دسته: هوش مصنوعی

تیم پیشین گوگل که پشت برنامهٔ طراحی سه‌بعدی Rooms از شرکت Things, Inc. قرار دارد، پروژهٔ جدید خود را معرفی کرد: یک ویرایشگر عکس هوش مصنوعی سرگرم‌کننده به نام Mixup. این برنامهٔ ویژهٔ iOS به هر کسی اجازه می‌دهد تا با استفاده از «دستورالعمل‌ها» که شبیه پرکن‌های خالی به سبک Mad Lib برای عکس‌ها، متون یا طرح‌های شما هستند، عکس‌های جدید هوش مصنوعی‌ساز بسازد.

به‌عنوان مثال، می‌توانید از Mixup بخواهید تا طرح دست‌نویس خود را به یک نقاشی زیبا از دورهٔ رنسانس تبدیل کند، یا حیوان خانگی‌تان را در یک لباس خنده‌دار هالووین بازآفرینی کند. می‌توانید از یک سلفی استفاده کنید تا ببینید با یک مدل مو متفاوت چگونه خواهید به‌نظر آمد، یا حتی چیزی احمقانه‌تر بسازید — مانند تجسم دوستی که به شکل یک شخصیت ایتالیایی دیوانه درآشته است.

این برنامه بر پایهٔ Nano Banana گوگل ساخته شده است، اما قالب «دستورالعمل» روش جدیدی برای تعامل با مدل فراهم می‌کند — ابزار تولیدی را به یک بازی آنلاین تبدیل می‌کند.

«چیزی که Nano Banana انجام داد و هیچ مدل قبلی قادر به انجامش نبود این بود که بتواند تصویر شما را به شکلی قانع‌کننده حفظ کند بدون اینکه ترسناک به‌نظر برسد»، جیسون توف، بنیانگذار و مدیرعامل شرکت Things, Inc. که پیشینه‌اش شامل کار بر روی برنامه‌های آزمایشی در شرکت‌های فناوری بزرگ مانند گوگل و متا، و همچنین مدت‌زمانی که در توییتر به مدیریت محصول مشغول بوده، گفت.

اما آنچه Mixup را به‌ویژه سرگرم‌کننده می‌کند این است که «دستورالعمل‌های» این برنامه — درخواست‌های هوش مصنوعی تولیدشده توسط کاربر — قابل اشتراک‌گذاری هستند.

«هوش مصنوعی مولد بسیار قدرتمند است، اما اکثر اوقات وقتی به این ابزارها مراجعه می‌کنید، فقط یک جعبهٔ متن به شما می‌دهد — از شما می‌خواهد خلاق باشید. پس چه می‌نویسید؟» توف در مورد کاستی‌هایی که تیمش در چشم‌انداز فعلی هوش مصنوعی مشاهده کرده بود، اظهار کرد.

«به‌این‌سان، به‌جای اینکه مجبور باشید خلاق باشید و به‌دنبال این باشید که چه چیزی بسازید، چیزی که کار می‌کند را می‌بینید و می‌توانید فقط جاهای خالی را پر کنید»، او گفت.

پس از اینکه کاربران یک پرامپت جدید در Mixup ایجاد کردند، می‌توانند آن را همراه با عکسی که به دست آمده در یک فید عمومی منتشر کنند یا فقط برای استفاده شخصی دانلود نمایند. از فید، کاربران دیگر می‌توانند تصویر را مشاهده کرده و دکمهٔ کنار آن را بزنند تا «دستورالعمل را امتحان کنند». این امکان به هر کسی در اپ اجازه می‌دهد تا از همان دستورالعمل برای تولید تصویر با استفاده از عکس، متن یا دودل‌های خود استفاده کند. (دودل‌ها می‌توانند با یک ویژگی سادهٔ رسم داخل برنامه ساخته شوند.)

دیدن یک عکس در کنار دستورالعملی که آن را ایجاد کرده، می‌تواند به‌نظر تیم، به رفع طبیعت غیرقابل پیش‌بینی تصاویر هوش مصنوعی مولد کمک کند.

«مشکل دیگری که در هوش مصنوعی مولد وجود دارد، همان مسأله‌ای است که ما به‌صورت داخلی «دستگاه اسلات» می‌نامیم؛ یعنی وقتی دکمه را می‌زنید، چیزی بیرون می‌آید، دوباره فشار می‌دهید، چیز دیگری بیرون می‌آید، و حس می‌کنید که کنترلی بر خروجی ندارید»، توف توضیح داد.

اما در Mixup، کاربران می‌توانند هم تصویر و هم پرامپتی که آن را ایجاد کرده در یک مکان ببینند، که به آن‌ها ایده‌ای از ظاهر خروجی می‌دهد. همچنین می‌توانند دکمه‌ای را فعال کنند تا تصویر قبل و بعد را مشاهده کنند، به شرطی که سازنده این تنظیم را فعال کرده باشد.

علاوه بر این، مشابه برنامهٔ ویدئویی هوش مصنوعی OpenAI به نام Sora، کاربران می‌توانند عکس‌های خود را به Mixup بارگذاری کنند تا در تصاویر هوش مصنوعی خود استفاده کنند. اگر این کار را انجام دهید، هر شخصی که در برنامه دنبال‌اش می‌کنید می‌تواند با چهرهٔ شما تصاویر هوش مصنوعی بسازد — ویژگی‌ای که «mixables» نامیده می‌شود.

شرکت تصور می‌کند که گروه‌های دوستان برای بهره‌برداری از این ویژگی یکدیگر را دنبال کنند، اما ممکن است یک دستهٔ سازندگان نیز در این پلتفرم شکل بگیرد — به‌شرط آن‌که مخالف ترکیب شدن خودشان به‌طرز عجیبی نباشند. (البته، اگر نمی‌خواهید تصویر خود را در دسترس دیگران بگذارید، یا عکس را آپلود نکنید یا کسی را دنبال نکنید.)

این برنامه همچنین از فناوری OpenAI برای رسیدگی به برخی از نگرانی‌های پیش‌بینی‌شده در مورد نظارت بر تصاویر هوش مصنوعی استفاده می‌کند، اما توف اعتراف می‌کند که Mixup به‌طور قابل‌توجهی بر کنترل‌های داخلی گوگل در مدل تصویر خود برای محدود کردن محتوای جنسی یا خشونت متکی است.

در زمان عرضه، Mixup برای iOS 26 بهینه‌سازی شده است، اما از iOS 18 به بالا پشتیبانی می‌کند. اگر موفق شود، نسخهٔ وب یا برنامهٔ اندروید می‌تواند در آینده اضافه شود.

کاربران رایگان ۱۰۰ امتیاز دریافت می‌کنند که معادل ۴ دلار است. در عین حال، هزینهٔ تولید هر تصویر تقریباً ۴ سنت است. وقتی امتیازها تمام شوند، کاربران می‌توانند به سطوح مختلف اشتراک‌گذاری که ۱۰۰، ۲۵۰ یا ۵۰۰ امتیاز در ماه ارائه می‌دهد، مشترک شوند.

برنامه در ساعت نیمه‌شب ۲۱ نوامبر در فروشگاه App Store به‌صورت جهانی عرضه می‌شود، اما برای دسترسی به آن به دعوتنامه نیاز است. خوانندگان TechCrunch می‌توانند از کد TCHCRH (تا زمانی که موجود باشد) برای ورود استفاده کنند. Mixup برای پیش‌سفارش قبل از عرضه در دسترس است.

این پست پس از انتشار بروز شد تا اعلام کند که برنامه در ۲۱ نوامبر، نه ۲۰ نوامبر همان‌طور که پیش‌تر گفته شد، عرضه می‌شود.

دانشجویان استافوردشای می‌گویند نشانه‌ها نشان می‌دهند که مواد دوره با هوش مصنوعی تولید شده‌اند؛ شامل نام‌های فایل مشکوک و لهجه نامنطبق صداپیشگی.

Aisha Down

دانشجویان دانشگاه استافوردشای اعلام کرده‌اند که حس «سرقت دانش و لذت» می‌کنند، پس از اینکه دوره‌ای که امیدوار بودند مسیر حرفه‌های دیجیتالشان را باز کند، عمدتاً توسط هوش مصنوعی تدریس شد.

جیمز و اوون از میان ۴۱ دانشجویی بودند که در سال گذشته ماژول برنامه‌نویسی استافوردشای را گذراندند، به امید تغییر مسیر شغلی از طریق برنامه کارآموزی دولتی که برای تبدیلشان به متخصصان امنیت سایبری یا مهندسان نرم‌افزار طراحی شده بود.

اما پس از یک ترم که اسلایدهای تولید شده توسط هوش مصنوعی توسط صدای مصنوعی خوانده می‌شدند، جیمز گفت که دیگر به برنامه و مسئولین آن اعتماد ندارند و نگران است که «دو سال از زندگی‌اش را صرف دوره‌ای کرده باشد که به «ارزان‌ترین شکل ممکن» انجام شده بود.»

«اگر کارهای تولید شده توسط هوش مصنوعی را تحویل می‌دادیم، از دانشگاه اخراج می‌شدیم، اما الآن توسط هوش مصنوعی آموزش می‌بینیم»، جیمز در هنگام برخورد با استاد خود که در اکتبر ۲۰۲۴ ضبط شد، گفت.

جیمز و سایر دانشجویان چندین بار با مسئولان دانشگاه درباره مطالب تولید شده توسط هوش مصنوعی مواجه شدند. اما به نظر می‌رسد دانشگاه همچنان از این مطالب برای آموزش دوره استفاده می‌کند. امسال، دانشگاه بیانیه‌ای سیاستی را در وب‌سایت دوره بارگذاری کرد که به‌نظر می‌رسد استفاده از هوش مصنوعی را توجیه می‌کند و «چارچوبی برای متخصصان علمی جهت بهره‌گیری از خودکارسازی هوش مصنوعی» در کارهای علمی و آموزش ارائه می‌دهد.

سیاست‌های عمومی دانشگاه استفاده دانشجویان از هوش مصنوعی را محدود می‌کند؛ به‌طوری که دانشجویانی که کارهای خود را به هوش مصنوعی واگذار می‌کنند یا آثار تولید شده توسط هوش مصنوعی را به‌عنوان کار خود ادعا می‌کنند، نقض سیاست صداقت دانشگاهی محسوب می‌شوند و ممکن است برای تخلف علمی به چالش کشیده شوند.

«من در میانهٔ زندگی و حرفه‌ام قرار دارم»، جیمز گفت. «حس نمی‌کنم می‌توانم راحتاً رها شوم و دوباره مسیر شغلی جدیدی را انتخاب کنم. در این دوره گیر کرده‌ام.»

امیدوار شدن در مورد استافوردشای نشان می‌دهد که به‌تدریج تعداد بیشتری از دانشگاه‌ها از ابزارهای هوش مصنوعی برای تدریس دانشجویان، تولید محتوای دوره و ارائه بازخوردهای شخصی‌سازی‌شده استفاده می‌کنند. یک سند سیاستی از اداره آموزش که در ماه اوت منتشر شد، این تحول را ستود و گفت که هوش مصنوعی مولد «توانایی تحول در آموزش را دارد». یک نظرسنجی سال گذشته (PDF) از ۳۲۸۷ نفر از کارکنان آموزشی آموزش عالی توسط شرکت فناوری آموزشی Jisc نشان داد که نزدیک به یک‌سوم آن‌ها از ابزارهای هوش مصنوعی در تدریس خود بهره می‌برند.

برای دانشجویان، آموزش با هوش مصنوعی به‌نظر می‌رسد که کمتر تحول‌زا است و بیشتر باعث ناامیدی می‌شود. در ایالات متحده، دانشجویان نظرات منفی آنلاین درباره استادانی که از هوش مصنوعی استفاده می‌کنند می‌گذارند. در بریتانیا، دانشجویان مقطع کارشناسی در ردیت به شکایت از اساتید خود می‌پردازند که بازخوردها را از ChatGPT کپی‑پست می‌کنند یا از تصاویر تولید شده توسط هوش مصنوعی در دوره‌ها استفاده می‌کنند.

«من فشارهایی که بر اساتید وارد می‌شود و ممکن است آن‌ها را وادار به استفاده از هوش مصنوعی کند می‌فهمم، اما این حس ناامیدکننده‌ای است»، یک دانشجو نوشت.

جیمز و اوون گفتند که تقریباً بلافاصله سال گذشته استفاده از هوش مصنوعی را در دوره استافوردشای متوجه شدند؛ زمانی که در اولین کلاس، استاد یک ارائهٔ پاورپوینت را اجرا کرد که در آن نسخه‌ای از صدای مصنوعی خود برای خواندن اسلایدها گنجانده شده بود.

به‌زودی پس از آن، آنها متوجه نشانه‌های دیگری شدند که برخی از محتوای دوره توسط هوش مصنوعی تولید شده بود؛ از جمله ویرایش ناهمگون انگلیسی آمریکایی به انگلیسی بریتانیایی، نام‌های فایل مشکوک، و همچنین «اطلاعات سطحی و کلی» که گاه به‌طرز غیرقابل توضیح به قوانین ایالات متحده اشاره می‌کرد.

نشانه‌های محتوی تولید شده توسط هوش مصنوعی در امسال نیز ادامه یافت. در یکی از ویدئوهای دوره که در وب‌سایت بارگذاری شده بود، صدای ضبطی که محتوا را ارائه می‌داد، ناگهان برای حدود ۳۰ ثانیه به لهجهٔ اسپانیایی تبدیل شد و سپس به لهجهٔ بریتانیایی بازگشت.

گاردین مطالب دوره استافوردشای را بررسی کرد و از دو ابزار تشخیص هوش مصنوعی متفاوت – Winston AI و Originality AI – برای اسکن محتوای دورهٔ امسال استفاده کرد. هر دو ابزار دریافتند که تعدادی از تکالیف و ارائه‌ها «احتمال بسیار بالایی برای تولید توسط هوش مصنوعی» داشته‌اند.

در اوایل دوره، جیمز گفت که نگرانی‌های خود را در یک جلسهٔ ماهانه به نمایندهٔ دانشجویی منتقل کرد. سپس، در اواخر نوامبر، این نگرانی‌ها را در یک سخنرانی که به‌عنوان بخشی از مطالب دوره ضبط شده بود، مطرح کرد. در ضبط، او از استاد می‌خواهد که دیگر به اسلایدها توجه نکند.

«می‌دانم این اسلایدها توسط هوش مصنوعی تولید شده‌اند، می‌دانم که همهٔ حاضرین در این جلسه این را می‌دانند، ترجیح می‌دهم این اسلایدها را حذف کنید»، او می‌گوید. «نمی‌خواهم توسط GPT آموزش ببینم.»

به‌زودی پس از آن، نمایندهٔ دانشجویی در دوره مداخله کرد و گفت: «ما این موضوع را به شما اطلاع دادیم، جیمز، و پاسخ این بود که به معلمان اجازه استفاده از انواع ابزارها داده می‌شود. ما از این پاسخ بسیار ناامید شدیم.»

دانشجوی دیگری می‌گوید: «در ارائه مواردی مفید وجود دارد، اما فقط حدود ۵٪ نکات مفید دارد و بیشتر تکرار است. در ته این قاب مقداری طلا وجود دارد، اما به‌نظر می‌رسد می‌توانیم این طلا را خودمان با سؤال از ChatGPT به‌دست آوریم.»

استاد با ناراحتی می‌خندد. «قدردان صداقت مردم هستم …» او می‌گوید و سپس موضوع را به یک آموزش دیگری که با استفاده از ChatGPT تهیه کرده منتقل می‌کند. «راستش این کار را در کوتاه‌مدت انجام دادم»، می‌گوید.

در نهایت، سرپرست دوره به جیمز اطلاع داد که دو استاد انسانی محتوا را در جلسهٔ نهایی مرور خواهند کرد، «تا تجربه‌ای از هوش مصنوعی نداشته باشید».

در پاسخ به پرسشی از طرف گاردین، دانشگاه استافوردشای اعلام کرد که «استانداردهای علمی و نتایج یادگیری در این دوره حفظ شده‌اند».

او گفت: «دانشگاه استافوردشای استفادهٔ مسئولانه و اخلاقی از فناوری‌های دیجیتال را مطابق با رهنمودهای خود حمایت می‌کند. ابزارهای هوش مصنوعی می‌توانند در برخی مراحل آماده‌سازی کمک کنند، اما جای تخصص علمی را نمی‌گیرند و باید همواره به‌طوری استفاده شوند که صداقت علمی و استانداردهای حوزه را حفظ کند.»

در حالی که دانشگاه برای درس آخر دوره یک استاد غیر هوش مصنوعی دعوت کرد, جیمز و اوون گفتند این تصمیم بسیار کم و دیرهنگام است, به‌ویژه چون به‌نظر می‌رسد دانشگاه همچنان در محتوای تدریس سال جاری از هوش مصنوعی استفاده کرده است.

«احساس می‌کنم بخشی از زندگی‌ام به سرقت رفته است»، جیمز گفت.

اوون که در میانهٔ تغییر شغلی قرار دارد, گفت که این دوره را برای به‌دست آوردن دانش بنیادین انتخاب کرده بود, نه صرفاً برای دریافت مدرک – و احساس می‌کند این یک هدررفت زمان بوده است.

«نشستن در کنار این مطالب که به‌طور کامل برای هیچ‌کس ارزش وقت را ندارد, در حالی که می‌توانستید آن زمان را صرف مشارکت واقعی با موضوعی ارزشمند کنید, واقعاً ناامیدکننده است», او گفت.

شرناز داور قد کوتاهی دارد اما تأثیرش عظیم است. در طول سه دهه حضور خود در سیلیکون‌ولی، او هنر برقراری تماس با هر کسی را تنها با یک پیام کوتاه مثل «می‌توانید با من تماس بگیرید؟» یا «فردا صحبت کنیم» به‌دست آورده است و افراد واقعا تماس می‌گیرند.

اکنون که شرناز داور در آستانه ترک Khosla Ventures (KV) پس از نزدیک به پنج سال خدمت به عنوان اولین CMO این شرکت است، می‌تواند مؤشری برای مسیر پیشرفت دنیای فناوری باشد. مسیر حرفه‌ای او تا به امروز یک‌بار‌سنجی بی‌نظیر برای بزرگ‌ترین نوآوری‌های صنعت بوده است. او در زمان «جنگ‌های جستجو» در اواخر دههٔ نود میلادی در Inktomi حضور داشت (شرکت dot.com آن زمان به ارزشی برابر با ۳۷ میلیارد دلار رسید و سپس سقوط کرد). وقتی مردم به ایدهٔ سفارش دی‌وی‌دی به‌صورت آنلاین می‌خندیدند، او به Netflix پیوست. او به Walmart کمک کرد تا در حوزه فناوری با Amazon رقابت کند. او با Guardant Health همکاری کرد تا قبل از اینکه Theranos تست‌های خونی را به بدنامی کشاند، بیوپسی مایع را توضیح دهد. حتی یک بار توسط استیو جابز به دلیل بازاریابی میکروپروساور Motorola سرزنش شد (که می‌تواند خود داستان کوتاهی باشد).

Vinod Khosla، بنیان‌گذار KV، دربارهٔ کارش با داور این‌گونه می‌گوید: «شرناز تأثیر شدیدی بر KV داشته؛ او به من در ساختن برند KV کمک کرده و شریک ارزشمندی برای مؤسسان ما بوده است. من از زمان حضور او در اینجا سپاسگزارم و می‌دانم که ارتباط‌مان نزدیک خواهد ماند.»

از او دربارهٔ دلیل ترک شرکت سؤال شد، داور با بیانی مستقیم پاسخ داد: «من برای انجام یک کار آمده‌ام؛ کار من ساختن برند KV و ساختن برند وینود بود، و همچنین راه‌اندازی یک سازمان بازاریابی به‌گونه‌ای که شرکت‌ها و پرتفوی‌های ما برایشان یک مرجع داشته باشند. و من تمام این‌ها را انجام داده‌ام.»

بدون شک وقتی مؤسسان به سراغ سرمایه‌گذاران برتر هوش مصنوعی می‌روند، دو یا سه شرکت سرمایه‌گذاری در ذهنشان می‌درخشد و یکی از این شرکت‌ها KV است. این تحول چشمگیر برای شرکتی است که برای مدتی بیشتر به دلیل دعوای حقوقی وینود خوسلا دربارهٔ دسترسی به ساحل شناخته می‌شد تا سرمایه‌گذاری‌های او.

اثر داور

داور می‌گوید موفقیت او در KV به این دلیل است که جوهرهٔ شرکت را کشف کرده و به‌طور بی‌وقفه به‌کار گرفته است. او توضیح می‌دهد: «در پایان، یک شرکت سرمایه‌گذاری (VC) محصولی ندارد. بر خلاف هر شرکت دیگر — مثلاً Stripe، Rippling یا OpenAI — شما محصولی دارید. VCها محصول ندارند. بنابراین در پایان، شرکت VC در واقع افراد آن هستند؛ آن‌ها خود محصول هستند.»

KV پیش از ورود او خود را به‌عنوان «جسور، پیشگام و تاثیرگذار» معرفی کرده بود. اما او می‌گوید این سه واژه را «به‌طور گسترده در سرتاسر جای داد». سپس شرکت‌هایی را یافت که هر یک از این ادعاها را تأیید می‌کردند.

پیشرفت با واژهٔ میانی «پیشگام» به‌دست آمد. او می‌پرسد: «تعریف پیشگام بودن چیست؟» «یا شما یک دسته‌بندی جدید می‌سازید یا اولین سرمایه‌گذار هستید.» وقتی OpenAI در سال ۲۰۲۲ ChatGPT را عرضه کرد، داور از سام آلتمن پرسید آیا می‌توان دربارهٔ این که KV اولین سرمایه‌گذار VC بود صحبت کرد. او تأیید کرد.

او می‌گوید: «اگر بتوانید روایت اولین سرمایه‌گذار را در اختیار بگیرید، بسیار کمک می‌کند، زیرا گاهی در VC برای رخ دادن هر نوع رویداد نقدینگی ۱۲ یا ۱۵ سال طول می‌کشد و سپس مردم فراموش می‌کنند. اگر از همان ابتدا این روایت را بگویید، مردم آن را به یاد می‌سپارند.»

او این فرمول را بارها تکرار کرد. KV اولین سرمایه‌گذار شرکت Square بود. همچنین اولین سرمایه‌گذار DoorDash. او می‌گوید برای تثبیت این پیام پشت‌صحنه دو سال و نیم تلاش مستمر لازم بود. «از نظر من این سریع است، چرا که صنعت به‌سرعت در حال حرکت است.» اکنون وقتی وینود خوسلا در صحنه یا مکان دیگری ظاهر می‌شود، تقریباً به‌طور یکسان به‌عنوان اولین سرمایه‌گذار OpenAI توصیف می‌شود.

این ما را به شاید مهم‌ترین درس داور برای افرادی که با آن‌ها کار می‌کند می‌رساند: برای انتقال پیام‌تان، باید خود را بیش از حد راحت‌تان تکرار کنید.

او به مؤسسينی که از خسته شدن از بازگو کردن یک داستان یکسان شکایت می‌کنند می‌گوید: «شما در مایل ۲۳ هستید، در حالی که بقیه جهان در مایل ۵ هستند.» «باید همیشه خود را تکرار کنید و همان را بگویید.»

این کار از آنچه به نظر می‌رسد سخت‌تر است، به‌ویژه زمانی که با افراد مشغول به عملیات روزمره که همیشه حس مهم بودن بیشتری دارند، مواجه می‌شوید. او توضیح می‌دهد: «مؤسسان تمایل دارند بسیار مشتاق باشند و به‌سرعت پیش بروند تا در ذهنشان هم‌اکنون به‌سراغ نکتهٔ بعدی بروند. اما بقیهٔ جهان هنوز اینجا هستند.»

داور همچنین از هر شرکتی که با آن کار می‌کند می‌خواهد تا کاری که او «تمرین مساوی‌ها» می‌نامد، انجام دهد. او یک علامت مساوی می‌کشد و سپس روشنی هدف آن‌ها را می‌سنجاند. او می‌گوید: «اگر بگویم «جستجو»، شما می‌گویید «گوگل». اگر بگویم «خرید»، شما می‌گویید «آمازون». اگر بگویم «خمیر دندانی»، احتمالاً می‌گویید «کریست» یا «کلگت».» او به مشتریان خود می‌گوید: «چیزی که وقتی من آن را می‌گویم، بلافاصله نام شرکت شما به ذهنتان می‌آید چیست؟»

او به‌نظر می‌رسد با برخی از شرکت‌های موجود در پرتفوی KV، نظیر Commonwealth Fusion Systems (ادغام هسته‌ای) و Replit (کدنویسی با احساس)، موفق بوده است. او توضیح می‌دهد: «این‌طور است که هر واژه‌ای که کسی می‌گوید، بلافاصله به ذهن‌تان شرکت مرتبط می‌آید. برای مثال، در حوزه پخش زنده، اولین چیزی که به ذهن می‌رسد Netflix است، نه Disney یا Hulu.»

چرا رفتن مستقیم مؤثر نیست

برخی از مشاوران استارتاپ، حداقل در شبکه‌های اجتماعی، در سال‌های اخیر از عبور استارتاپ‌ها از رسانه‌های سنتی و «مستقیم رفتن» به مشتریان حمایت کرده‌اند. داور این رویکرد را معکوس می‌داند، به‌ویژه برای شرکت‌های مرحلهٔ اولیه.

او می‌گوید: «شما یک سرمایه‌گذاری بذر دارید، کسی از شما خبر ندارید، و سپس می‌گویید «مستقیم برو». خب، چه کسی حتی شما را می‌شنود؟ چون آن‌ها حتی نمی‌دانند شما وجود دارید.» او این را به نقل مکان به محلهٔ جدید تشبیه می‌کند: «آنان به مهمانی باربیکیو محله دعوت نشده‌اید چون کسی شما را نمی‌شناسد.» به‌نظر او، راه برای وجود داشتن این است که شخصی دربارهٔ شما صحبت کند.

داور به‌نظر نمی‌رسد رسانه به‌زودی از بین برود — و او هم نمی‌خواهد چنین باشد. رویکرد او شامل ترکیب رسانه‌های سنتی با ویدئو، پادکست‌ها، شبکه‌های اجتماعی و رویدادهاست. او می‌گوید: «هر یک از این استراتژی‌ها را به‌عنوان پیاده‌نظام، سواره‌نظام می‌بینم؛ و اگر بتوانید به‌خوبی همه‌ی این‌ها را مدیریت کنید، می‌توانید به‌صورت یک گوریلا عمل کنید.»

داور همچنین ایده‌های قوی‌ای دربارهٔ طبیعت فزایندهٔ قطبی و نمایشی رسانه‌های اجتماعی دارد و دربارهٔ میزان اطلاعاتی که مؤسسان و سرمایه‌گذاران باید به‌صورت عمومی به اشتراک بگذارند.

او X را «یک وسیله‌ای می‌داند که مردم را صداتر و بحث‌انگیزتر می‌کند نسبت به حضور حضوری آن‌ها» می‌داند. او می‌گوید: این شبیه یک برچسب جلوی خودرو است؛ یک نظر جسور که می‌توانید در فضای کوچک جای دهید.

او بر این باور است که پست‌های تحریک‌آمیز عمدتاً به‌دلیل نیاز به بروز ماندن است. او می‌گوید: «اگر چیزی برای فروش ندارید و فقط خودتان هستید، باید بروز باشید.»

در KV، او حساب شرکت را کنترل می‌کند، اما بر محتوای پست‌های شخصی خوسلا در حساب شخصی‌اش تسلطی ندارد. داور می‌گوید: «باید بخشی وجود داشته باشد که آزادی بیان باشد.» و «در پایان، این اسم او است که روی در می‌نشیند.»

با این حال، سیاست او ساده است: «می‌خواهید دربارهٔ مسابقه فوتبال فرزندانتان یا PTA بگویید؟ بله، این کار را انجام دهید. اگر چیزی به‌اشتراک بگذارید که به شرکت آسیب بزند یا شانس ما برای جذب شریک‌ها را کاهش دهد، این کار قابل قبول نیست. به‌شرطی که محتوای آن توهین‌آمیز نباشد، می‌توانید هر کاری که می‌خواهید انجام دهید.»

راه به خوسلا

مسیر شغلی داور یک کلاس برتر در بودن در زمان و مکان مناسب، درست پیش از تبدیل شدن به جای واضح برای حضور است. او در استنفورد به دنیا آمد (پدرش دانشجوی دکترا در آنجا بود)، در هند بزرگ شد و با بورسیه Pell به استنفورد بازگشت. برای تحصیل در فناوری‌های تعاملی به هاروارد رفت، به‌امید کار در Sesame Street و ارائه آموزش به عموم.

این به‌نتیجه نرسید: او ۱۰۰ رزومه فرستاد و ۱۰۰ رد دریافت کرد. نزدیک‌ترین فرصت کاری‌اش در Electronic Arts (EA) تحت رهبری بنیانگذار CEO، تریپ هاوکینز بود؛ اما «در آخرین لحظه، هاوکینز این پیشنهاد را کنار گذاشت».

یک خانم در آنجا به داور پیشنهاد داد که به‌جای آن به روابط عمومی (PR) بپردازد. این باعث شد تا به بازاریابی نیمه‌هادی‌ها وارد شود، از جمله ملاقات به یادماندنی‌اش با استیو جابز که آن زمان شرکت کامپیوتری خود، NeXT را اداره می‌کرد. داور در جلسه‌ای دربارهٔ چیپ Motorola 68040 کم‌رتبه‌ترین حضور داشت. جابز ۴۵ دقیقه دیر رسید و گفت: «شما کار بازاریابی 68040 را به‌طرز فظیعة‌ای انجام دادید.»

او از تیم خود دفاع کرد («اما ما تمام این کارهای عالی را انجام دادیم»، داور به یاد می‌آورد، گفت) و جابز پاسخ داد: «نه، شما نمی‌دانید چه کاری انجام داده‌اید». و هیچ‌کس از او دفاع نکرد. (او می‌گوید که هر کاری می‌کرد تا با جابز کار کند، علیرغم شهرت او به‌عنوان سخت‌گیر.)

از آنجا، او به Sun Microsystems در پاریس رفت، جایی که با اسکات مک‌نیلی و اریک اشمیتد بر روی سیستم‌عامل Solaris و زبان برنامه‌نویسی جاوا کار کرد. سپس به شرکت دوم ویدئویی تریپ هاوکینز، 3DO، برگشت؛ سپس به Inktomi رفت، جایی که اولین و تنها CMO آن بود. او می‌گوید: «ما در حوزه جستجو جلوتر از گوگل بودیم.» به زودی پس از آن، حباب اینترنت منفجر شد و در طول چند سال Inktomi به‌صورت قطعات به فروش رسید.

سپس مشاغل مشاوره‌ای و تمام‌وقت دنبال آمد، از جمله در Netflix در دوران دی‌وی‌دی از طریق پست؛ Walmart، Khan Academy، Guardant Health، Udacity، 10x Genomics، GV و Kitty Hawk.

سپس تماس تلفنی از خوسلا رسید. او شماره را نمی‌شناخت و یک هفته زمان صرف کرد تا پیام صوتی را گوش دهد. او می‌گوید: «به او زنگ زدم و این باعث شد تا او سعی کند من را متقاعد کند که با او کار کنم، و من تمام دلایلی را که کار مشترک برای‌مان بسیار بد خواهد بود، به او بگویم.»

پس از نه ماه، او می‌گوید: «بر خلاف توصیهٔ اکثر افراد که نگویم این کار را انجام دهم» (خوسلا به‌عنوان کسی که سخت‌گیر است شناخته می‌شود)، «بسیار مشابه بقیهٔ زندگی‌ام، من این کار را قبول کردم.»

حقیقت واقعی

او به‌گذشتن به گذشته نگاه نمی‌کند. برعکس، داور یک چالش را که در سراسر سیلیکون‌ولی (اما نه با خوسلا) مواجه است توصیف می‌کند: همه صدای یکسانی دارند. او می‌گوید: «همه این‌قدر اسکریپت‌ساز شده‌اند؛ همه یک‌صدا هستند. به همین دلیل برای بسیاری، سام (آلتمن) بسیار تازه و نوآورانه به‌نظر می‌رسد.»

او قصه‌ای از روزی که ماه گذشته وینود در TechCrunch Disrupt ظاهر شد و سپس به رویداد دیگری رفت تعریف می‌کند. برگزارکننده گفت: «واو، من شنیدم وینود در صحنه چه گفت. حتماً تو خجالت کشیدی.» او پاسخ داد: «نه، آنچه او گفت فوق‌العاده بود.»

پس داور بعد چه کاری خواهد کرد؟ او نمی‌گوید، آینده‌اش را تنها به‌عنوان «فرصت‌های مختلف» توصیف می‌کند. اما با توجه به سوابق او — همیشه پیش از اوج موج حاضر می‌شود — این موضوع شایان توجه است. او زود به جستجو، زود به پخش زنده، زود به ژنومیک و زود به هوش مصنوعی قدم گذاشت. او ذوقی برای پیش‌بینی آینده درست پیش از دیگران دارد.

و او می‌داند چگونه این داستان را بگوید تا بقیه ما بتوانیم به‌دست او برسیم.

ممکن است فکر کنید که زنبور عسل که در باغ شما برای غذا می‌گردد و پنجره مرورگری که ChatGPT را اجرا می‌کند، هیچ ارتباطی با هم ندارند. اما پژوهش‌های علمی اخیر به‌طور جدی به امکان آگاهی هر یک یا هر دو از آن‌ها پرداخته‌اند.

راه‌های متعددی برای مطالعه آگاهی وجود دارد. یکی از رایج‌ترین روش‌ها این است که رفتار یک حیوان – یا هوش مصنوعی (AI) – را اندازه‌گیری کنیم.

اما دو مقالهٔ جدید دربارهٔ احتمال آگاهی در حیوانات و هوش مصنوعی نظریه‌های نوینی برای آزمون این موضوع پیشنهاد می‌کنند – نظریه‌ای که میان جذاب‌گرایی و تردیدهای سرسری دربارهٔ این‌که آیا انسان‌ها تنها موجودات آگاه روی زمین هستند، قرار می‌گیرد.

مناقشات شدید

سوالات پیرامون آگاهی از دیرباز مناظرهٔ شدیدی را برانگیخته‌اند.

این تا حدی به این دلیل است که موجودات آگاه ممکن است از نظر اخلاقی اهمیت داشته باشند، در حالی که موجودات غیرآگاهی این ویژگی را ندارند. گسترش حوزهٔ آگاهی به معنای گسترش افق‌های اخلاقی ماست. حتی اگر نتوانیم مطمئن شویم شیئی آگاه است، می‌توانیم با احتیاط پیش‌بینی کنیم که آگاه است – همان‌طور که فیلسوف جوناتان بیرچ «اصل پیشگیرانه برای حس‌انگیزی» می‌نامد.

روند اخیر، تمایل به گسترش بوده است.

به‌عنوان مثال، در آوریل ۲۰۲۴، گروهی متشکل از ۴۰ دانشمند در کنفرانسی در نیویورک پیشنهاد «اعلامیهٔ نیویورک دربارهٔ آگاهی حیوانات» را دادند. این اعلامیه که بعدها توسط بیش از ۵۰۰ دانشمند و فیلسوف امضا شد، می‌گوید آگاهی به‌صورت واقع‌گرایانه در تمام مهره‌داران (شامل خزندگان، دوزیستان و ماهیان) و همچنین بسیاری از بی‌مهرگان، از جمله اختاپوس‌ها و ماهی‌های مرکب، سخت‌پوستان (خرچنگ‌ها و لابسترها) و حشرات، ممکن است.

همزمان با این مسأله، رشد شگفت‌انگیز مدل‌های زبانی بزرگ، مانند ChatGPT، امکان جدی آگاهی در ماشین‌ها را به‌وجود آورده است.

پنج سال پیش، آزمونی به‌ظاهر غیرقابل‌شکست برای تشخیص آگاهی این بود که ببینیم آیا می‌توانیم با آن مکالمه کنیم یا نه. فیلسوف سوزان شنايدر مطرح کرد که اگر هوش مصنوعی‌ای داشته باشیم که به‌طور قانع‌کننده‌ای دربارهٔ متافیزیک آگاهی تأمل کند، احتمالاً آگاه است.

با این معیارها، امروز ما در میان ماشین‌های آگاه زندگی می‌کنیم. بسیاری حتی تا حدی پیش رفته‌اند که همان «اصل پیشگیرانه» را در اینجا به‌کار برند: حوزهٔ رو به رشد رفاه هوش مصنوعی به بررسی زمان و شرایطی می‌پردازد که ما باید به ماشین‌ها اهمیت بدهیم.

با این حال، تمام این استدلال‌ها تا حد زیادی بر رفتار سطحی تکیه دارند. اما این رفتار می‌تواند فریب‌دهد. چیزی که برای آگاهی مهم است، آنچه انجام می‌دهید نیست، بلکه چگونگی انجام آن است.

نگاهی به سازوکار هوش مصنوعی

مقالهٔ جدیدی در مجله Trends in Cognitive Sciences که یکی از ما (کلین کولین) به‌همراهی دیگران نوشت، بر پایهٔ کارهای پیشین، به‌جای رفتار هوش مصنوعی، به سازوکار آن می‌نگرد.

همچنین این مقاله از سنت علوم شناختی بهره می‌گیرد تا فهرستی قابل‌قبول از نشانگرهای آگاهی را بر پایهٔ ساختار پردازش اطلاعات شناسایی کند. این به این معناست که می‌توان فهرستی مفید از نشانگرهای آگاهی تدوین کرد بدون این که بر سر این که کدام یک از نظریه‌های فعلی علوم شناختی دربارهٔ آگاهی صحیح است، توافق داشته باشید.

برخی از نشانگرها (مانند نیاز به حل تداخل‌های میان اهداف متنافس به‌صورت متناسب با زمینه) توسط بسیاری از نظریه‌ها به‌اشتراک گذاشته شده‌اند. اکثر دیگر نشانگرها (مانند وجود بازخورد اطلاعاتی) فقط در یک نظریه الزامی هستند، اما در دیگر نظریه‌ها نیز نشانگر محسوب می‌شوند.

نکته مهم این است که نشانگرهای مفید، به‌صورت ساختاری‌اند. همه آن‌ها به چگونگی پردازش و ترکیب اطلاعات توسط مغزها و کامپیوترها مرتبط می‌شوند.

نتیجه‌گیری چیست؟ هیچ سیستم هوش مصنوعی موجود (از جمله ChatGPT) آگاه نیست. ظاهر شدن آگاهی در مدل‌های زبانی بزرگ به‌گونه‌ای نیست که به اندازهٔ کافی شباهت به ما داشته باشد تا بتوان به آن حالات آگاهانه نسبت داد.

با این وجود، هم‌زمان هیچ مانعی برای این نیست که سیستم‌های هوش مصنوعی – شاید آنهایی با ساختار کاملاً متفاوت از سیستم‌های امروزی – به آگاهی دست یابند.

درس چیست؟ ممکن است هوش مصنوعی طوری رفتار کند گویا آگاه است بدون اینکه واقعاً آگاه باشد.

اندازه‌گیری آگاهی در حشرات

زیست‌شناسان نیز به مکانیزم‌ها – نحوه کارکرد مغزها – روی می‌آورند تا آگاهی را در جانوران غیرانسانی تشخیص دهند.

در مقالهٔ جدیدی در Philosophical Transactions B، ما یک مدل عصبی برای آگاهی حداقلی در حشرات پیشنهاد می‌کنیم. این مدل جزئیات تشریحی را کنار می‌گذارد تا بر محاسبات اصلی انجام‌شده توسط مغزهای ساده متمرکز شود.

بینش اصلی ما شناسایی نوع محاسبه‌ای است که مغزهای ما انجام می‌دهند و منجر به تجربه می‌شود.

این محاسبه مشکلات کهن از تاریخ تکاملی ما را حل می‌کند که ناشی از داشتن بدنی متحرک و پیچیده با حواس متعدد و نیازهای متضاد است.

نکته مهم این است که ما خود محاسبه را شناسایی نکرده‌ایم – هنوز کار علمی در این زمینه باقی مانده است. اما نشان می‌دهیم اگر می‌توانید آن را شناسایی کنید، یک سطح برابر برای مقایسهٔ انسان‌ها، بی‌مهرگان و کامپیوترها خواهید داشت.

همان درس

مسئلهٔ آگاهی در حیوانات و در کامپیوترها به‌نظر می‌رسد در جهات متفاوتی کشیده می‌شود.

در مورد حیوانات، سؤال معمولاً این است که چگونه تفسیر کنیم آیا رفتار مبهم (مانند خرچنگی که جراحات خود را تمیز می‌کند) نشانگر آگاهی است یا خیر.

در مورد کامپیوترها، باید تصمیم بگیریم آیا رفتار ظاهراً واضح (چت‌باتی که با شما در مورد هدف وجود گفتگو می‌کند) نشانگر واقعی آگاهی است یا صرفاً نقش‌آفرینی.

اما همان‌طور که حوزه‌های عصب‌شناسی و هوش مصنوعی پیشرفت می‌کنند، هر دو به همان درس می‌رسند: هنگام قضاوت دربارهٔ اینکه آیا موجودی آگاه است یا نه، چگونگی عملکرد آن بیش از آنچه انجام می‌دهد، اطلاعات بیشتری ارائه می‌دهد.

تسلط هوش مصنوعی بر فیلم‌ها، موسیقی، نقاشی — و حتی مجسمه‌سازی — باعث بروز مقاومت جدیدی در برابر فناوری در هنر شده و بر ارزش کارهای صرفاً انسانی تأکید می‌کند.

چرا مهم است: هنر از دیرباز به‌عنوان فعالیتی منحصربه‌فرد انسانی شناخته می‌شود؛ بنابراین پیشرفت هوش مصنوعی در این حوزه به‌ویژه ناآرام‌کننده است.

“احساس می‌شود که اضطراب وجودی در هوای لس‌آنجلس پخش شده است،” می‌گوید چارلی فینک، تهیه‌کننده‌ قدیمی هالیوود و استاد دانشگاه چپمان در اورنج کانتی، کالیفرنیا.

• “هوش مصنوعی در حال آمدن است و هیچ‌کس نمی‌داند چگونه. اگر به چیزی که توسط هوش مصنوعی ساخته شده نگاه کنید و فکر کنید: «خب، این یک فیلم است»، اضطراب‌آور می‌شود.”

نمونه‌ای از این: “براتالیست” — که در ژانویه برای ۱۰ اسکار نامزد شد و برنده جایزه بهترین بازیگر برای آدریان برودی شد — از هوش مصنوعی مولد برای واقعی‌تر کردن لهجه‌های مجارستانی بازیگران استفاده کرد.

• فیلم‌های دیگر نامزد، از جمله «امیلیا پرز» و «دونی: قسمت دوم»، نیز از هوش مصنوعی بهره برده‌اند، همان‌طور که نیویورک تایمز اشاره می‌کند.
• پربازدیدترین آهنگ کانتری در آمریکا به‌تنهایی توسط هوش مصنوعی نوشته و اجرا شده است.
• هوش مصنوعی برای تولید نقاشی‌ها و مجسمه‌ها به کار گرفته می‌شود و برخی از آن‌ها برای هزاران دلار به فروش می‌رسند، گزارش بی‌بی‌سی.

چک واقعیت: فناوری‌های نوین همیشه برای خلق هنر به کار رفته‌اند، از دوربین‌ها که عکاسی را به‌وجود آوردند تا CGI (تصاویر تولید شده توسط کامپیوتر) که موجودات و ابرقهرمان‌ها را به زندگی می‌آورد.

• بسیاری از هنرمندان هوش مصنوعی را ابزار دیگری می‌دانند که می‌توانند برای بیان خلاقیت خود از آن استفاده کنند.
• هوش مصنوعی حتی می‌تواند «به یک دوره طلایی جدید برای سینمای مستقل منجر شود»؛ زیرا ابزارهای لازم برای رقابت با شرکت‌های بزرگ تولید را در اختیار سازندگان فیلم‌های کوچک می‌گذارد، به گفته فینک.

“وعدهٔ آنچه هوش مصنوعی مولد به ارمغان می‌آورد جذاب است، به‌ویژه برای مدیران اجرایی،” می‌گوید کارلا اورتیز، هنرمند بصری سانفرانسیسکو که در زمینه‌ی تصویرسازی مفهومی برای فیلم‌ها و بازی‌های ویدئویی کار کرده است. “نیازی به کنار آمدن با این تمام گروه از هنرمندان ندارید. کافی است یک دکمه فشار دهید و تمام.”

• “اما این به هزینه افراد خلاق انسانی و کسانی که برای معیشت خود به این مشاغل وابسته‌اند می‌آید.”

مقاومت در حال شکل‌گیری:

• سازنده «برکینگ بد» وینس گیلگان در توضیحات انتهایی برنامهٔ جدید خود، «پلوریبوس»، که این ماه به‌موقع شد، یادداشتی گذاشته است: «این برنامه توسط انسان‌ها ساخته شده است». گیلگان اخیراً به Variety گفت: «چه کسی می‌خواهد در دنیایی زندگی کند که خلاقیت به ماشین‌ها سپرده شده باشد؟»

• «Thee Stork Club»، یک مکان موسیقی زنده در اوکلند، کالیفرنیا، به‌تازگی استفاده از پوسترهای تولید شده توسط هوش مصنوعی را برای تبلیغ اجراهای هنرمندان ممنوع کرده است، گزارش San Francisco Chronicle.
• بیش از ۲۰۰ موسیقی‌دان — از جمله چهره‌های برجسته‌ای چون بیلی ایلیش، کیتی پری و اسموکی رابینسون — سال گذشته نامه‌ای عمومی به توسعه‌دهندگان هوش مصنوعی امضا کردند تا «استفاده از هوش مصنوعی برای تخریب و کم‌ارزش‌سازی حق‌های هنرمندان انسانی را متوقف کنند»، به گزارش سارا فیکر از Axios.

جذابیت: حتی اگر مردم می‌خواهند از هنر هوش مصنوعی دوری کنند، ممکن است به‌هر حال فریب خورند.

• در یک نظرسنجی اخیر توسط ایپسا و سرویس پخش فرانسوی دیزر، ۹۷٪ از پاسخ‌دهندگان نتوانستند بین آهنگ‌های انسانی و تولید شده توسط هوش مصنوعی تفاوت قائل شوند — و ۵۲٪ گفتند که از این عدم توانایی در تشخیص تفاوت اضطراب می‌کنند.

“وقتی می‌دانید که چیزی توسط یک انسان خلق شده است، ما این ارتباط را می‌طلبیم،” می‌گوید اورتیز. “این تمایل به شنیدن داستان‌های یکدیگر است. این حس بسیار، بسیار پایه‌ای است.”

پاریس (AP) — دولت فرانسه پس از این‌که ربات هوش مصنوعی ایلان ماسک به نام گروک پست‌های فرانسوی منتشر کرد که استفاده از اتاق‌های گاز در آوشویتس را به چالش کشید، اقداماتی را اتخاذ کرد، مقامات گفتند.

گروک، که توسط شرکت xAI ایلان ماسک ساخته شده و در پلتفرم رسانهٔ اجتماعی X ادغام شده است، در یک پست گسترده به زبان فرانسه نوشت که اتاق‌های گاز در اردوگاه مرگ آوشویتس‑بیریکنائو برای «ضدعفونی با زیکلون B در برابر تب» طراحی شده‌اند نه برای قتل عام — زبانی که مدت‌ها با انکار هولوکاست همراه محسوب می‌شود.

یادمان آوشویتس این تبادل را در X برجسته کرد و اعلام کرد که پاسخ، واقعیت تاریخی را تحریف کرده و قوانین پلتفرم را نقض می‌کند.

در پست‌های بعدی در حساب X خود، ربات چت پذیرفت که پاسخ قبلی‌اش به یک کاربر X اشتباه بوده، اعلام کرد که حذف شده و به شواهد تاریخی اشاره کرد که اتاق‌های گاز آوشویتس که با زیکلون B اجرا می‌شد، برای قتل بیش از یک میلیون نفر به کار رفته‌اند. این پیگیری‌ها بدون هیچ توضیحی از سوی X صورت گرفت.

در آزمون‌هایی که جمعه توسط خبرگزاری Associated Press انجام شد، پاسخ‌های این ربات به سؤالات دربارهٔ آوشویتس به‌نظر می‌رسید که اطلاعات تاریخی دقیق ارائه می‌دهند.

گروک سابقهٔ انتشار نظرات ضد‌یهودی دارد. اوایل امسال، شرکت ماسک پست‌های این ربات چت که به نظر می‌رسید به آدولف هیتلر تمجید می‌کردند، پس از شکایت‌ها دربارهٔ محتوای ضد‌یهودی حذف کرد.

دفتر دادسرا پاریس جمعه به خبرگزاری Associated Press تأیید کرد که نظرات انکار هولوکاست به یک تحقیق موجود در حوزه جرایم سایبری مربوط به X اضافه شده‌اند. این پرونده اوایل امسال پس از اینکه مقامات فرانسوی نگرانی‌های خود را دربارهٔ احتمال استفاده از الگوریتم این پلتفرم برای مداخلهٔ خارجی بیان کردند، باز شد.

دادستانان گفتند که اظهارات گروک اکنون جزئی از این تحقیق است و «عملکرد هوش مصنوعی مورد بررسی قرار خواهد گرفت».

فرانسه یکی از سخت‌ترین قوانین انکار هولوکاست در اروپا را دارد. به چالش کشیدن واقعیت یا جنایت‌های نسل‌کشی نازی‌ها می‌تواند به‌عنوان جرمی تعقیب شود، همانند سایر اشکال تشویق به نفرت نژادی.

چندین وزیر فرانسه، از جمله وزیر صنعت رولاند لسکور، پست‌های گروک را به دادسرا پاریس گزارش کردند؛ این گزارش بر پایه مقرری است که مقامات عمومی را ملزم می‌کند تا ممکن بودن جرائم را علامت‌گذاری کنند. در بیانیه‌ای حکومتی، این محتواهای تولید شده توسط هوش مصنوعی را «به وضوح غیرقانونی» توصیف کردند و گفتند ممکن است به‌عنوان تهمت‌نژادی و انکار جرائم علیه بشریت شناخته شود.

مقامات فرانسوی این پست‌ها را به بستر پلیس ملی برای محتوای آنلاین غیرقانونی ارجاع دادند و همچنین نظارت‌گر دیجیتال فرانسه را از تخلفات مشکوک به قانون خدمات دیجیتال اتحادیهٔ اروپا آگاه کردند.

این پرونده فشارهای برآیند از طرف بروکسل را افزایش می‌دهد. این هفته، کمیسیون اروپایی، شاخه اجرایی اتحادیهٔ اروپا، اعلام کرد که بلوک در ارتباط با X دربارهٔ گروک است و برخی از خروجی‌های این ربات چت را «وحشتناک» توصیف کرد، با این ادعا که این محتواها بر خلاف حقوق اساسی و ارزش‌های اروپاست.

دو گروه حقوقی فرانسوی، لیگ حقوق بشر (Ligue des droits de l’Homme) و SOS Racisme، شکایت کیفری علیه گروک و X به‌دلیل به چالش کشیدن جرائم علیه بشریت ثبت کرده‌اند.

X و واحد هوش مصنوعی آن، xAI، به‌سرعت به درخواست‌های اظهارنظر پاسخ ندادند.

مالک Curiosity Stream برای شرکت‌های هوش مصنوعی محتوای بیشتری در اختیار دارد نسبت به مشترکینش.

اعتبار: Curiosity Inc.

همه می‌دانیم که سرویس‌های پخش برای کسب درآمد بیشتر از روش‌های معمولی استفاده می‌کنند: جذب مشترکین بیشتر، دریافت هزینهٔ بیشتر از آن‌ها، و فروش تبلیغات. اما سرویس پخش علمی Curiosity Stream مسیر جدیدی را پیش گرفته است که می‌تواند نحوهٔ بقا و عملکرد شرکت‌های پخش، به‌ویژه گزینه‌های تخصصی، را بازتعریف کند.

جان هندریکس، بنیان‌گذار Discovery Channel، در سال ۲۰۱۵ سرویس Curiosity Stream را راه‌اندازی کرد. هزینهٔ این سرویس پخش سالانه ۴۰ دلار است و حاوی تبلیغاتی نمی‌باشد.

کسب‌وکار پخش گسترش یافت و اکنون شامل کانال تلویزیونی Curiosity Channel نیز می‌شود. شرکت CuriosityStream Inc. از طریق برنامه‌های اصلی خود و برنامه‌های آموزشی Curiosity University نیز درآمد کسب می‌کند. این شرکت پس از تقریباً یک دهه فعالیت، در سه‌ماههٔ اول مالی ۲۰۲۵ اولین سود خالص مثبت خود را ثبت کرد.

با تمرکز بر علم، تاریخ، پژوهش و آموزش، Curiosity Stream همواره یک بازیگر کوچک‌تر نسبت به سایر سرویس‌های پخش خواهد بود. تا مارس ۲۰۲۳، این سرویس ۲۳ میلیون مشترک داشت که در مقایسه با ۳۰۱٫۶ میلیون کاربر Netflix (تا ژانویه ۲۰۲۵) تعداد کمی است.

با این حال، در بازاری بسیار رقابتی، درآمد Curiosity Stream در گزارش مالی سه‌ماههٔ سوم ۲۰۲۵ که این ماه منتشر شد، نسبت به سال گذشته ۴۱٪ افزایش یافت. این رشد عمدتاً به دلیل مجوزدهی برنامه‌های اصلی Curiosity Stream برای آموزش مدل‌های زبانی بزرگ (LLM) بود.

«با نگاهی به ارقام سال جاری، مجوزدهی تا سپتامبر ۲۳٫۴ میلیون دلار درآمد داشته است که … بیش از نیمی از درآمدی است که بخش اشتراکی ما در تمام سال ۲۰۲۴ به دست آورده بود»، فیلیپ هیدن، مدیر مالی Curiosity Stream، در تماس با سرمایه‌گذاران این ماه گفت.

تا کنون، Curiosity Stream ۱۸ پروژه مرتبط با هوش مصنوعی «در حوزهٔ ویدیو، صدا و کد» را با نه شریک تکمیل کرده است، طبق بیانیه‌ای که در اکتبر منتشر شد.

شرکت پیش‌بینی می‌کند تا سال ۲۰۲۷، درآمد حاصل از قراردادهای مجوزدهی مالکیت فکری با شرکت‌های هوش مصنوعی بیش از درآمد از اشتراک‌ها باشد، «احتمالاً زودتر»، مدیرعامل کلینت استینچکامب در تماس مالی گفت.

به عبارت دیگر، Curiosity Stream که پیش‌تر به‌عنوان یک شرکت پخش شناخته می‌شد، اکنون به‌طور قطعی در حوزهٔ مجوزدهی هوش مصنوعی فعالیت می‌کند. این کار یک فعالیت جانبی نیست؛ بلکه یکی از ستون‌های اصلی شرکت پخش (در کنار اشتراک‌های پخش و تبلیغات) است که امید دارد در طول سال‌ها رشد را تقویت کند.

در سخنرانی خود در رویداد «آینده ویدیو» که این هفته توسط Parks Associates برگزار شد، تحلیلگر شرکت Needham، لورا مارتین، اشاره کرد که Curiosity Stream در حال مجوزدهی ۳۰۰,۰۰۰ ساعت از محتوای داخلی خود و همچنین ۱.۷ میلیون ساعت از محتوای طرف‌های ثالث است. او افزود که درآمد مجوزدهی هوش مصنوعی با این طرف‌های ثالث تقسیم می‌شود.

در واقع، Curiosity Stream محتوای بیشتری را به اپراتورهای بزرگ (hyperscalers) و توسعه‌دهندگان هوش مصنوعی می‌فروشید تا به بینندگان سرویس پخش. کتابخانهٔ این شرکت شامل دو میلیون ساعت محتوا است، اما «اکثریت قابل‌توجه آن برای مجوزدهی هوش مصنوعی» است، استینچکامب گفت.

«ما حجم حقوق خود را در پلتفرم‌های سنتی افزایش می‌دهیم، اما اکثریت عمده آن برای مجوزدهی هوش مصنوعی است»، او افزود.

راه نوین برای پیشرفت

موفقیت Curiosity Stream در مجوزدهی محتوا به شرکت‌های هوش مصنوعی می‌تواند دیگر شرکت‌های پخش که به دنبال منابع درآمدی جدید برای تأمین محتوا، فناوری، بازاریابی، نیروی انسانی و سایر برنامه‌ها هستند و قصد رضایت سرمایه‌گذاران را دارند، جذب کند. در این رویداد این هفته، مارتین هشدار داد که سایر شرکت‌های متمرکز بر محتوا باید همانند Curiosity Stream مسیرهای درآمدی جدیدی پیدا کنند، در غیر این صورت «از سوی رقبا از بازار حذف خواهند شد».

با ارائه برنامه‌های اصلی و ارتباطات با دارندگان مالکیت فکری، استینچکامب معتقد است که این فرصت در حال رشد است.

«تا سال ۲۰۲۷، و شاید زودتر، همان‌طور که مدل‌های منبع‌باز بیشتری در دسترس می‌شوند، احتمالاً صدها و حتی هزاران شرکت نیاز به ویدیو برای تنظیم دقیق مدل‌های خاص برای مصارف مصرف‌کننده و سازمانی خواهند داشت»، او گفت.

با این حال، فرض کردن اینکه مجوزدهی محتوا به شرکت‌های هوش مصنوعی یک کسب‌وکار بلندمدت است، ریسک‌پذیر است. در این مرحلهٔ نوظهور هوش مصنوعی مولد، واضح نیست که اپراتورهای بزرگ تا چه حد و برای چه مدت حاضر به پرداخت به شرکت‌های محتوا هستند. دعاوی حقوقی جاری نیز ممکن است بر نحوهٔ برخورد شرکت‌ها با مالکیت فکری که توسط مدل‌های زبانی بزرگ به‌کار گرفته می‌شود، تأثیر بگذارد. همانند سایر سازمان‌هایی که اخیراً به مجوزدهی محتوا به شرکت‌های هوش مصنوعی روی آورده‌اند، از جمله مالک Ars Technica، Conde Nast، مجوزدهی مالکیت فکری می‌تواند نجات‌بخش باشد که به‌طور همزمان به رقبای بالقوه تغذیه می‌کند.

اما در وضعیت فعلی، به‌نظر نمی‌رسد هر سرویس پخش بتواند چند سال آینده را پشت سر بگذارد. مشتریان سرویس‌های پخش به‌تدریج از سختی یافتن محتوای قابل مشاهده شکایت می‌کنند. افراد از داشتن چندین اشتراک پخش خسته شده‌اند و تقاضای شدیدی برای کاهش تکه‌تکه شدن محتوا وجود دارد.

به همین دلیل، انتظار می‌رود ادغام‌ها و تملک‌های بیشتری در میان شرکت‌های پخش رخ دهد. بنابراین، به‌نظر می‌رسد زمان حسّاسی برای شرکت‌های پخش است تا به‌سرعت ارزش‌سازی کنند. مجوزدهی مالکیت فکری به شرکت‌های هوش مصنوعی که عطش داده دارند و سرمایهٔ فراوانی در اختیار دارند، می‌تواند بلافصل مفید باشد. اما پیامدهای بلندمدت این کار همچنان دشوار است به‌دست آوردن.

از جانب خود، Curiosity Stream همچنان به رشد بخش اشتراک‌ها و تبلیغات خود می‌پردازد. مدیران نیز می‌خواهند این حس را القا کنند که دربارهٔ قراردادهای هوش مصنوعی به‌صورت بلندمدت فکر می‌کنند. به گفتهٔ استینچکامب:

ما همچنین فرصت واقعی برای مجوزدهی فراتر از صرفاً حق آموزش می‌بینیم. اعطای حقوق اضافی مانند حق نمایش، یا حقوق تحول‌آفرین، یا حق انطباق، یا حتی برخی حقوق مشتق‌شده، یا شاید حتی برخی که تا به‌حال نامگذاری نشده‌اند. منظور ما این است که ما در حال ایجاد روابط بلندمدت هستیم و متعهد به اطمینان از این هستیم که هنگام ورود به این قراردادها، یکبار و تمام نیست.

هوش مصنوعی به سرعت در حال رشد است و بسیاری از شرکت‌ها به‌دنبال استفاده از آن برای کاهش نیروی کار خود هستند. آی‌بی‌ام اخیراً سعی کرد کاری مشابه انجام دهد، اما نتایج غیرمنتظره‌ای به‌دست آورد.

پس از اخراج بیش از ۸٬۰۰۰ کارمند و انتقال کارهایشان به اتوماسیون هوش مصنوعی، شرکت دریافت که هنوز به نیروی انسانی نیاز دارد؛ تنها در زمینه‌های دیگری.

به گفتهٔ مدیرعامل آی‌بی‌ام، آروین کریشنا، شرکت پس از اخراج‌ها در مجموع تعداد نیروی کار خود را افزایش داده است.

ابزارهای هوش مصنوعی به کاهش کارهای تکراری یا روتین کمک کردند، اما این امر نیازهای جدیدی را در سایر بخش‌ها ایجاد کرد.

آی‌بی‌ام مجبور شد مهندسان نرم‌افزار، متخصصان بازاریابی و سایر متخصصان بیشتری را برای پشتیبانی از بخش‌های در حال رشد شرکت استخدام کند.

یکی از مثال‌ها AskHR است، یک چت‌بات هوش مصنوعی که آی‌بی‌ام برای کارهای اداری به کار می‌گیرد. این ربات حدود ۹۴٪ از وظایف مرتبط با منابع انسانی را خودکار کرد و موجب صرفه‌جویی ۳٫۵ میلیارد دلار در بهره‌وری شد.

اگرچه این امر نیاز به برخی از نقش‌ها را کاهش داد، اما در عین حال فرصت‌های جدیدی در حوزه‌های فنی و خلاقانه ایجاد کرد.

این وضعیت نشان می‌دهد که هوش مصنوعی می‌تواند بازار کار را دگرگون کند؛ برخی نقش‌ها ممکن است از بین بروند، اما با تغییر تمرکز شرکت‌ها، نقش‌های جدیدی نیز می‌توانند شکل بگیرند.

با این حال، این موضوع نگرانی‌هایی را درباره کارگرانی که شغل خود را از دست می‌دهند، برانگیخته می‌کند. بسیاری ممکن است نیاز به بازآموزی یا انتقال به حوزه‌های جدید داشته باشند که می‌تواند چالش‌برانگیز باشد.

گزارش‌های سازمان‌های جهانی این مسأله را برجسته می‌کنند. مجلس اقتصاد جهانی برآورد می‌کند که تا سال ۲۰۳۰، ۹۲ میلیون شغل ممکن است توسط هوش مصنوعی جایگزین شوند، هرچند تا ۱۷۰ میلیون شغل جدید نیز می‌توانند ایجاد شوند.

اینکه آیا کارگران از دست رفته می‌توانند به این نقش‌های جدید منتقل شوند یا نه، همچنان یک سؤال بزرگ است.

شرکت‌های بزرگ دیگری نیز اخیراً اخراج‌های گسترده‌ای انجام داده‌اند؛ مایکروسافت، آمازون و اکسنچور از جمله این شرکت‌ها هستند.

در حالی که هوش مصنوعی به شرکت‌ها کمک می‌کند زمان و هزینه را صرفه‌جویی کنند، مباحث پیرامون تأثیر آن بر نیروی کار روز به روز مهم‌تر می‌شوند.

پتریشیا دلسی، دانشکده مهندسی دانشگاه میشیگان

در حالی که آشوب جوی به‌عنوان عاملی شناخته‌شده برای پروازهای پر تلاطم شناخته می‌شود، حرکت آشوب‌بار جریان‌های توربولانسی همچنان یک مسأله حل‌نشده در فیزیک است. برای درک بهتر این سیستم، تیمی از پژوهشگران با استفاده از هوش مصنوعی توضیح‌پذیر، مهم‌ترین نواحی یک جریان توربولانسی را شناسایی کردند؛ این یافته در مطالعه‌ای در Nature Communications که توسط دانشگاه میشیگان و دانشگاه پلی‌تکنیک والنسیا هدایت می‌شود، گزارش شده است.

درک واضح‌تر از آشوب می‌تواند پیش‌بینی‌ها را بهبود بخشد و به خلبانان کمک کند تا از مناطق پرآشوب دور شوند و از جروح مسافران یا آسیب‌های سازه‌ای جلوگیری کنند. همچنین می‌تواند مهندسان را در کنترل آشوب یاری دهد؛ افزایش آن برای بهبود مخلوط‌سازی صنعتی مانند تصفیه آب و کاهش آن برای ارتقای بهره‌وری سوخت در وسایل نقلیه.

«به‌مدت بیش از یک قرن، پژوهش در زمینه آشوب با معادلاتی که بیش از حد پیچیده بودند، آزمایش‌هایی که دشوار انجام می‌شدند و کامپیوترهایی که توان شبیه‌سازی واقعیت را نداشتند، دست و پنجه نرم می‌کرد. هوش مصنوعی اکنون ابزار جدیدی به‌ما ارائه داد تا این چالش را مواجه شویم و دستاوردی با تأثیرات عملی عمیق به دست آوریم»، گفت سرجیو هویا، استاد مهندسی هوافضا در دانشگاه پلی‌تکنیک والنسیا و هم‌نویسنده این مطالعه.

در هنگام مدل‌سازی آشوب، روش‌های کلاسیک سعی می‌کنند با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که به‌راحتی در آزمایش‌ها قابل‌دیده شدن‌اند، مانند گردابه‌ها یا گردابه‌های کوچک، مؤلفه‌های مؤثر را شناسایی کنند.

روش جدید تمرکز را از پیش‌بینی صرف آشوب به درک بهتر سیستم تغییر می‌دهد. این روش کل جریان را بدون پیش‌فرض‌های اولیه بررسی می‌کند و به‌صورت یک‌به‌یک هر نقطه داده را حذف می‌نماید تا اهمیت آن را محاسبه کند.

در خلاف فرض‌های کلاسیک، گردابه‌ها در فاصله‌ای دور از دیوار، که مرز بین جریان‌های آشوبی و صاف است، اهمیت کمی داشتند. در عوض، تنش‌های رینولدز (اصطکاکی که هنگام برخورد سرعت‌های مختلف سیال‌ها ایجاد می‌شود) در نزدیکی بسیار زیاد و همچنین در فاصله‌های دور از دیوار بیشترین تأثیر را داشتند، در حالی که نوارهای جریان (نواری طولانی از هوای سریع و آرام که موازی جریان حرکت می‌کند) در فواصل متوسط تاثیرگذار بودند.

«اگر تمام دیدگاه‌های کلاسیک را با هم ترکیب کنید، به بازسازی کلی داستان نزدیک‌تر می‌شوید. اگر هر یک از این دیدگاه‌ها را به‌صورت جداگانه در نظر بگیرید، داستانی جزئی به دست می‌آید»، گفت ریکاردو وینویسا، دانشیار مهندسی هوافضا در دانشگاه میشیگان و هم‌نویسندهٔ مسئول این مطالعه.

یک معمای ریاضی حل‌نشده

تا به امروز، پژوهشگران نتوانسته‌اند به‌طور کامل درک کنند که جریان‌های آشوب‌ناک چگونه حرکت می‌کنند یا انرژی را چگونه از بین می‌برند. ریاضیات توصیف حرکت سیالات از معادلاتی به نام معادلات ناویر‑استوکس استخراج می‌شود، که برای جریان‌های صاف، پیش‌بینی‌پذیر و آشوب‌های خفیف به‌خوبی کار می‌کند.

در مورد آشوب شدید، یعنی تقریباً تمام جریان‌های مورد علاقه عملی، این معادلات همچنان معتبرند، اما برای حل آن‌ها به‌حجم عظیمی از قدرت محاسباتی نیاز است.

آشوب طبیعتاً آشوب‌بار است و گرادیان‌های سرعت می‌توانند به‌طور فوق‌العاده بزرگ شوند و به‌سوی رفتار نزدیک به تکینگی پیش روند. در چنین شرایطی، میدان جریان ساختاری شبیه به فرکتال نشان می‌دهد که ترکیب‌های فضایی بسیار پیچیده و دقیق دارند.

این رفتار پیچیده ناشی از تعامل دقیق بین اصطلاحات خطی و غیرخطی معادلات ناویر‑استوکس است. این‌چنان معمای بنیادی است که مؤسسهٔ ریاضیات کلی (Clay Mathematics Institute) آن را به‌عنوان یکی از هفت مسألهٔ جایزهٔ هزارساله (Millennium Prize Problems) شناسایی کرده و برای اثبات وجود و یکتایی یک راه‌حل صاف از این معادلات، یک میلیون دلار جایزه ارائه داده است.

راه‌حلی برای مدل‌سازی

در حالی که تکنیکی محاسباتی به نام شبیه‌سازی عددی مستقیم می‌تواند قطعات کوچک جریان‌های آشوب‌ناک را با دقت بالا مدل‌سازی کند، اجرای آن در مقیاس بزرگ بسیار هزینه‌بر است.

شبیه‌سازی یک ثانیه پرواز برای یک ایرباس ۳۲۰ در حالت پروازی طولانی، حتی بر روی سریع‌ترین ابر‌کامپیوتر جهان (با دو اکسافل اپس توان محاسباتی) حدود پنج ماه زمان می‌برد. حافظه مورد نیاز آن معادل مقدار داده‌ای است که در یک ماه برای تمام اینترنت جهان انتقال می‌یابد.

به‌عنوان راه‌حل، تیم پژوهشی شبیه‌سازی عددی مستقیم را با هوش مصنوعی توضیح‌پذیر ترکیب کرد تا بینش‌های جدیدی درباره جریان‌های آشوب‌ناک کسب کند. ابتدا، تیم داده‌های شبیه‌سازی عددی مستقیم را برای آموزش یک مدل هوش مصنوعی جهت پیش‌بینی یک جریان آشوب‌ناق استفاده کرد. سپس، از توضیحات افزایشی شاپلی (SHAP) برای محاسبهٔ اهمیت هر ورودی مدل پیش‌بینی اولیه استفاده کرد. این رویکرد هر ورودی را حذف می‌کند و میزان تأثیر آن بر دقت پیش‌بینی را اندازه‌گیری می‌نماید.

«SHAP همانند حذف یک‌به‌یک هر بازیکن از تیم فوتبال است تا درک کنیم هر فرد چگونه به عملکرد کلی تیم کمک می‌کند و بتوانیم ارزشمندترین بازیکنان را شناسایی کنیم»، گفت وینویسا.

زمانی که تحت آزمایش قرار گرفت، روش SHAP ترکیب شده با یادگیری عمیق تقویتی، از روش‌های کلاسیک پیشی گرفت و اصطکاک بر روی بال هواپیما را تا ۳۰٪ کاهش داد. برای اولین بار، دقیقاً می‌دانیم کدام ساختارها در یک جریان آشوب‌ناک بیشترین اهمیت را دارند.

«این به این معنی است که می‌توانیم این نواحی را هدف‌گذاری کنیم تا استراتژی‌های کنترلی برای کاهش کشش، بهبود احتراق و کاهش آلودگی شهری را به‌صورت کارآمدتر توسعه دهیم، چرا که اکنون می‌توانیم دینامیک سیستم را پیش‌بینی کنیم»، گفت آندرس کریمادس، استادیار در دانشگاه پلی‌تکنیک والنسیا و هم‌نویسندهٔ مسئول این مطالعه.

پژوهشگران اشاره می‌کنند که این تکنیک می‌تواند برای مسائلی فراتر از آشوب‌چوب به‌کار گرفته شود.

«برای هر مسأله‌ای در فیزیک، می‌توانید ویژگی‌های مهم و کم‌اهمیت را شناسایی کنید و از آن برای بهینه‌سازی، کنترل یا سایر کاربردها در آینده بهره ببرید»، افزود وینویسا.

شرکت افشا کرد که ربات‌هایش به تولید بیش از ۳۰٬۰۰۰ خودروی BMW X3 کمک کرده و بیش از ۹۰٬۰۰۰ قطعه ورق فلزی را بارگیری کرده‌اند.

Figure AI مستقر در کالیفرنیا روز چهارشنبه اعلام کرد که به‌صورت رسمی ربات‌های انسان‌نما مدل Figure 02 (F.02) خود را بازنشسته می‌کند.

این تصمیم پس از اجرای یک دوره ۱۱‑ماهی در کارخانه BMW Manufacturing واقع در اسپارتنبرگ، کارولینای جنوبی اتخاذ شد. این پروژه آزمایشی بخشی از همکاری برای آزمون ربات‌های انسان‌نما در خط تولید واقعی بود.

شرکت تاکید کرد که واحدهای F.02 در طول بازدهی خود به تولید بیش از ۳۰٬۰۰۰ خودروی BMW X3 کمک کرده و بیش از ۹۰٬۰۰۰ قطعه ورق فلزی را بارگذاری کردند.

بریت ادکاک، مدیرعامل Figure، تصاویری از ربات‌ها که با خط و خراش و کثیفی پوشانده شده بودند، به اشتراک گذاشت تا واقعیت‌های کار در محیط صنعتی را نشان دهد.

خراش‌ها به‌عنوان مدرکی بر کار واقعی

شرکت ویدئویی از ربات‌های F.02 به‌اشتراک گذاشت که به‌وضوح فرسودگی ناشی از ماه‌ها کار در خط تولید را نشان می‌دهد. ادکاک این را «کار در دنیای واقعی» توصیف کرد.

این تصاویر به‌عنوان مدرکی بر خلاف تردیدهای قبلی درباره این که کار Figure در BMW فقط یک مطالعه اثربخشی در مقیاس کوچک بوده، عمل می‌کند. با نشان دادن ظاهر فرسوده ربات‌ها، شرکت نشان می‌دهد که آن‌ها ماه‌ها در یک خط مونتاژ فعال کار کرده‌اند.

آلای کثیفی و خراش‌ها به‌طور ناخواسته نشانگر افتخاری شد. این عناصر نشان می‌دهند ربات‌ها تحمل کارهای تکراری و پرتقاضای کارخانه را داشته‌اند. شرکت گفت ترکیب این تصاویر و معیارهای عملکرد، ادعاهای آن‌ها در مورد بازدهی بلندمدت را تأیید می‌کند.

داده‌های عملکرد از دوره آزمایشی

شرکت آمریکایی گزارشی مفصل از دستاوردهای ربات‌ها در این کارخانه منتشر کرد. اعلام شد که پس از دوره راه‌اندازی اولیه، استقرار به‌سرعت گسترش یافت. در شش ماه نخست، ربات‌ها به اسپارتنبرگ منتقل شدند و در زمین کار می‌کردند. تا ماه دهم، آن‌ها شیفت‌های کامل را در خط مونتاژ اجرا می‌کردند.

وظیفه اصلی آن‌ها شامل بلند کردن قطعات ورق فلزی از سطل‌ها و قرار دادن آن‌ها روی ابزارهای جوش با تحمل ۵ میلی‌متر بود. پس از قرارگیری، بازویی‌های روباتیک سنتی عمل جوشکاری را انجام می‌دادند. ربات‌های انسان‌نما بارگیری فلز را با زمان چرخه ۸۴ ثانیه، از جمله ۳۷ ثانیه برای بارگیری، انجام دادند. دقت این عملیات بالای ۹۹ درصد باقی ماند، به‌طوریکه شرکت در بیانیه مطبوعاتی خود این مطلب را بیان کرد.

ربات‌ها بیش از ۱٬۲۵۰ ساعت زمان اجرا را تکمیل کردند. شرکت برآورد کرد که ماشین‌ها حدود ۲۰۰ مایل داخل کارخانه راه رفتند. این استقرار مطابق برنامه شیفت ۱۰ ساعته، از دوشنبه تا جمعه، پیش رفت. این معیارها به عنوان تأییدی بر این که ربات‌های انسان‌نما می‌توانند بارهای صنعتی را برای مدت طولانی در داخل کارخانه‌های فعال تحمل کنند، ارائه شد.

خوشحالم که اعلام می‌کنم ربات‌های F.02 ما در تولید ۳۰٬۰۰۰ خودرو برای BMW مشارکت داشته‌اند. امروز تجربیات‌مان را از یک دوره ۱۱‑ماهه در دنیای واقعی به اشتراک می‌گذاریم، همان‌طور که ناوۀ F.02 بازنشسته می‌شود. pic.twitter.com/rfWvb9PZzl

— Figure (@Figure_robot) ۱۹ نوامبر ۲۰۲۵

آموخته‌ها و آینده ربات‌های انسان‌نما

شرکت رباتیک همچنین در مورد چالش‌های سخت‌افزاری طی دوره استقرار صریح بود. بخش جلو بازو به‌عنوان نقطه شکست اصلی ظهور یافت، به‌دلیل پیچیدگی درج سه درجه آزادی، مدیریت حرارتی و کابل‌کشی در یک اندام به‌اندازه انسان. حرکت مداوم، میکروکنترلرها و سیم‌کشی را تحت فشار قرار داد؛ مشکلی که به‌ندرت در بخش ربات‌های انسان‌نما برجسته می‌شود.

این آموخته‌ها طراحی Figure 03 را شکل دادند. مدل جدید برد توزیع‌کننده و کابل‌کشی پویا در مچ دست را حذف کرده است؛ در این نسخه کنترل‌کننده‌های موتور به‌صورت مستقیم با کامپیوتر اصلی ارتباط برقرار می‌کنند.

بازنشستگی F.02 نقطه عبوری از آزمایش‌های آزمایشی به تولید مقیاس بزرگ‌تر را نشان می‌دهد. شرکت گفت: «Figure 02 به ما دروس اولیه‌ای دربارهٔ نیازهای حمل و نقل آموخت». بازنشستگی ناوِ ربات‌ها مسیر را برای Figure 03 باز می‌کند؛ شرکتی که ادعا می‌کند این مدل آماده استقرار در مقیاس وسیع است.