی که دربارهٔ این کتاب دوست دارم این است که چگونه این موضوع عظیم را از منظر «اصول بنیادین» مورد بررسی قرار می‌دهید، ابتدا بر مسائلی بنیادی مانند مکانیک مداری متمرکز می‌شوید که شرایط مرزی مختلفی را تعیین می‌کند و چشم‌انداز امکاناتی را که برایمان فراتر از زمین می‌تواند وجود داشته باشد، می‌سازد.

بله، این مفهوم «شرایط مرزی» واقعاً مهم است—این ایده که برخی پدیده‌ها فقط می‌توانند در چارچوب‌ محدودی رخ دهند و فراتر از آن دیگر امکان‌پذیر نیستند. برای تعریف «چشم‌انداز»، همان‌طور که گفتید، به این نیاز دارید. تصور کنید قاره‌ای است که انسان‌ها هرگز پا به آن نذاشته‌اند و می‌خواهید پیش‌بینی کنید وقتی این‌کار را می‌کنند چه می‌شود—مثلاً بگویید آن‌ها یک شهر می‌سازند و آن شهر مترو دارد. اما اگر تمام قاره پر از مرداب باشد، هیچ‌کس در آنجا مترو نمی‌سازد و برنامه‌ریزی هر شهری باید به شرایط مرطوب توجه کند، پس امکانات متفاوت است. همین‌طور برای سامانه خورشیدی نیز صادق است.

فصلی در کتاب وجود دارد که به تمام این موارد می‌پردازد و دامنهٔ امکانات و چالش‌هایی را که برای مکان‌های نزدیک به خورشید، مانند عطارد، تا انتهای دیگر، مکان‌های دوردست مانند نپتون و حتی أبعد از آن وجود دارد، بررسی می‌کند. تفاوت واضح نور خورشید است؛ در عطارد نور خورشید تقریباً هفت برابر قوی‌تر است و در پلوتو بیش از هزار برابر کم‌نورتر از زمین. معمولاً وقتی یک زیست‌شناس فضایی مثل من دربارهٔ این موضوع صحبت می‌کند، در چارچوب «منطقهٔ قابل سکونت» به‌معنای پتانسیل فیزیکی و شیمیایی برای داشتن شرایطی مثل جو، آب سطحی مایع و دیگر ویژگی‌ها که حیات همان‌طور که می‌شناسیم را ممکن می‌سازد، می‌پردازد. اما «منطقه»های دیگری نیز وجود دارد که اگر دربارهٔ چگونگی پراکندگی حیات تکنولوژیک در یک سامانه سیاره‌ای فکر می‌کنید، باید در نظر بگیرید. این مناطق نیز به دسترسی به نور خورشید، انرژی وابسته‌اند، اما همچنین به مسائلی مثل میزان تابش که در معرض آن هستید و چقدر دسترسی به مقصد آسان است، مرتبطند.

به‌عنوان مثال، رسیدن به عطارد واقعاً دشوار است، چون در عمق گودال گرانشی خورشید قرار دارد—مقدار انرژی لازم برای رسیدن به آن از زمین تقریباً برابر با انرژی لازم برای رسیدن به مشتری و فراتر است. به‌علاوه، چون عطارد بسیار به‌سوی خورشید نزدیک‌تر است، بیشتر در معرض تابش‌های خطرناک و خورشیدی می‌شود، در حالی که هر‌چه از خورشید دورتر شوید، نگرانی از فعالیت خورشیدی کمتر می‌شود اما در معرض تابش‌های کیهانی بیشتری قرار می‌گیرید که خطرات خاص خود را دارد.

با در نظر گرفتن تمام این موارد، می‌توانید «منطقهٔ آسان‌ترین اکتشاف» را تصور کنید که به شما کمک می‌کند بفهمید به کجاها در سامانهٔ خورشیدی ممکن است برویم و چطور به آن‌جا می‌رسیم. این‌گونه سرنخ‌هایی دربارهٔ شکل‌گیری «پراکندگی» به دست می‌آید.

بنابراین، برای اکثر افراد این ممکن است یک رویکرد جدید برای فکر کردن دربارهٔ اکتشاف و گسترش در سامانه‌ خورشیدی باشد. اما طبیعتاً برای ما که علاقه‌مندان به فضا هستیم، بسیاری از جناح‌ها و مناظرات کلاسیک قدیمی از این چارچوب نوظهور بیرون می‌آیند.

به‌عنوان مثال، انتخاب اولویت‌دادن به ارسال انسان‌ها به ماه—مانند برنامه‌های ایالات متحده و سایر کشورها—در مقابل مأموریت‌های سرنشین‌دار به مریخ است. همچنین استدلالی وجود دارد که انسان‌ها نباید به سیاره‌ها و ماه‌ها بروند و به‌جای آن باید بر ساخت ایستگاه‌های فضایی و انواع دیگر زیست‌محیط‌های مصنوعی مداری تمرکز کنند. شما تمام این موضوعات را به‌طور مفصل در کتاب بررسی کرده‌اید، اما من در تشخیص مسیری که شما ترجیح می‌دهید، دچار مشکل شدم.

خب، در نوشتن کتاب به این نتیجه رسیدم که سیاره‌ها می‌توانند واقعاً دردسرساز باشند!

ما قطعاً باید مریخ و ماه را مطالعه کنیم و شاید برخی از ما حتی باید سعی کنیم در آنجا ساکن شویم. منظورم این است که دلایل واقعی و متعددی برای این کار وجود دارد. اما در بلندمدت، بهتر است آن‌چه واقعاً نیاز داریم مهندسی کنیم—فضاهایی ایجاد کنیم که فشارهای کمتری بر حیات که چهار میلیارد سال بر روی زمین تکامل یافته است، وارد می‌کند. حتی اگر زیستگاه‌های شگفت‌انگیزی بر ماه یا مریخ بسازیم، به‌عنوان مثال هرگز گرانش «عادی» زمین را در آن مکان‌ها نداریم.

چه از جسمی طبیعی مانند یک سیارک استفاده کنید و چه یک زیست‌محیط کاملاً مصنوعی در فضا بسازید، هر دو گزینه‌های بسیار بیشتری نسبت به سطح یک سیاره به شما می‌دهند. می‌توانید زیستگاه خود را به‌گونه‌ای بچرخانید تا گرانش مصنوعی شبیه به زمین ایجاد کنید؛ می‌توانید یک جو دلپذیر مهندسی کنید که دقیقاً با نیازهای زیستی ما منطبق باشد. می‌توانید فصول را تنظیم کنید، مکان مدار را انتخاب کنید و حفاظت محکمی در برابر تابش کیهانی داشته باشید.

به‌طور مرتبط، این حس را می‌دهم که از رویای ایلان ماسک برای ساخت شهرهایی در مریخ جذب نشده‌اید. حتی در کتاب می‌نویسید که اگر دلیل استقرار در مریخ، حفاظت از بشریت در برابر خطرات وجودی باشد، احتمالاً منطقی‌تر است که مریخ را به‌طور کامل کنار بگذارید و به ساخت مستعمرات عمیق زیرزمینی بر روی زمین بپردازید. چرا استدلال‌های «تسخیر مریخ» برای شما قانع‌کننده نیستند؟

من فکر می‌کنم خیلی ساده است که همانند یک هوادار فضا، در یک صندلی راحت نشسته و سیگار می‌کشد و می‌گوید: «آره، البته که می‌رویم و فضا را تسخیر و مستعمر می‌کنیم». علاوه بر احساس ناراحتی نسبت به تمام بارهای اجتماعی‑سیاسی و امتیازی که این نگرش به همراه دارد، معتقدم ما نمی‌توانیم این‌قدر محدود و بی‌تفاوت باشیم—چون این کارها به‌طور شگفت‌انگیزی دشوار و هزینه‌بر هستند. و می‌توانند احساس جدا بودن شدید از مشکلات روزمرهٔ بیشتر انسان‌ها را القا کنند. بنابراین باید دلایل منطقی، معقول و عقلانی داشته باشید که چرا هر کسی می‌خواهد این کار را انجام دهد، و به‌نظر من ساختن شهر بر مریخ به‌تنهایی کافی نیست.

مریخ بستر آزمایشی بسیار جالبی است تا بپرسیم چرا ما انسان‌ها امروز، در میان تمام مشکلات‌مان، باید در مورد این مسایل فکر کنیم. اما من به این نکته می‌رسم که تمرکز امروز بر این است که «بیایید یک پشتوانه برای بشریت بسازیم» است. نحوهٔ ارائهٔ آن بوی نگرش یوتوپیستی «ما بهتر می‌دانیم» می‌دهد—«ما یک جامعهٔ شگفت‌انگیز جدید روی مریخ می‌سازیم!»—در حالی که زندگی بر مریخ احتمالاً بسیار دیستوپی خواهد بود، چه‌چند.

همزمان، بله، هیچ‌کس با دید کلی‌نگرانه نمی‌تواند جدی استدلال کند که حیات بر روی زمین در معرض انواع خطرات وجودی نیست. بنابراین طبیعتاً منطقی است که یک نوع پشتوانه داشته باشیم—و یک روش برای این کار واقعاً می‌تواند ایجاد یک مستعمرهٔ دائمی خودکفا روی مریخ باشد که جمعیت کافی داشته باشد تا از بروز دیوانگی ناشی از پرورشی نزدیک به هم‌نسلی جلوگیری کند. اما من فکر نمی‌کنم این بتواند تنها عامل انگیزشی باشد.

پس رویکرد ترجیحی شما نسبت به مریخ چیست؟

در کتاب سعی کردم اکتشاف مریخ را از منظر ایدئولوژیکی بررسی کنم. یک موضع همان‌طور که اشاره کردیم، «بیایید بلافاصله تعداد زیادی انسان را به مریخ بفرستیم به‌عنوان پشتیبان وجودی. به محیط مریخ و هر چیز مشابهی مهم نیست؛ این سیاره تماماً برای تسخیر و تصرف ماست». سپس موضع علم خالص وجود دارد که می‌گوید باید با دقت بسیار زیاد عمل کنیم اما نه کاملاً دست‌کشیده نسبت به ارسال انسان یا هر چیز دیگری به مریخ، چون نمی‌خواهیم این محیط تقریباً بکر را که شاید سرنخ‌هایی دربارهٔ ریشه‌ها و ماهیت بنیادی حیات دارد، مختل کنیم. و سپس یک ایدئولوژی «زمین پیش‌نقش» است که می‌گوید حتی کارهای علمی نیز خیلی پرهزینه است و اکتشاف فضا به‌عنوان یک کل، توجه را از مشکلات فوری‌ای که در همان زمین داریم منحرف می‌کند؛ بنابراین باید آن را متوقف کنیم. اکثر مناظرات سیاست فضایی دور این دیدگاه‌ها می‌چرخند و معمولاً به بن‌بست می‌انجامند.

من از یک رویکرد چهارم حمایت می‌کنم که به‌نوعی به بازآفرینی شیوهٔ اکتشاف انسانی می‌پردازد. ما می‌دانیم چگونه یک سیاره را با حسگرها و ماهواره‌ها «متصل» و دیجیتالی کنیم، چون این کار را روی زمین انجام داده‌ایم و در حال یادگیری نحوهٔ کار با ماشین‌های‌مان به شیوه‌های جدید و بسیار فشرده هستیم. اگر تمام این توانایی‌ها را واقعاً بر مریخ به‌کار ببریم، فرصتی برای انجام تمام چیزهایی که می‌خواهیم داریم و برای یادگیری روش‌های نوین وجود داشتن.

و به‌نظر می‌رسد دلیل این است که این منطق برای مثال روی ماه اعمال نمی‌شود، چون در مقایسه با مریخ، چشم‌اندازهای کمتری برای پیشرفت در جستجوی ریشه‌های حیات ارائه می‌دهد.

درست است. ماه نیز به‌طور شگفت‌انگیزی جالب و زیباست و قطعاً از نظر نزدیکی به ما دسترسی بیشتری دارد. همچنین منابعی مانند یخ آب وجود دارد که می‌تواند نیازهای اکتشاف بین‌سیاره‌ای را پشتیبانی کند. می‌توانیم دربارهٔ فرآیندهای آلودگی زیستی نیز در آن بیاموزیم. اما ماه همان‌طور که مریخ، تمام معیارها را برآورده نمی‌کند.

پس، می‌دانید، این به این معنا نیست که ماه باید نادیده گرفته شود—و ممکن است نقش کلیدی در چندین دههٔ آینده داشته باشد—ولی به‌نظر من، قطعاً از نظر من در مقایسه با مریخ یک قدم پایین‌تر است.

من دربارهٔ ماه به دلایل عملی سؤال می‌کنم. همان‌طور که اشاره کردید، رسیدن به آن بسیار آسان‌تر است، بنابراین شاید در برخی جنبه‌ها مانند یک «چرخ‌های آموزشی» برای سفرهای بلندپروازانه‌تر به مریخ باشد. این، طبیعتاً، تجدید بحثی بی‌زمان است—برخی می‌گویند ابتدا به ماه رفتن منطقی‌تر است پیش از انجام جهش بزرگ‌تر به مریخ.

به عبارت دیگر، به‌نظر می‌رسد در کتاب شگفتی‌های سامانهٔ خورشیدی را بیان می‌کنید—«به این جهان‌های شگفت‌انگیز که ما را انتظار می‌کشند نگاه کنید!»—بدون اینکه به‌طور کافی بر مسیرهایی که می‌توانیم به آن‌ها برسیم، تمرکز کنید. شما دربارهٔ شرایط مرزی موجود و مناطق ناشی از آن که ممکن است در آن‌ها کاوش یا حتی زندگی کنیم، صحبت می‌کنید، اما در مورد مسیرهای محتملی که این وضعیت‌ها می‌توانند به واقعیت تبدیل شوند، کمتر می‌پردازید.

شما پیش‌تر به پرش‌های تکاملی اشاره کرده‌اید، و این همان چیزی است که من به آن می‌پردازم: واضح نیست که چگونه از زندگی راحت و به‌خوبی سازگارمان در زمین به‌مثلاً زندگی در ایستگاه‌های فضایی به‌اندازهٔ شهرهای تراشیده‌شده از شست‌سنج‌ها بین مریخ و مشتری می‌رویم. این… خوب—یک پرش عظیم است!

این یک مشاهدهٔ خوب است. و به این نکته باز می‌گردد که من نمی‌خواهم به تله‌ای سقوط کنم که پیش از این تعداد زیادی از مردم به آن افتاده‌اند؛ یعنی کسی می‌گوید: «بدیهی است مسیر پیشرفت این‌جور است و پس این و آن قطعا رخ خواهند داد!»

یک لحظه تصور کنید به سال ۱۹۶۸ برگردید و سه فضانورد ناسا را ببینید که پس از عبور از ماه برای مأموریت آپولو ۸، در مسیر بازگشت به زمین هستند. ممکن است فکر کنید آینده واضح می‌شود، درسته؟ ما در حال آماده‌سازی برای ارسال فضانوردان بیشتر آنجا بودیم—برای فرود. شاید شوروی‌ها هم این کار را انجام می‌دادند. انتظار می‌رفت یک رقابت برای فرود بر ماه، پروازهای مسافری به ماه و هجوم جدیدی از موشک‌ها و ایستگاه‌های فضایی باشد، و سپس در دههٔ ۷۰ به مریخ می‌رویم. اما طبیعتاً واقعیت پیچیدهٔ تمدن انسانی راه را مسدود کرد و بیشتر آن اتفاق نیفتاد. ما این مسیر تخیلی را به مسیر دیگری تغییر دادیم—اگر اصلاً در آن مسیر بودیم.

قابل انکار نیست که «فضا» امروز در نقطهٔ عطف دیگری قرار دارد. ما به سرعت نزدیک می‌شویم به نقطه‌ای که حداقل یک پرتاب موشک در روز به مدار می‌افتد، که شگفت‌انگیز است. امروز حدود ۱۰٬۰۰۰ شرکت مرتبط با فضا در سراسر جهان وجود دارد، که قطعاً ده سال پیش چنین نبود. فکر می‌کنم منصفانه باشد بگویم حتی رشد ارزش داده‌های زمینی به‌دست‌آمده از فضا به‌شدت افزایشی شده است. بنابراین تمام منحنی‌ها به‌نظر می‌رسد مسیر صعودی نمایی را دنبال می‌کنند. این تضمینی نیست که این روند ادامه یابد؛ امکان پس‌رفت نیز وجود دارد. یا شاید منحنی‌ها به‌سوی یک فلت‌پِلَت هرسیده‌اند؛ سپس سؤال این است: آیا هنوز چیزی در آینده وجود دارد که می‌تواند رشد نمایی را دوباره به وجود آورد؟

نمی‌دانم آیا این دقیقاً به سؤال شما می‌رسد—ممکن است برخی نکات جزئی را از دست داده باشم—اما احساس می‌کنم شواهد کافی وجود دارد که در حال حاضر چیزی جدید در حال رخ دادن است که باید به آن توجه کنیم—و ممکن است پیش‌آیندهٔ «پراکندگی» باشد. نکته این است: فکر نمی‌کنم فقط تاریخ را تکرار کنیم، درست است؟ اتفاقات غیرمنتظره‌ای رخ می‌دهد. دیگر به‌سادگی دوران آپولو که می‌توانستید تقریباً تمام چیزها را از نگاه «ایالات متحده مقابل شوروی» در فضا ببینید، نیست.

وضعیتی که امروز داریم، مجموعه‌ای غنی‌تر و پیچیده‌تر از انگیزه‌ها، بازیگران و توانایی‌هاست. بنابراین مهم‌تر می‌شود که به نکات نهایی در آن مقیاس‌های وسیع و منابع سامانهٔ خورشیدی نگاه کنیم و این محدودیت‌ها چه معنایی می‌دهند—به‌جای محدودیت‌های فکری زمینی دربارهٔ آنچه هفته پس پیش خواهد شد.

به‌طور کلی، به‌نظر می‌رسد تصویر کلی بسیار خوش‌بینی دربارهٔ مسیر پیش‌روی ما ارائه می‌دهید. اما اگر جزئیات کوچکتر را موقتاً بررسی کنیم، می‌گویید این را در حالی که به‌دلیل تعطیلی اخیر دولت آمریکا و کاهش شدید بودجه و کاهش نیروی کار ناسا، از کار مرخص شده‌اید—چیزی که تصور می‌کنم برای شخصی مانند شما باعث بدبینی می‌شود. چگونه این دو را هم‌سو می‌کنید؟

اجازه دهید بگویم که نگه داشتن چشم‌انداز وسیع‌تر همواره در دوره‌های نامطمئنی کمک می‌کند! در این چارچوب، من بر این باورم که «پراکندگی» ایده‌ای بسیار مثبت است که فارغ از هر شرایط زمینی کنونی می‌تواند مفید باشد. آنچه که حیات معمولاً هنگام پراکندگی انجام می‌دهد، یافتن فرصت برای بهتر شدن است. گونهٔ انسانی نیز متفاوت نیست. به‌نظر می‌رسد که کیهان به سمت این اتفاق متمایل است. بنابراین، تا حدودی، این موضوع از کنترل هر یک از گروه‌ها خارج است.

اکتشاف فضا در حال اتفاق است؛ فقط یک اجماع بحرانی از منافع مالی، علاقه‌مندی‌های شخصی افراد، افرادی با منابعی که به این موضوع علاقه دارند، و کشورهایی که هنوز ارزش عظیم دسترسی به فضا را برای دلایل مختلف—اقتصادی، امنیتی یا شاید فقط برای افتخار ملی—می‌بینند، وجود دارد. با این همه بازیگر، به‌نظر می‌رسد ما در آستانه‌ای قرار گرفته‌ایم که در دهه‌های ۱۹۶۰ و ۱۹۷۰ به‌دست نیاوردیم. حضور این‌همه بازیکن نیز به این معناست که اینکه چه کسی اول چه کاری انجام می‌دهد، سؤال باز است.

این نکته مرتبط با سؤالتان دربارهٔ ناسا است—من به‌طور شخصی صحبت می‌کنم و نه به‌اسم سازمان. بی‌پاسخ این است که تلاش‌های پیشگامانهٔ ناسا کلیدی بوده‌اند تا اکتشاف فضا به جایی که امروز می‌رسد، برسد. ما متوجه شدیم که وقتی مشکلات سخت فضا را با سرمایه‌گذاری‌های بلندمدت در علم، مهندسی و افراد حل می‌کنیم، راه را برای دیگران برای نوآوری بیشتر باز می‌کنیم. این عالی است چون مشکلات سخت همچنان ادامه خواهند داشت. فقط کافی است راهی پیدا کنیم تا این ترکیب خاص به‌کار خود ادامه دهد.

جایی که خوش‌بین نیستم این است که فکر کنیم به‌عنوان یک گونه گرد هم می‌آییم و یک برنامهٔ جامع و یکپارچه برای بشریت و فضا طرح‌ریزی می‌کنیم. فراموش‌ش کنید. این اتفاق نمی‌افتد، درست است؟ اما فکر می‌کنم این اشکال نیست. آنچه خواهیم دید، ایده‌ها، تلاش‌ها و نوآوری‌های متعدد به‌طور همزمان در سطحی است که پیش‌تر هرگز وجود نداشته است. به‌نظر می‌رسد به‌نظری که با گذشته مقایسه می‌شود، این اتفاق به‌این شکل منطقی است، نه همان‌طور که در طول قرن بیستم تصور می‌شد. در طول تاریخ بشر، لحظاتی بوده‌اند که پیشرفت‌ها به‌سوی «هم‌گرایی» می‌رفتند، خواه این چاپگر، حمل‌ونقل جمعی، مخابرات، رایانه و اینترنت باشد. این پیشرفت‌ها همواره از علم تغذیه می‌شوند و همچنین از منافع رقابتی در زمینه‌های اقتصادی یا تجاری که سرمایه‌گذاری‌های متعددی را به‌وجود می‌آورند، پشتیبانی می‌شوند.

احساس می‌کنم اینجا همان جایی است که در مورد فضا قرار داریم. این برای من جدید و بسیار شگفت‌انگیز است.

معیارهای اعتبار، معیارهای سئو هستند که اعتبار و قدرت یک وب‌سایت را ارزیابی می‌کند. قدرت دامنه (DP)، رتبه دامنه (DR) و اعتبار دامنه (DA) عملکرد را با استفاده از پیوندهای بازگشتی، سیگنال‌های اعتماد و تأثیر ترافیک سنجش می‌کنند. معیارهای اعتبار مهم هستند، زیرا تعیین می‌کنند موتورهای جستجو ارزش دامنه را چگونه تفسیر کرده و قابلیت دیده‌شدن آن را تخصیص می‌دهند.

متخصصان سئو معمولاً این تصور را دارند که دامنه‌های با اعتبار بالا در هر محیط جستجو برتری دارند. دیگران استدلال می‌کنند که کشف مبتنی بر هوش مصنوعی با پاداش‌دهی به زمینه و ارتباط معنایی، قابلیت دیده‌شدن را بازآفرینی می‌کند. قسمت مفقود شواهدی است که نشان می‌دهد معیارهای اعتبار در داخل مدل‌های زبانی بزرگ (LLMs) چگونه رفتار می‌کنند.

این مطالعه رابطه بین DP، DR، DA و امتیاز قابلیت دیده‌شدن LLM را بر روی ۲۱,۷۶۷ دامنه بررسی می‌کند. این تجزیه‌وتحلیل می‌سنجد که نمرات اعتبار چگونه با فراوانی ارجاع و قابلیت دیده‌شدن در پاسخ‌های تولید شده توسط LLM همسو هستند. نتایج نشان می‌دهند که معیارهای اعتبار سئو همبستگی‌های ضعیف یا منفی با قابلیت دیده‌شدن LLM دارند، که نشان می‌دهد مدل‌های زبانی بزرگ نمایش محتوا را بر پایهٔ مرتبط بودن زمینه‌ای توزیع می‌کنند، نه بر پایهٔ تسلط.

روش‌شناسی – چگونه اعتبار را در مقابل قابلیت دیده‌شدن اندازه‌گیری کردیم؟

این آزمایش بررسی می‌کند که آیا دامنه‌های با اعتبار بالا در پاسخ‌های مدل‌های زبانی بزرگ (LLM) مزیت قابلیت دیده‌شدن را حفظ می‌کنند یا خیر. این آزمایش روشن می‌کند که معیارهای سنتی اعتبار سئو چگونه به کشف مبتنی بر هوش مصنوعی منتقل می‌شوند. 

اهمیت این آزمایش در این است که مشخص می‌کند آیا اعتبار مبتنی بر پیوندهای بازگشتی همچنان شکل‌دهندهٔ قابلیت دیده‌شدن در اکوسیستم جدید LLM است یا خیر. 

داده‌ها شامل ۳ مؤلفهٔ اصلی زیر می‌شوند.

• داده‌های اعتبار سطح دامنه برای DP، DR و DA که از ارائه‌دهندگان معتبر معیارهای سئو جمع‌آوری شده‌اند.
• امتیازهای قابلیت دیده‌شدن LLM که از ChatGPT، Gemini و Perplexity بین ۲۵ آگوست تا ۲۴ اکتبر ۲۰۲۵ جمع‌آوری شده‌اند.
• لاگ‌های پاسخ چندمدلی شامل ارجاع‌های دامنه، درصدهای قابلیت دیده‌شدن و فرکانس‌های هم‌ذکر که نشان می‌دهد هر دامنه چندبار و با چه شدت در خروجی‌های مدل ظاهر شده است.

مراحل پیش‌پردازش به شرح زیر هستند.

• ادغام معیارهای دامنه (DP، DR، DA) با مجموعه دادهٔ قابلیت دیده‌شدن LLM بر مبنای نام دامنه.
• حذف سطرهایی که visibility_score = 0 است تا ارجاع‌های معنادار برای تحلیل همبستگی جدا شوند.
• شامل کردن تمام سطرها برای تجزیه و تحلیل فرکانس هم‌ذکر و مطالعه‌های موردی گوگل و یوتیوب.
• استانداردسازی شناسه‌ها، زمان‌مهرها و نام فیلدها برای یک‌دست‌سازی.
• حذف دامنه‌های نامعتبر یا غیرمعتبر.

مراحل تحلیلی به شرح زیر هستند.

• محاسبهٔ همبستگی‌های پیرسون میان DP، DR، DA و شاخص‌های قابلیت دیده‌شدن مانند متوسط امتیاز قابلیت دیده‌شدن و نرخ برد (visibility score = 100).
• تصویرسازی روابط با نمودارهای پراکندگی و نمودارهای جعبه‌ای در میان ۳ مدل LLM.
• تقسیم نتایج بر اساس سطح رقابت، که توسط تعداد دامنه‌های هم‌ذکر در هر پاسخ LLM تعریف می‌شود.
• اعمال فیلتر مبتنی بر IQR برای حذف نقاط پرت آماری و تضمین نتایج پایدار.

مجموعه داده شامل ۲۱,۷۶۷ دامنهٔ یکتا با معیارهای اعتبار موجود و داده‌های تأییدشدهٔ قابلیت دیده‌شدن است. این طرح هدف دارد بررسی کند که آیا معیارهای اعتبار سئو (DP، DR، DA) پیش‌بینی‌کنندهٔ برجستگی دامنه در پاسخ‌های تولید شده توسط LLM هستند یا اینکه سیگنال‌های جدید مبتنی بر زمینه، قابلیت دیده‌شدن را در جستجوی هوش مصنوعی تعریف می‌کنند.

نتیجهٔ نهایی چیست؟

تحلیل نشان می‌دهد که DP، DR و DA پیش‌بین‌های ضعیفی برای قابلیت دیده‌شدن LLM هستند. نمرات بالای اعتبار تضمین‌کنندهٔ نمایش در نتایج تولید شده توسط هوش مصنوعی نیستند. در مجموع سه معیار، همبستگی‌ها بین –۰.۰۸ تا –۰.۲۱ متغیر است که تأیید می‌کند سیگنال‌های سنتی اعتبار تأثیر محدودی بر فراوانی ظاهر شدن دامنه‌ها در پاسخ‌های LLM دارند. 

دامنه‌های با اعتبار کمتر اغلب قابلیت دیده‌شدن برابر یا بالاتری کسب می‌کنند، که نشان می‌دهد مدل‌های زبانی بزرگ نمایش محتوا را بر پایهٔ مرتبط بودن زمینه‌ای توزیع می‌کنند، نه بر پایهٔ وزن پیوندهای بازگشتی. معیار نرخ برد این الگو را تقویت می‌کند، زیرا موقعیت‌های بالای قابل مشاهده به دامنه‌هایی که با نیت موضوع همخوانی دارند، ترجیح می‌دهد نه به آن‌هایی که بالاترین معیارهای اعتبار را دارند.

مدل‌های زبانی بزرگ اعتبار و مرتبط بودن را به‌عنوان عوامل جداگانه در نظر می‌گیرند و چشم‌اندازی متوازن‌تر از قابلیت دیده‌شدن ایجاد می‌کنند؛ به‌طوری که دامنه‌های کوچکتر در کنار سایت‌های با اعتبار بالا عملکرد می‌کنند وقتی محتوای آن‌ها با نیت پرسش مطابقت داشته باشد. نتایج تأیید می‌کند که ساختارهای مبتنی بر اعتبار همچنان در محیط‌های جستجوی هوش مصنوعی از قدرت خود می‌غیرند. الگوهای قابلیت دیده‌شدن در تمام مدل‌ها ثابت می‌مانند؛ همان‌طور که اعتبار کاهش می‌یابد، هم‌سویی زمینه‌ای افزایش می‌یابد و نمایش محتوا به‌صورت برابر‌تری توزیع می‌شود.

تیم‌های سئو باید قابلیت دیده‌شدن LLM را به‌عنوان زیرساخت جدیدی برای ارزیابی عملکرد در نظر بگیرند. برندهایی که به‌دقت زمینه‌ای و شفافیت موجودیت‌ها بهینه‌سازی می‌کنند، کشف قوی‌تری، دامنهٔ دسترسی وسیع‌تری و حضور پایدارتر در نتایج تولیدی هوش مصنوعی به‌دست می‌آورند.

چگونه معیارهای اعتبار با قابلیت دیده‌شدن LLM همبستگی دارند؟

من، منیک بهان، به‌همراه تیم تحقیقاتی Search Atlas، همبستگی‌های بین معیارهای اعتبار و قابلیت دیده‌شدن LLM را بر روی ۲۱,۷۶۷ دامنه بررسی کردیم. جزئیات نشان‌دهندهٔ نحوهٔ ارتباط DP، DR و DA با قابلیت دیده‌شدن در ادامه آورده شده است.

قدرت دامنه

قدرت دامنه عملکرد تأییدشده را با استفاده از داده‌های زندهٔ Google Search Console اندازه‌گیری می‌کند. DP توان واقعی جستجو را با ترکیب دامنهٔ رتبه‌بندی و پوشش کلیدواژه‌ها بازتاب می‌دهد. قدرت دامنه مهم است زیرا نمایانگر قابلیت دیده‌شدن قابل اندازه‌گیری از داده‌های تأییدشدهٔ گوگل است نه برآوردی پیوندهای بازگشتی.

نتایج کلیدی در زیر نشان داده شده‌اند.

• همبستگی OpenAI. r = –0.12
• همبستگی Perplexity. r = –0.18
• همبستگی Gemini. r = –0.09
• جهت روند. شیب منفی ملایم در تمام مدل‌ها

دامنه‌های با DP بالا گاهی عملکرد کمتری دارند، در حالی که دامنه‌های میانی دیداری ثابت‌تری در پاسخ‌های LLM حفظ می‌کنند. این روند نشان می‌دهد که اعتبار بدست آمده از جستجو تضمین‌کنندهٔ فراوانی ارجاع در AI نیست. دقت زمینه‌ای و ارتباط موضوعی بیش از قدرت رتبه‌بندی تاریخی وزن دارد و تأیید می‌کند که مدل‌های زبانی بزرگ اعتبار را به‌طور متفاوتی نسبت به موتورهای جستجوی سنتی ارزیابی می‌کنند.

امتیاز دامنه

امتیاز دامنه میزان و کیفیت پیوندهای بازگشتی را برای برآورد کلی اعتبار دامنه اندازه می‌گیرد. DR نمایانگر نمایهٔ پیوندهای یک سایت و تأثیر آن در گراف وب است. DR مهم است زیرا مدت‌ها به‌عنوان پیش‌بینی‌کنندهٔ اصلی قدرت سئو محسوب می‌شده است.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• همبستگی OpenAI. r ≈ 0.00 (بی‌طرف)
• همبستگی Perplexity. r = –0.17
• همبستگی Gemini. r = –0.14
• جهت روند. شیب منفی ضعیف در بیشتر مدل‌ها

دامنه‌های با DR بالا در طیف قابلیت دیده‌شدن به‌صورت گسترده‌ای متفاوت‌اند و مزیت ثابتی در خروجی‌های تولیدی نشان نمی‌دهند. داده‌ها تأیید می‌کند که اعتبار مبتنی بر وزن پیوندهای بازگشتی پیش‌بینی‌کنندهٔ برجستگی در پاسخ‌های مدل‌های زبانی بزرگ نیست. قابلیت دیده‌شدن LLM بر کیفیت اطلاعات و هم‌سویی زمینه‌ای وابسته است نه بر تعداد پیوندهای بازگشتی یا حجم دامنه‌های ارجاعی.

اعتبار دامنه

اعتبار دامنه معیارهای پیوندها و اعتماد تخمینی را در یک مقیاس 0 تا 100 جمع می‌کند. DA الگوهای لینک‌سازی خارجی و اعتبار تاریخی را خلاصه می‌کند. اعتبار دامنه مهم است زیرا یکی از شناخته‌شده‌ترین معیارهای اعتبار در تحلیل عملکرد سئو به شمار می‌آید.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• همبستگی OpenAI. r = –0.10
• همبستگی Perplexity. r = –0.21
• همبستگی Gemini. r = –0.13
• جهت روند. همبستگی منفی ضعیف تا متوسط، ثابت

دامنه‌های با DA بالاتر از 80 بیش‌ترین نوسان را نشان می‌دهند و در قابلیت دیده‌شدن یا نرخ برد مزیت پایداری ندارند. پرتفوی‌های گستردهٔ پیوندهای بازگشتی نتوانند حضور ثابت در ارجاع‌های LLM را تضمین کنند.

آیا فرکانس هم‌ذکر بر قابلیت دیده‌شدن تأثیر می‌گذارد؟

فرکانس هم‌ذکر میزان تعداد دامنه‌هایی را که در یک پاسخ LLM به‌صورت مشترک ظاهر می‌شوند، می‌سنجد. این تجزیه‌وتحلیل ۳۶۸,۹۷۲ دامنهٔ یکتا را با امتیازهای قابلیت دیده‌شدن بین 50 تا 100 در بر می‌گیرد تا بفهمد رقابت داخل پاسخ‌های LLM چگونه بر قابلیت دیده‌شدن تأثیر می‌گذارد. جزئیات نشان‌ دهندهٔ ارتباط فرکانس هم‌ذکر با نمایش محتوا در ادامه آورده شده است.

فرکانس هم‌ذکر

فرکانس هم‌ذکر نشان‌دهندهٔ شدت رقابت در هر پاسخ است و تعیین می‌کند که توجه چگونه بین منابع ارجاع‌شده توزیع می‌شود. فرکانس هم‌ذکر مهم است زیرا روشن می‌کند آیا کاهش رقابت موجب بهبود برجستگی دامنه در مدل‌ها می‌شود یا خیر.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• تعداد کمتر هم‌ذکرهای همزمان با قابلیت دیده‌شدن میانی بالاتر مرتبط است.
• افزایش رقابت، قابلیت دیده‌شدن را در تمام مدل‌ها کاهش می‌دهد.
• پاسخ‌های تک‌دامنه بالاترین نرخ برد را به‌دست می‌آورند.
• قابلیت دیده‌شدن به‌صورت پیوسته از 2 تا 10 هم‌ذکر کاهش می‌یابد.
• پس از بیش از ده دامنه، تنوع ارجاع‌های LLM باعث گستردگی بیش‌تر واریانس قابلیت دیده‌شدن می‌شود.

هر متغیر به‌صورت متفاوتی مؤثر است. رقابت کم، قابلیت دیده‌شدن را تقویت می‌کند چون LLM وزن بیشتری به پاسخ‌های تک یا محدود دامنه می‌دهد. سطوح میانی، تنوعی ایجاد می‌کنند که بین تنوع و مرتبط‌بودن تعادل می‌یابد. رقابت بالا، نمایش را به‌صورت مساوی توزیع می‌کند و نشان می‌دهد که برجستگی به دقت زمینه‌ای بستگی دارد نه به وزن پیوندهای بازگشتی.

شدت رقابت به‌عنوان قوی‌ترین پیش‌بینی‌کنندهٔ نمایش در محیط‌های LLM ظاهر می‌شود. دامنه‌ها بالاترین قابلیت دیده‌شدن خود را زمانی به‌دست می‌آورند که به‌تنهایی یا همراه با تعداد کمی از رقبای خود ارجاع شوند، که تأیید می‌کند چگالی پاسخ، نه معیارهای اعتبار، تعیین‌کنندهٔ برجستگی در نتایج جستجوی تولید شده توسط هوش مصنوعی است.

مطالعات موردی: گوگل و یوتیوب

من، منیک بهان، به‌همراه تیم تحقیقاتی Search Atlas، گوگل و یوتیوب را تحلیل کردیم تا بفهمیم چگونه شدت رقابت بر قابلیت دیده‌شدن در پاسخ‌های مدل‌های زبانی بزرگ تأثیر می‌گذارد. این تحلیل از تمام پاسخ‌هایی که دامنه‌های google.com و youtube.com در آن‌ها ظاهر شده‌اند استفاده کرد و امتیازهای قابلیت دیده‌شدن بین 50 تا 100 را در بر می‌گیرد. 

جزئیات نشان‌ دهندهٔ عملکرد این دامنه‌ها در سطوح مختلف هم‌ذکر در ادامه آورده شده است.

گوگل

گوگل در زمانی که تنها دامنه ارجاع‌شده در یک پاسخ LLM باشد، قابلیت دیده‌شدن تقریباً کامل (~100٪) را حفظ می‌کند. قابلیت دیده‌شدن در سطوح رقابت کم (2 تا 5 دامنه) بالا می‌ماند اما به‌تدریج با افزایش تراکم دامنه‌ها کاهش می‌یابد.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• قابلیت دیده‌شدن تک‌دامنه. ~امتیاز میانی 100٪
• 2 تا 5 هم‌ذکر. قابلیت دیده‌شدن ثابت
• 6 تا 10 هم‌ذکر. کاهش قابلیت دیده‌شدن
• 11+ هم‌ذکر. نوسان گسترده‌تر اما ادامه ارجاع

تحلیل در سطح پرسش نشان می‌دهد که گوگل در درخواست‌های فنی و مخصوص محصول (Google Sheets API، Google Search Console setup) قابلیت دیده‌شدن 100٪ دارد اما در موضوعات گسترده یا رقابتی (بهترین ابزارهای هوش مصنوعی، برترین پلتفرم‌های جستجو) به 0٪ قابلیت دیده‌شدن می‌رسد. 

این نتایج نشان می‌دهد که گوگل همچنان سیگنال‌های اعتبار قوی را دارد اما وقتی LLMها برای حفظ بی‌طرفی منابع را متنوع می‌کنند، فضا را به‌اشتراک می‌گذارد.

یوتیوب

یوتیوب نیز روند مشابهی را نشان می‌دهد اما تحت رقابت بالا مقاومت بیشتری دارد. وقتی به‌تنهایی ارجاع شود، قابلیت دیده‌شدن 100٪ را به‌دست می‌آورد و در سطوح رقابت کم تا متوسط، نمایش بالایی را حفظ می‌کند.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• قابلیت دیده‌شدن تک‌دامنه. امتیاز میانی 100٪
• 2 تا 5 هم‌ذکر. پایداری بالا (میانگین 90 تا 95٪)
• 6 تا 10 هم‌ذکر. کاهش متوسط (میانگین ~80٪)
• 11+ هم‌ذکر. قابلیت دیده‌شدن میانی حدود 80٪ باقی می‌ماند

پرسش‌هایی که قابلیت دیده‌شدن 100٪ را به‌دست می‌آورند معمولاً به آموزش‌ها یا محتوای ویدیویی مرتبط هستند (YouTube Shorts monetization، چگونه یک ویدئو بارگذاری کنیم)؛ در حالی که 0٪ قابلیت دیده‌شدن در پرسش‌های متنی‌محور که سایت‌های مرجع تسلط دارند، مشاهده می‌شود.

هر دو دامنه در سطوح رقابت کم‌ترین نمایش را به‌دست می‌آورند و حتی در سطوح رقابت بالا نیز حضور دارند؛ این تحلیل نشان می‌دهد که قابلیت دیده‌شدن LLM بیشتر به مرتبط بودن زمینه‌ای وابسته است تا به اعتبار مطلق.

کدام عوامل بهترین پیش‌بینی‌کنندهٔ قابلیت دیده‌شدن LLM هستند؟

سه پیش‌بینی‌کنندهٔ اصلی برای درک عوامل مؤثر بر نمایش در پاسخ‌های مدل‌های زبانی بزرگ تجزیه و تحلیل شدند. این متغیرها اعتبار، رقابت و برجستگی را می‌سنجند و نشان می‌دهند چگونه LLMها قابلیت دیده‌شدن را بین دامنه‌های مختلف توزیع می‌کنند.

نتایج کلیدی در زیر نمایش داده شده‌اند.

• معیارهای اعتبار (DP، DR، DA). همبستگی منفی ضعیف با قابلیت دیده‌شدن در تمام مدل‌ها.
• فرکانس هم‌ذکر. همبستگی منفی قوی، که تأیید می‌کند شدت رقابت بالاترین تأثیر را دارد.
• نرخ برد (Visibility = 100). همبستگی مثبت متوسط، نشان می‌دهد که حضور مستمر در صدر به‌صورت جزئی الگوهای قابلیت دیده‌شدن را تقویت می‌کند.

هر عامل به‌صورت متفاوتی مؤثر است. معیارهای اعتبار بازتاب‌دهندهٔ ساختار سنتی سئو هستند اما در محیط‌های تولیدی پیش‌بینی‌کنندهٔ عملکرد نیستند. فرکانس هم‌ذکر چگالی رقابتی است که ثابت‌ترین نشانگر نتایج قابلیت دیده‌شدن می‌باشد. نرخ برد نشانگر تکرار ارجاع است اما پیش‌بینی‌پذیری کمتری نسبت به دینامیک‌های رقابتی دارد.

زمینهٔ رقابتی و هم‌سویی موضوعی به‌عنوان قوی‌ترین پیش‌بینی‌کننده‌های قابلیت دیده‌شدن نمایان می‌شوند. نتایج تأیید می‌کند که مدل‌های زبانی بزرگ بر مرتبط بودن زمینه‌ای و تنوع بیش از اعتبار تأکید می‌کنند، و کشف را بر پایهٔ کیفیت اطلاعات نه بر پایهٔ شهرت ناشی از پیوندهای بازگشتی بازنگری می‌کند.

تیم‌های سئو و هوش مصنوعی باید با این یافته‌ها چه کار کنند؟

تحلیل تأیید می‌کند که DP، DR، DA روابط ضعیف یا منفی با قابلیت دیده‌شدن در داخل مدل‌های زبانی بزرگ دارند. معیارهای سنتی اعتبار همچنان برای جستجوی گوگل مهم هستند، اما در نتایج تولید‌شده توسط هوش مصنوعی پیش‌بینی‌کنندهٔ قوی نیستند.

۱. قابلیت دیده‌شدن LLM را به‌عنوان لایهٔ جدید عملکرد در نظر بگیرید

امتیاز LLM Visibility Score را در کنار معیارهای سنتی مانند قدرت دامنه و داده‌های ترافیک بررسی کنید. اعتبار همچنان بر رتبه‌بندی‌های ارگانیک تأثیر دارد، اما قابلیت دیده‌شدن در LLMها لایه‌ای جداگانه از نمایش برند است که تحت منطق متفاوتی عمل می‌کند.

۲. برای مرتبط بودن زمینه‌ای بهینه‌سازی کنید

قابلیت دیده‌شدن را با بهبود تطبیق موضوع، وضوح معنایی، و ساختار زمینه‌ای در محتوا افزایش دهید. LLMها بر مرتبط بودن و دقت اطلاعاتی نسبت به مقدار پیوندهای بازگشتی اولویت می‌دهند. صفحاتی که درخواست‌ها را به‌طور جامع پاسخ می‌دهند و به‌دقت با نیت پرسش همخوانی دارند، بیشتر ارجاع می‌شوند.

۳. اولویت‌های ساخت لینک را بازنگری کنید

سرمایه‌گذاری‌های ساخت لینک را مجدداً ارزیابی کنید. به‌جای تمرکز بر افزایش اعتبار، بر اتصالات زمینه‌ای و مفهومی تمرکز کنید. یافته‌ها نشان می‌دهند که مجرد داشتن DR یا DA بالا به تنهایی احتمال ارجاع در مدل‌های هوش مصنوعی را ارتقا نمی‌دهد.

۴. خوشه‌های محتوای متمرکز بر موجودیت‌ها بسازید

خوشه‌های محتوایی ایجاد کنید که روابط موجودیتی بین مفاهیم، برندها و موضوعات را تعریف می‌کنند. ساختار داخلی منسجم، نشانه‌گذاری اسکیما و عمق موضوعی، نحوهٔ تفسیر LLMها از تخصص موضوعی را بهبود می‌بخشد و مرتبط بودن را در پاسخ‌های تولیدشده تعیین می‌کند.

۵. معیارهای مقایسه‌ای را در پلتفرم‌های مختلف تهیه کنید

روندهای قابلیت دیده‌شدن را در بین ChatGPT، Gemini و Perplexity مقایسه کنید. تفاوت‌های بین‌مدلی به تیم‌ها امکان می‌دهد تا جایی که ساختار محتوا و نمایندگی موضوعی بهترین عملکرد را دارد، شناسایی کنند. پیگیری این سیگنال‌ها نشان می‌دهد مدل‌ها چگونه در ارزیابی اعتماد و مرتبط بودن متفاوت عمل می‌کنند.

محدودیت‌های این مطالعه چیست؟

هر مجموعه داده دارای محدودیت‌های حوزه و زمان‌بندی است. محدودیت‌های این تحلیل در زیر فهرست شده‌اند.

• داده‌های قابلیت دیده‌شدن فقط از ۳ مدل زبانی بزرگ (OpenAI، Perplexity، و Gemini) در یک بازهٔ دو ماهه جمع‌آوری شد.
• این مطالعه حس یا لحن متنی ارجاع‌های دامنه در پاسخ‌های مدل را ارزیابی نکرد.
• معیار نرخ برد فقط حضورهای با قابلیت دیده‌شدن کامل (امتیاز = 100) را ثبت کرد و ارجاع‌های جزئی یا وزن‌دار را نادیده گرفت.
• مقایسه بین‌مدلی شامل Claude و SearchGPT نمی‌شود؛ که این امر تعمیم‌پذیری نتایج را در فضای گسترده‌تری از مدل‌های LLM محدود می‌کند.

با وجود این محدودیت‌ها، یافته‌ها در تمام سیستم‌های تحلیل‌شده ثابت باقی می‌مانند. همبستگی‌ها بین اعتبار و قابلیت دیده‌شدن به‌صورت منفی ضعیف باقی می‌مانند، که تأیید می‌کند نمایش در LLM بیشتر به مرتبط بودن زمینه‌ای وابسته است تا به معیارهای سنتی اعتبار.

نوشته: آمندا کاسول

هر دو را برای نوشتن، برنامه‌ریزی و تمرکز تست کردم تا بفهمم

ChatGPT و Gemini دو روبات گفتگو (چت‌بات) مورد علاقهٔ من برای دلایل کاملاً متفاوت هستند. ChatGPT حافظهٔ بهتری دارد و ترجیحات من را می‌داند، اما Gemini ویژگی‌هایی در Google Workspace دارد که من به‌طور مداوم برای مدیریت روز کاری‌ام به آن‌ها رجوع می‌کنم. اگرچه من هر دو را به‌صورت همزمان استفاده می‌کنم، اما پرسیدم کدام یک در نهایت دستیار بهره‌وری بهتری است.

برای کشف پاسخ، ChatGPT و Gemini را به‌صورت کنار هم به‌عنوان همکاران مجازی‌ام در زمینهٔ بهره‌وری آزمایش کردم. از آن‌ها خواستم روزهای کاری‌ام را برنامه‌ریزی کنند، جلسات را خلاصه کنند، ایمیل‌ها را پیش‌نویس کنند و حتی وقتی فهرست کارهای من از کنترل بیرون رفت، به من کمک کنند تا تمرکز داشته باشم. کاری که معمولاً برای یک روبات انجام می‌دادم، از دیگری می‌خواستم انجام دهد، و برعکس.

می‌دانستم که این روبات‌ها متفاوت هستند، اما تا پایان تست‌های بهره‌وری‌ام، واقعاً شگفت‌زده شدم از اینکه آن‌ها چقدر متفاوت عمل می‌کردند. در ادامه نتایج و مقایسهٔ آن‌ها را می‌بینید.

۱. برنامه‌ریزی روزانه و تمرکز

دستور: «برنامه‌ریزی روز کاری‌ام بر اساس وظایف و سطوح انرژی‌ام.»

Gemini کمی غیررسمی‌تر بود و تنها چند سؤال دربارهٔ برنامه‌ام پرسید. من به سؤالات پاسخ دادم و Gemini به‌طور مناسب واکنش نشان داد.

ChatGPT حتی پیش از این که تقویم‌ام را بارگذاری کنم، یک سند آمادهٔ استفاده (plug and play) برای به‌اشتراک‌گذاری وظایف و سطوح انرژی‌ام در اختیارم قرار داد. پیش از این‌که این‌گونه تقسیم‌بندی را در نظر بگیرم، فکر نکرده بودم، اما این کار به من کمک کرد تا «واسطه‌های بزرگ زمان و انرژی» در برنامه‌ام را به‌صورت بصری ببینم.

برنده: ChatGPT برنده شد این دور برای کمک به من در بیان و تشخیص این‌که انرژی و زمان من در طول هفته دقیقاً به کجا می‌رفت، بود. این برایم تعجب‌آور بود، چون من همیشه برای برنامه‌ریزی از Gemini استفاده می‌کردم.

۲. نوشتن و ویرایش

دستور: «این مقاله را ویرایش کن تا نقاطی که می‌توانم جزئیات یا وضوح بیشتری به آن بیفزایم، مشخص شود.»

Gemini با ارائهٔ پیشنهادهای ویرایشی به جای تمجید آغاز کرد که من قدردان آن هستم. به‌جای پردازش ویرایش‌ها به‌صورت خط به خط، به من گفت که کدام بخش‌ها ممکن است به توضیح یا جزئیات بیشتری نیاز داشته باشند.

ChatGPT ابتدا همان‌طور که همیشه می‌کند، من را تمجید کرد. اگرچه من از این تمجید خوشم می‌آید، ترجیح می‌دادم مستقیماً به اصل موضوع بپردازد. سپس ویرایش‌های خط به خط ارائه شد که حس می‌کرد تقریباً انگار قلم من را گرفته و اصلاحات را برای من انجام می‌دهد.

برنده: Gemini برنده شد به‌دلیل اینکه ویرایشگر بهتری است. این برایم تعجب‌آور بود؛ من مطمئن بودم که ChatGPT حس وادهای ویرایشی بهتری دارد.

۳. آماده‌سازی جلسه و خلاصه‌سازی

دستور: «این متن گفتگوی جلسه را خلاصه کن و موارد عملی ایجاد کن.»

Gemini خلاصه‌ای بسیار ساختار یافته و پیش‌بینانه ارائه داد که بر موارد عملی و پیش‌بینی‌های کلیدی متمرکز بود و اولویت‌ها را برای این‌که یک سازمان چه کاری در ادامه باید انجام دهد، مشخص کرد.

ChatGPT خلاصه‌ای جامع و متوازن ارائه کرد که نه تنها نکات کلیدی بحث را به‌دست می‌آورد، بلکه گام‌های بعدی ملموس و فوری برای خبرنگاری که مصاحبه را انجام داده بود، شامل می‌شود.

برنده: ChatGPT برنده شد برای خلاصه‌ای که موفق شد شکاف بین محتوای مصاحبه و زمینهٔ حرفه‌ای فوری کاربر را پر کند، و آن را کاربردی و مستقیماً مفید برای مخاطب هدف ساخت.

۴. یادگیری و تحقیق

دستور: «این PDF را خلاصه کن و کارت‌های فلش برای واژه‌های کلیدی بساز.»

Gemini بلافاصله پاسخ نداد. در واقع، ابتدا به من گفت که نمی‌تواند PDF را خلاصه کند؛ این واضحاً یک توهم بود. پس از این که مجدداً درخواست را تکرار کردم، سرانجام یک خلاصه و کارت‌های فلش برای واژه‌های کلیدی، به همراه منابع ارجاعی، تولید کرد.

ChatGPT یک خلاصهٔ محکم ارائه داد و کارت‌های فلش نیز ساخت، اما به‌طور کلی، آنچنان دقیق نبود.

برنده: Gemini برنده شد برای تجربه یادگیری بهتری که ارائه کرد، حتی اگر در ابتدا دچار اشتباه شد. این برایم تعجب‌آور نیست؛ چون Gemini معمولاً در زمینهٔ کارت‌های فلش برای یادگیری جدید یا کمک به بچه‌ها در تکالیف مدرسه، انتخاب اول من است.

۵. خودکارسازی و جریان کار

دستور: «یک جریان کاری بساز که یادداشت‌ها، وظایف و ایمیل‌های من را سازماندهی کند.»

Gemini چارچوبی قوی و مبتنی بر اصول ارائه داد که متدولوژی «دست و پا کردن کارها» (Getting Things Done) را تطبیق می‌دهد و پایهٔ فلسفی محکمی برای سازماندهی کارها فراهم می‌کند.

ChatGPT راهنمایی عملی‌تر و بلافاصله قابل استفاده ارائه کرد که ابزارهای ملموس را مشخص می‌کند، ساختارهای پوشه‌ای واضحی می‌سازد و نکات خودکارسازی و یک مثال واقعی را ارائه می‌دهد.

برنده: ChatGPT برنده شد این دور برای پاسخ قابل‌اعمالتر که کاربرپسند است؛ تبدیل مفهوم جریان کاری به سیستمی آماده برای اجرا با گام‌ها و ادغام‌های مشخص.

۶. ایده‌پردازی و تولید ایده

دستور: «به من کمک کن پنج ایدهٔ جدید برای پادکست هوش مصنوعی‌ام پیدا کنم.»

Gemini فهرستی از مفاهیم پادکست مستحکم، خلاقانه و به‌خوبی تدوین‌شده ارائه داد که جذابیت عمومی وسیعی برای مخاطبان دارد.

ChatGPT ایده‌های پادکست را ارائه کرد که به‌طور تخصصی با نقش من در Tom’s Guide و آنچه دربارهٔ من می‌داند، سازگار بودند، و این باعث شد که این ایده‌ها فوراً مرتبط‌تر و قابل اجرا باشند.

برنده: ChatGPT برنده شد برای ارائه فهرستی از ایده‌ها که به‌طور شخصی‌شده به من می‌خورد و عمق حافظه، زمینه و استدلال آن را نشان می‌دهد.

۷. مدیریت زمان و مسئولیت‌پذیری

دستور: «در طول روز مرا در مسیر نگه دار و یادآوری کن که متمرکز بمانم.»

Gemini برنامهٔ مربیگری جامع و تعاملی ایجاد کرد که برای مؤثر بودن، از کاربر می‌خواهد اطلاعاتی ارائه دهد و در گفت‌وگوهای متقابل شرکت کند.

ChatGPT با ارائهٔ راه‌حل فوری، خودکار و بدون نیاز به مداخلهٔ کاربر، که مستقیماً خواست اصلی برای یادآورها و تشویق‌ها را برآورده می‌کند، برنده شد.

برنده: ChatGPT برنده شد به‌خاطر توانایی‌اش در نگه‌داشتن من بر روی وظایف و تمرکز، بدون اینکه هیچ کاری از من بخواهد.

نتیجه‌گیری

در همان‌لحظه‌ای که فکر می‌کردم بهترین ربات برای کار را به‌کار می‌برم، این تست نشان داد که شاید در برخی موقعیت‌ها نیاز به تغییر داشته باشم. این مقایسهٔ کنارهم‌نشان‌دادن، قدردانی جدیدی از تفاوت‌های اساسی این دو دستیار هوش مصنوعی به من داد. Gemini همچون ادامه‌ای از فضای کاری‌ام احساس می‌شود.

از سوی دیگر، ChatGPT به من کمک می‌کند تا کارها را پیش از اجرا بررسی کنم، نه فقط اجرا کنم. چه در اصلاح پیش‌نویس مقاله، برنامه‌ریزی یک روز بر اساس سطوح انرژی‌ام و چه در تولید ایده‌های هدفمند، این ربات به‌صورت مداوم عمیق‌تر می‌شود و استدلالی شبیه به انسانی را به هر پاسخ می‌افزاید.

در نهایت، ChatGPT برندهٔ کلی است، اما پیروزی واقعی این است که بدانیم کدام ابزار برای هر کار بهترین است.

چگونه از این ربات‌ها برای بهره‌وری استفاده می‌کنید؟ در قسمت نظرات به‌اشتراک بگذارید.

فید شبکه‌های اجتماعی شما توسط محتوای نامناسب ویدئوی هوش مصنوعی اشغال شده است. یک علامت هشدار وجود دارد که می‌تواند به شما کمک کند تقلب‌ها را تشخیص دهید – آیا به‌نظر می‌رسد که با یک سیب‌زمینی فیلم‌برداری شده است؟

این تمام شد. شما در این‌موضوع فریفته خواهید شد. احتمالاً قبلاً نیز این‌کار را انجام داده‌اید. در شش ماه گذشته، تولیدکنندگان ویدئوی هوش مصنوعی آن‌قدر پیشرفت کردند که رابطه‌مان با دوربین‌ها در آستانهٔ ذوب شدن است. سناریوی مطلوب این است: بارها و بارها فریب بخورید تا جایی که از این‌همه‌اش خسته شوید و هر چیز را که می‌بینید زیر سؤال ببرید. به آینده خوش‌آمدید.

اما به‌حال، هنوز چند پرچم قرمز برای تشخیص وجود دارد. یکی از آن‌ها برجسته است. اگر ویدئویی با کیفیت تصویر پایین ببینید – همانند فیلمی دانه‌دار و تار – باید در ذهن‌تان زنگ خطر به‌صدا درآید که شاید در حال تماشای هوش مصنوعی هستید.

“این یکی از اولین چیزهایی است که ما به آن نگاه می‌کنیم,” می‌گوید هانی فرید، استاد علوم کامپیوتر در دانشگاه کالیفرنیا، برکلی، پیشگام در حوزهٔ جرم‌شناسی دیجیتال و بنیان‌گذار شرکت تشخیص دیپ‌فیک GetReal Security.

حقیقت تلخ این است که ابزارهای ویدئوی هوش مصنوعی در نهایت حتی بهتر می‌شوند و این توصیه به‌زودی بی‌فایده خواهد شد. این می‌تواند در چند ماه اتفاق بیفتد یا سال‌ها طول بکشد. گفتن سخت است! متأسفم. اما اگر برای یک لحظه با من در جزئیات این موضوع غرق شوید، این نکته می‌تواند شما را از برخی آشغال‌های هوش مصنوعی نجات دهد تا زمانی که یاد بگیرید که دیدگاه‌تان نسبت به حقیقت را تغییر دهید.

بیایید صریح باشیم. این شواهد نیست. ویدئوی هوش مصنوعی نه بیشتر از این‌که بد به‌نظر برسد. بهترین ابزارهای هوش مصنوعی می‌توانند کلیپ‌های زیبا و صیقلی ارائه دهند. ویدئوی با کیفیت پایین نیز لزوماً توسط هوش مصنوعی ساخته نشده است. “اگر چیزی را می‌بینید که واقعاً کیفیت پایین دارد، به این معنا نیست که تقلبی است. این به معنای وجود نیت مخرب نیست”، می‌گوید متیو استام، استاد و سرپرست آزمایشگاه چندرسانه‌ای و امنیت اطلاعات در دانشگاه درِکسِل، ایالات متحده.

در عوض، نکته این است که ویدئوی هوش مصنوعی که تار و پیکسل‌دار است، آنهایی هستند که در حال حاضر بیشتر احتمال دارد شما را فریب دهند. این یک علامت است که شاید بخواهید به‌دقت بیشتری به آنچه می‌بینید نگاه کنید.

“ژنراتورهای پیشرو متن به ویدئو مانند Veo گوگل و Sora اوپن‌AI هنوز ناهماهنگی‌های کوچک تولید می‌کنند,” فرید می‌گوید. “اما این مسأله‌ای مانند شش انگشت یا متن نامفهوم نیست. این از آن پیچیده‌تر است.”

حتی مدل‌های پیشرفتهٔ امروز اغلب مشکلاتی نظیر بافت پوست به‌طوری غیرطبيعي صاف، الگوهای عجیب یا در حال تغيير در مو و لباس، یا اشیای کوچک پس‌زمینه که به‌صورت غیرممکن یا غیرواقعی حرکت می‌کنند، به‌وجود می‌آورند. همه این موارد به‌راحتی قابل نادیده‌گیری‌اند، اما هر چه تصویر واضح‌تر باشد، بیشتر احتمال دارد که این خطاهای آشکار هوش مصنوعی را ببینید.

این همان دلیل جذابیت ویدئوی با کیفیت پایین است. وقتی از هوش مصنوعی می‌خواهید چیزی شبیه به‌فیلم‌برداری با گوشی قدیمی یا دوربین امنیتی تولید شود، می‌تواند اثرات نامطلوبی که ممکن است دیگران را به دقت بیشتر ترغیب کند، مخفی کند.

در چند ماه گذشته، چند ویدئوی هوش مصنوعی با نمایهٔ بالا هزاران نفر را فریب دادند. همهٔ آن‌ها نکته‌ای مشترک داشتند. ویدئوی جعلی اما دل‌انگیز از خرگوش‌های وحشی که بر روی تردمیل می‌پرند، بیش از ۲۴۰ میلیون بازدید در تیک‌تاک دریافت کرد. میلیون‌ها رمانس‌دوست آنلاین دکمه لایک را بر روی کلیپی از دو نفری که در مترو نیویورک عاشق می‌شوند فشار دادند، اما پس از کشف تقلب، همان ناامیدی را تجربه کردند. من شخصاً یک ویدئوی ویروسی از یک کشیش آمریکایی در یک کلیسای محافظه‌کار که موعظه‌ای شگفت‌انگیزاً چپ‌گرا ارائه می‌داد، را باور کردم. « میلیاردران تنها اقلیتی هستند که باید از آن‌ها بترسیم،» او با لهجهٔ جنوبی فریاد زد. «آن‌ها قدرت نابودی این کشور را دارند!» من شگفت‌زده شدم. آیا مرزهای سیاسی ما واقعاً به این‌حدی مبهم شده‌اند؟ نه. فقط هوش مصنوعی بیشتر شده است.

هرگز نمی‌پذیرید که یک قطعهٔ متن فقط به‌دلیل اینکه کسی آن را نوشته است، درست باشد. شما به منبع آن سر می‌زنید. ویدئوها قبلاً متفاوت بودند زیرا فیک کردن آن‌ها سخت‌تر بود. اما حالا این‌چنین نیست.

هر یک از این ویدئوها گویی با یک سیب‌زمینی فیلم‌برداری شده بود. خرگوش‌های هوش مصنوعی؟ به‌عنوان فیلم‌های ارزان دوربین امنیتی که شب فیلم‌برداری شده‌اند، نمایش داده شدند. زوج مترو؟ پیکسل‌دار. آن کشیش خیالی؟ ویدئو گویی بیش از حد بزرگنمایی شده بود. و همچنین این ویدئوها علائم دیگری نیز داشتند.

“سه موردی که باید به آن‌ها توجه کنید، رزولوشن، کیفیت و طول ویدئو هستند,” می‌گوید فرید. طول کوتاه‌ترین مورد است. “در بیشتر موارد، ویدئوهای هوش مصنوعی بسیار کوتاه هستند، حتی کوتاه‌تر از ویدئوهای معمولی که در تیک‌تاک یا اینستاگرام می‌بینیم که حدود ۳۰ تا ۶۰ ثانیه طول دارند. اکثر ویدئوهایی که از من خواسته می‌شود تأیید کنم، شش، هشت یا ۱۰ ثانیه طول دارند.” دلیل این است که تولید ویدئوهای هوش مصنوعی هزینه‌بر است، بنابراین بیشتر ابزارها تنها کلیپ‌های کوتاهی تولید می‌کنند. علاوه بر این، هر چه ویدئو طولانی‌تر باشد، احتمال خطای هوش مصنوعی بیشتر می‌شود. “می‌توانید چند ویدئوی هوش مصنوعی را به‌هم بپیچید، اما تقریباً هر هشت ثانیه یک برش مشاهده می‌کنید.”

دو عامل دیگر، رزولوشن و کیفیت، مرتبط هستند اما متفاوت. رزولوشن به تعداد یا اندازهٔ پیکسل‌های تصویر اشاره دارد، در حالی که فشرده‌سازی فرآیندی است که حجم فایل ویدئویی را با حذف جزئیات کاهش می‌دهد و اغلب الگوهای بلوکی و لبه‌های تار را به‌جا می‌گذارد.

در واقع، فرید می‌گوید که تقلب‌های کم‌کیفیت آن‌قدر قانع‌کننده‌اند که افراد مخرب به‌صورت عمدی کیفیت کار خود را کاهش می‌دهند. “اگر می‌خواهم مردم را فریب دهم، چه کاری می‌کنم؟ ویدئوی تقلبی خود را تولید می‌کنم، سپس رزولوشن را کاهش می‌دهم تا هنوز قابل مشاهده باشد، اما بتوانید تمام جزئیات کوچک را تشخیص دهید. سپس فشرده‌سازی اضافه می‌کنم که بیشتر شواهد ممکن را مخفی می‌کند,” می‌گوید فرید. “این یک تکنیک رایج است.”

مشکل این است که، در حالی که این متن را می‌خوانید، شرکت‌های فناوری میلیاردها دلار صرف می‌کنند تا هوش مصنوعی را حتی واقع‌گرایانه‌تر کنند. “خبر بدی دارم که باید بکنم. اگر این نشانه‌های بصری اکنون وجود دارند، به‌زودی ناپدید خواهند شد,” می‌گوید استام. “پیش‌بینی می‌کنم که این نشانه‌های بصری حداقل در دو سال آینده از ویدئو حذف شوند، به‌ویژه آن‌هایی که واضح هستند، چون آن‌ها تقریباً از تصاویر تولید شده توسط هوش مصنوعی در حال ناپدید شدن هستند. دیگر نمی‌توانید به چشمان خود اعتماد کنید.”

این به این معنا نیست که حقیقت یک هدف نابود شده است. وقتی پژوهشگرانی مانند فرید و استام یک محتوا را تأیید می‌کنند، تکنیک‌های پیشرفته‌تری در اختیار دارند. “زمانی که یک ویدئو تولید یا ویرایش می‌کنید، ردهای آماری کوچکی بر جای می‌گذارد که چشم ما نمی‌تواند آن‌ها را ببیند، همانند اثرانگشت‌های دست در صحنهٔ جرم,” می‌گوید استام. “ما شاهد ظهور تکنیک‌هایی هستیم که می‌توانند این اثرانگشت‌ها را جستجو و افشا کنند.” به‌عنوان مثال توزیع پیکسل‌ها در یک ویدئوی جعلی ممکن است با ویدئوی واقعی متفاوت باشد، اما چنین عواملی بی‌خطا نیستند.

شرکت‌های فناوری نیز بر روی استانداردهای جدیدی برای تأیید اطلاعات دیجیتال کار می‌کنند. به‌عبارت دیگر، دوربین‌ها می‌توانند بلافاصله پس از ایجاد یک تصویر، اطلاعاتی در فایل تعبیه کنند تا اثبات کنند که واقعی است. به همان شکل، ابزارهای هوش مصنوعی می‌توانند به‌صورت خودکار جزئیات مشابهی را به ویدئوها و تصاویر خود اضافه کنند تا ثابت کنند تقلبی هستند. استام و دیگران می‌گویند این تلاش‌ها می‌توانند کمک‌کننده باشند.

راه‌حل واقعی، به‌نظر کارشناس سواد دیجیتال مایک کافیلد، این است که همگی ما باید طرز فکرمان را دربارهٔ آنچه آنلاین می‌بینیم، تغییر دهیم. جستجو برای نشانه‌های باقی‌مانده توسط هوش مصنوعی “پایدار” نیست، زیرا این نشانه‌ها همچنان در حال تغییرند، او می‌گوید. در عوض، کافیلد می‌گوید باید ایدهٔ اینکه ویدئوها یا تصاویر به‌تنهایی معنایی دارند، در خارج از زمینه، کنار بگذاریم.

هوش مصنوعی باعث به‌وجود آمدن تأملات فراگیر در سراسر صنعت دربارهٔ توانایی‌ها و معایب آن شده است.

از این هفته، میلیون‌ها هندی یک سال دسترسی رایگان به ربات گفت‌وگوی هوش مصنوعی جدید و کم‌هزینه «Go» از ChatGPT دریافت خواهند کرد.

این اقدام پس از اعلام مشابهی در هفته‌های اخیر توسط Google و Perplexity AI صورت گرفت؛ این شرکت‌ها با شرکت‌های موبایل محلی هندی همکاری کرده‌اند تا به کاربران دسترسی رایگان به ابزارهای هوش مصنوعی خود به مدت یک سال یا بیشتر ارائه دهند.

Perplexity با دومین ارائه‌دهنده بزرگ شبکه موبایل کشور، Airtime، همکاری کرده است، در حالی که Google با Reliance Jio، بزرگ‌ترین غول مخابراتی هند، برای ترکیب ابزارهای هوش مصنوعی رایگان یا با تخفیف در بسته‌های داده ماهانه همکاری می‌کند.

تحلیل‌گران می‌گویند این گونه پیشنهادها نباید به‌عنوان سخاوت درک شوند؛ زیرا در واقع سرمایه‌گذاری‌های محاسبه‌شده و شرطی بلندمدت برای آینده دیجیتال هند هستند.

«هدف این است که پیش از درخواست پرداخت هزینه، هندی‌ها را به هوش مصنوعی مولد وابسته کنیم»، تارون پاتاک، تحلیل‌گر در Counterpoint Research، به بی‌بی‌سی گفت.

«چیزی که هند ارائه می‌دهد، مقیاس و مخاطبان جوان است»، می‌گوید آقای پاتاک و افزود که سایر بازارهای بزرگ نظیر چین ممکن است از نظر تعداد کاربران با هند رقابت کنند، اما محیط فناوری به‌صورت سفت و سخت تنظیم‌شده‌اش دسترسی خارجی‌ها را محدود می‌کند.

در مقابل، هند بازاری دیجیتال باز و رقابتی فراهم می‌کند و فناوری‌های جهانی این فرصت را به‌دست می‌گیرند تا میلیون‌ها کاربر جدید را جذب کرده و مدل‌های هوش مصنوعی خود را آموزش دهند.

OpenAI، Perplexity و Google به سؤالات بی‌بی‌سی پاسخ ندادند.

هند بیش از ۹۰۰ میلیون کاربر اینترنت دارد و برخی از ارزان‌ترین داده‌های جهان را ارائه می‌دهد. جمعیت آنلاین این کشور جوان است؛ اکثر کاربران اینترنت زیر ۲۴ سال هستند و به نسلی تعلق دارند که به‌صورت آنلاین زندگی، کار و معاشرت می‌کند و از تلفن‌های هوشمند استفاده می‌کند.

ترکیب این ابزارهای هوش مصنوعی با بسته‌های داده، فرصت عظیمی برای شرکت‌های فناوری ایجاد می‌کند، زیرا مصرف داده در هند از بسیاری از نقاط جهان پیشی می‌گیرد. هرچه هندی‌ها بیشتر از این پلتفرم‌ها استفاده کنند، شرکت‌ها به داده‌های اولیه بیشتری دست خواهند یافت.

«هند کشوری فوق‌العاده متنوع است. موارد استفاده از هوش مصنوعی که از اینجا به‌وجود می‌آیند، به‌عنوان مطالعات موردی ارزشمندی برای بقیه جهان عمل خواهند کرد»، می‌گوید آقای پاتاک.

«هر چه داده‌های اولیه و منحصربه‌فرد بیشتری جمع‌آوری کنند، مدل‌هایشان، به‌ویژه سیستم‌های هوش مصنوعی مولد، بهتر خواهند شد.»

اگرچه این پیشنهادها برای شرکت‌های هوش مصنوعی برد‑برد هستند، اما از دیدگاه مصرف‌کننده، به‌ویژه در خصوص تأثیرات بر حریم‌خصوصی داده‌ها، پرسش‌هایی را برانگیخته‌اند.

«اکثر کاربران همواره مایل به فدا کردن داده‌های خود برای راحتی یا دریافت چیزهای رایگان بوده‌اند و این روند ادامه خواهد یافت»، می‌گوید پرسنتو ک. روی، نویسنده فناوری مستقر در دهلی و تحلیل‌گر.

اما اینجا جایی است که دولت باید مداخله کند، او می‌گوید.

«نظارت باید تقویت شود تا مقامات بتوانند نحوه مدیریت مسأله گسترده‌ای که مردم داده‌های خود را به‌آسانی واگذار می‌کنند را پیدا کنند»، می‌گوید آقای روی.

در حال حاضر، هند قانون مخصوصی برای تنظیم هوش مصنوعی ندارد. قانون گسترده‌تر حفاظت از داده‌های شخصی دیجیتال (DPDP) ۲۰۲۳ که پیرامون رسانه‌های دیجیتال و حریم‌خصوصی است، هنوز تصویب نشده است.

کارشناسان می‌گویند که اگرچه این قانون محافظت‌های گسترده‌ای در زمینه داده‌های شخصی فراهم می‌کند، قوانین اجرایی آن هنوز در انتظار نهایی شدن هستند و هنوز به سیستم‌های هوش مصنوعی یا مسئولیت‌پذیری الگوریتمی پرداخته نشده است.

اما وقتی این قانون اجرایی شود «احتمالاً از نظر دیجیتال [حریم‌خصوصی] یکی از پیشرفته‌ترین‌ها خواهد بود»، ماهش ماخیا، رهبر مشاوره فناوری در Ernst and Young به بی‌بی‌سی گفت.

در حال حاضر، محیط نظارتی انعطاف‌پذیر هند به شرکت‌هایی همچون OpenAI و Google اجازه می‌دهد تا ابزارهای هوش مصنوعی رایگان را با طرح‌های مخابراتی ترکیب کنند؛ امری که در سایر کشورها بسیار دشوارتر است.

به‌عنوان مثال، مقررات هوش مصنوعی اتحادیه اروپا استانداردهای سخت‌گیرانه‌ای برای شفافیت و حاکمیت داده‌ها تعیین می‌کند، در حالی که مقررات جدید کره جنوبی یک گام جلوتر می‌روند و برچسب‌گذاری بر محتوای تولیدشده توسط هوش مصنوعی را الزامی می‌سازند و اپراتورها را در قبال نحوه استفاده از سیستم‌های خود پاسخگو می‌کنند.

در این مناطق، چنین پیشنهادهایی الزامات انطباقی درباره رضایت کاربر و حفاظت از داده‌ها را به‌وجود می‌آورد که اجرای آن‌ها در مقیاس وسیع را دشوار می‌سازد.

آقای روی می‌گوید هند به آگاهی بیشتر کاربران و قوانین واضح‌تری نیاز دارد، اما بدون خنثی‌کردن نوآوری.

«در این مرحله، به تنظیمات سبک‌وزن نیاز داریم، اما این تنظیمات باید همان‌گونه که میزان خطرات احتمالی واضح‌تر می‌شود، تکامل یابند».

تا آن زمان، شرکت‌های هوش مصنوعی جهانی امیدوارند که با ارائه این خدمات رایگان، بتوانند تجربه گذشته هند در جذب میلیون‌ها کاربر جدید با داده‌های اینترنتی به‌صورت بسیار تخفیف‌دار را بازسازی کنند.

اگرچه به‌نظر نمی‌رسد هوش مصنوعی به‌مدل تجاری سنگین‌قیمت متوسل شود و به‌جای آن به‌عنوان سرویس کم‌هزینه و مبتنی بر ارزش پذیرفته شود، حجم عظیم کاربران این کشور نویدبخش است.

«به‌عنوان مثال، حتی اگر تنها ۵٪ از کاربران رایگان به مشترک تبدیل شوند، همچنان عددی قابل‌توجه خواهد بود»، می‌گوید آقای پاتاک.

حساب‌های X و تیک‌توک به انتشار ویدیوهای تولیدشده توسط هوش مصنوعی از زنانی که خفه می‌شوند اختصاص داده شده‌اند.

حساب‌های شبکه‌های اجتماعی در تیک‌توک و X ویدیوهای هوش مصنوعی از زنانی و دخترانی که خفه می‌شوند را منتشر می‌کنند و این نمونه دیگری است از این‌که شرکت‌های هوش مصنوعی مولد نتوانسته‌اند از ساخت رسانه‌های مخالف سیاست‌های خود در خصوص محتوای خشونت‌آمیز توسط کاربران جلوگیری کنند.

یک حساب در X از اواسط اکتبر به انتشار ده‌ها ویدیو هوش مصنوعی درباره خفه‌کردن پرداخته است. این ویدیوها معمولاً ده ثانیه طول می‌کشند و بیشتر بر یک «دختر نوجوان» تمرکز دارند که خفه می‌شود، می‌گرید و در مقابل آن مقاومت می‌کند تا وقتی که چشم‌هایش بسته می‌شود و به زمین می‌افتد. برخی از عناوین این ویدیوها عبارتند از: «دختر نوجوان تیم تشویقی در حین اضطراب خفه شد»، «دختران مدرسه پیش‌دبستانی توسط قاتل خفه شدند!»، و «مردی یک دختر تشویقی دبیرستانی را با بند کیف خفه کرد؛ این کار دیوانه‌کننده است».

نرخ این بیماری در دهه‌های اخیر در حال افزایش است و این رشد تا حدی ناشی از دیابت و فشار خون بالا می‌باشد.

تعداد بزرگسالانی که به بیماری مزمن کلیه مبتلا هستند، طبق مطالعه‌ای که جمعه در مجله لانسِت منتشر شد، در حال افزایش است. این بیماری در سال ۲۰۲۳، نهمین علت مرگ و میر در سطح جهان بود که نسبت به سال ۱۹۹۰ که در جایگاه ۲۷ بود، ارتقا یافته است.

طبق این مطالعه، حدود ۱۴ درصد بزرگسالان ۲۰ سال و بالاتر — یعنی ۷۸۸ میلیون نفر — در سال ۲۰۲۳ برآورد شد که به بیماری مزمن کلیه مبتلا هستند؛ این رقم نسبت به سال ۱۹۹۰ که کمی بیش از ۱۲ درصد بود، افزایش یافته است. این رشد نشانگر پیری جمعیت جهان و همچنین افزایش عوامل خطر شایع مانند دیابت، فشار خون بالا و چاقی است. پژوهشگران افزودند که این موضوع ممکن است به‌دلیل آگاهی و تشخیص بیشتر این بیماری نیز باشد.

بیماری کلیه تا زمانی که به مراحل پیشرفته نرسد، معمولاً علائم واضحی نشان نمی‌دهد؛ در آن هنگام ممکن است بیماران به دیالیز یا پیوند عضو نیاز پیدا کنند. اما تست‌های ساده‌ای وجود دارد که می‌توانند این بیماری را در اوایل شناسایی کنند و داروهای جدیدی نیز برای کند کردن پیشرفت آن به کار رفته‌اند.