بلاگ

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.

Victor Tangermann

۳ دقیقه زمان مطالعه

از زمان اولین بار که در اوایل ژوئیه شناسایی شد، دانشمندان به 3I/ATLAS شیفته شده‌اند — سومین جسمی در تاریخ که از فضاهای بین‌ستاره‌ای عبور کرده و در سامانهٔ خورشیدی ما کشف شده است.

این مهمان، که به‌طور کلی به‌عنوان یک دنباله‌دار مورد شبهه است، با سرعتی خیره‌کننده از سامانهٔ خورشیدی ما عبور کرده و در ۲۹ اکتبر به نزدیک‌ترین نقطهٔ خود به خورشید رسید.

در طول این عبور نزدیک، دانشمندان متعجب شدند که 3I/ATLAS بسیار سریع‌تر از انتظاراتشان درخشید. دنباله‌داران معمولاً هنگام نزدیک شدن به خورشید دمّی از گاز و گرد و غبار می‌سازند؛ زیرا تابش خورشید یخ‌های جامد را تبخیر می‌کند و مواد سطحی را از بین می‌برد که سپس نور بیشتری را بازتاب می‌دهند.

اما ستاره‌شناسان از سرعتی که درخشندگی 3I/ATLAS در مشاهدات توسط دو رصدخانهٔ خورشیدی، رصدخانهٔ روابط خورشید‑زمین ناسا (STEREO) و رصدخانهٔ خورشید و هلیوسفر سازمان فضایی اروپا (SOHO)، و همچنین ماهوارهٔ هواشناسی GOES‑19 اداره ملی اقیانوس‌ها و جو (NOAA) افزایش یافت، شگفت‌زده شدند.

استفاده از این رصدخانه‌ها صرفاً راه‌حلی موقت است، زیرا رصدخانه‌های زمینی تا زمانی که این پدیده در اوایل دسامبر دوباره از پشت خورشید ظاهر شود، قادر به ردیابی آن نخواهند بود.

«دلیل درخشندگی سریع 3I که به‌مراتب بالاتر از نرخ درخشندگی بیشتر دنباله‌دارهای ابر اورت در فواصل شعاعی مشابه است، هنوز نامشخص است»، کارل باتامز، اخترفیزیک‌دان آزمایشگاه تحقیقات نیروی دریایی، و کی‌چنگ ژانگ، پژوهشگر پسادکتری رصدخانهٔ لوول، در مقاله‌ای که هنوز تحت داوری همتا نیست دربارهٔ «درخشندگی سریع» نوشتند.

اما آن‌ها چندین فرضیه برای دلیل روشن شدن سریع‌تر از حد انتظار 3I/ATLAS ارائه دادند. یکی از این دلایل ممکن است سرعت فوق‌العادهٔ آن باشد؛ این جسم با سرعتی حدود ۲۲۰ ۰۰۰ کیلومتر بر ساعت (حدود ۱۳۷ ۰۰۰ مایل بر ساعت) می‌گذرد که به‌مراتب سریع‌تر از دو شیء بین‌ستاره‌ای پیشین کشف‌شده است.

یا شاید ترکیب شیمیایی خود این جسم نقش داشته باشد.

«اختلالات در ویژگی‌های هسته مانند ترکیب، شکل یا ساختار — که ممکن است از سامانهٔ میزبان یا طی سفر طولانی بین‌ستاره‌ای آن به‌دست آمده باشند — می‌توانند به‌طور مشابهی باعث درخشندگی سریع شوند»، Zhan و Battams نوشتند.

ستاره‌شناسان همچنین دریافتند که 3I/ATLAS «به‌طور واضحی آبی‌تر از خورشید» است، که «با انتشار گاز که سهم قابل‌توجهی از روشنایی مرئی را در نزدیکی نزدیک‌ترین نقطه به خورشید فراهم می‌کند، سازگار است».

با این حال، سؤال‌های زیادی باقی مانده و برای روشن شدن بیشتر این مسأله باید منتظر مشاهدات آینده باشیم.

پژوهشگران افزودند: «بدون وجود توضیح فیزیکی تثبیت‌شده، آیندهٔ رفتار 3I پس از پرهیلین نامشخص باقی می‌ماند و یک مرحله ثابت در روشنایی — یا حتی ادامه کوتاه‌مدت درخشندگی پیش از پرهیلین — به همان اندازه محتمل است که به‌سرعت پس از پرهیلین کم‌رنگ شود».

فعلاً، ستاره‌شناسان باید صبر کنند چون 3I/ATLAS همچنان پشت خورشید پنهان است و از دید زمین قابل مشاهده نیست.

متن مقاله می‌گوید: «پس از پرهیلین ۲۹ اکتبر ۲۰۲۵، 3I به غروب دوباره برمی‌گردد و سپس به آسمان‌های تاریک شبانه در نوامبر‑دسامبر ۲۰۲۵ می‌رسد»، که این امکان را می‌دهد تا «دوباره دنباله‌دار را با جزئیات بسیار بیشتری نسبت به داده‌های فعلی توصیف کنیم».

اطلاعات بیشتر دربارهٔ 3I/ATLAS: نه دلیل که این دانشمند معتقد است این جسم عبوری از خورشید، یک سفینهٔ بیگانه به‌اندازهٔ یک شهر است