بلاگ

بررسی کنید که آیا از طریق دانشگاه یا سازمان خود، دسترسی دارید یا خیر.

هوش مصنوعی صوتی Beside هر ماه میلیون‌ها تماس را پردازش می‌کند.

Beside، شرکت نوپای هوش مصنوعی صوتی که اوایل این ماه از مراحل مخفی‌کاری خارج شد، ۳۲ میلیون دلار جذب کرده تا «منشی هوش مصنوعی» خود را توسعه دهد؛ این منشی که پیش از این هم میلیون‌ها تماس در ماه را پردازش می‌کند.

منشی هوش مصنوعی این استارتاپ با هدف پر کردن خلاء برای افرادی و کسب‌وکارهای کوچکی که توان استفاده از دستیار تمام‌وقت را ندارند، طراحی شده است. این سرویس تماس‌ها را پاسخ می‌دهد، جزئیات مشتریان را به خاطر می‌سپارد، زمان ملاقات‌ها را رزرو می‌کند و پیگیری‌ها را مدیریت می‌کند؛ همه اینها از طریق برنامه‌ای که مستقیماً به شماره تلفن موجود مشتری متصل می‌شود.

«ما این را شبیه استخدام یک معاون ارشد فارغ‌التحصیل هاروارد با حافظه‌ای کامل می‌دانیم»، ماکسی‌م جرمین، مؤسس و مدیرعامل Beside مستقر در پاریس، به Fortune گفت. «به مرور زمان، این یک شریک معتبر می‌شود که مشتریان شما را می‌فهمد، پیگیری‌ها را بر عهده می‌گیرد و به شما در کسب‌وکار بیشتر کمک می‌کند.»

استارتاپ هوش مصنوعی صوتی که در ایالات متحده فعالیت می‌کند، به‌تازگی دور مالی Series A به مبلغ ۲۰ میلیون دلار را که توسط EQT Ventures رهبری شد، به‌همراه مشارکت Index Ventures و سرمایه‌گذاران فرشته‌ای از جمله مؤسس Slack، استوارت باترفیلد، تکمیل کرد. این سرمایه‌گذاری پس از دور Seed به ارزش ۱۰٫۵ میلیون دلار که توسط Index هدایت شده و ۱٫۴ میلیون دلار سرمایه‌گذاری SAFE اضافی، صورت گرفت. Beside قصد دارد این منابع را برای توسعه محصول، استخدام نیروی انسانی و در نهایت گسترش به بازارهای اروپایی به‌کار گیرد.

کائوشیک سوبرامانیان، شریک EQT Ventures، گفت: «Beside فقط بهینه‌سازی ارتباطات بین کسب‌وکارها و مشتریان را انجام نمی‌دهد، بلکه به‌طور کامل در حال بازنگری نحوه انجام کارهاست.»

این شرکت ۱۸ ماه در حالت مخفی‌کاری تحت نام M1 کار کرده است و به درآمد سالیانه تکراری ۴ میلیون دلار با بیش از ۲۰,۰۰۰ مشتری پرداخت‌کننده دست یافته؛ نیمی از این کاربران روزانه ۱۴ بار، شش روز در هفته، برنامه را باز می‌کنند.

تمرکز بر مصرف‌کننده

به‌جای هدف‌گیری شرکت‌های بزرگ، Beside مستقیماً به سوی مصرف‌کنندگان حرکت می‌کند؛ امری که جرمین می‌گوید باعث تمایز شرکت در فضای پر شلوغ فناوری صوتی هوش مصنوعی می‌شود. تیم مؤسس این شرکت از شرکت‌های فناوری مصرفی مانند X، Snap و Jour (اپلیکیشن سلامت روانی که جرمین در سال ۲۰۲۱ به شرکت بیمه‌گر دیجیتال Alan فروخت) می‌آیند.

بازار هوش مصنوعی صوتی بسیار شلوغ است، عمدتاً به‌دلیل قابلیت این فناوری برای خودکارسازی بخش قابل‌توجهی از کارهای خدمات مشتری. انتظار می‌رود این بخش به‌عنوان بازار از ۳٫۱۴ میلیارد دلار در سال ۲۰۲۴ به ۴۷٫۵ میلیارد دلار تا سال ۲۰۳۴ رشد کند.

استارتاپ‌های تخصصی مانند ElevenLabs و Vapi در حال حاضر با غول‌های فناوری همچون آمازون و مایکروسافت برای ساخت سامانه‌های هوش مصنوعی صوتی واقعی رقابت می‌کنند؛ سامانه‌هایی که می‌توانند به‌صورت خودکار به پرسش‌های روتین مشتریان پاسخ دهند و زمان‌بندی ملاقات‌ها را بدون دخالت انسان انجام دهند. در حالی که بسیاری از کسب‌وکارها از چت‌بات‌ها برای ارتباطات متنی استفاده می‌کنند، هوش مصنوعی صوتی که می‌تواند گفتگوهای طبیعی داشته باشد، دروازه‌ای برای خودکارسازی دامنه وسیع‌تری از تعاملات مشتریان می‌گشود.

جرمین گفت شرکت با تمرکز بر دسترسی مستقیم به صد میلیون آمریکایی که کارهایشان از طریق تلفن انجام می‌شود—مانند قراردادکنندگان، مشاوران املاک، آرایشگران، کارگزاران و صاحبان کسب‌وکارهای کوچک که توان استخدام دستیار تمام‌وقت را ندارند و به‌دلیل این محدودیت فرصت‌های تجاری را از دست می‌دهند—تمایز خود را نسبت به دیگران نشان می‌دهد. در بریتانیا، اکثر کسب‌وکارهای کوچک کمتر از ۴۰٪ از تماس‌های ورودی خود را پاسخ می‌دهند و چهار نفر از هر پنج تماس‌کننده‌ای که به پست صوتی منتقل می‌شوند، هرگز بازنگردانده نمی‌شوند.

«ما وکلای داریم، پزشکان داریم، حتی کشیش‌ها و کلیساها از این محصول استفاده می‌کنند. این محصول برای هر صنعتی ساخته شده است، اما هدف‌گذاری آن بر روی همان فرد یا همان ذهنیت در هر یک از این صنایع است… اگر واقعاً به مشتری‌تان اهمیت می‌دهید و می‌خواهید تجربه‌ای بسیار بهتر ارائه کنید، جزئیات این گفتگو برای شما فوق‌العاده مهم خواهد بود»، جرمین گفت.

هوش مصنوعی که به تلفن شما پاسخ می‌دهد

منشی هوش مصنوعی Beside می‌تواند تماس‌های تلفنی را پاسخ دهد، مستقیماً با مشتریان صحبت کند و بر اساس گفتگو وظایف مختلفی را اجرا کند. Beside همچنین در حال گسترش برنامهٔ دسکتاپ خود است که به‌صورت خودکار تمام تماس‌ها و جلسات شما را ضبط می‌کند، چه در Zoom، چه بر روی تلفن یا به‌صورت حضوری.

به عنوان مثال، برای یک آرایشگاه، این بدین معنی است که هوش مصنوعی می‌تواند تماس یک مشتری جدید را پاسخ دهد، درباره جزئیات مانند سبک دلخواه سؤال کند، زمان ملاقات را رزرو کند و به‌صورت خودکار پیام تأیید ارسال کند؛ هم‌زمان تمام جزئیات مکالمه ثبت و ملاقات را به تقویم آرایشگاه اضافه می‌کند. این تعاملات ضبط و قابل جستجو هستند، به‌طوری که کارکنان می‌توانند دقیقاً درخواست مشتری را پیش از حضور او بررسی کنند.

«عدم اضطراب برای فراموش کردن هر آنچه مشتری می‌خواهد، ارزشی بی‌نظیر است»، دومینیک سانتیاگو، که یک شرکت تجاری خدمات لنداسکیپینگ در نیوجرسی اداره می‌کند و از برنامه Beside برای کسب‌وکار خود استفاده می‌کند، گفت. «این همه چیز را تحت کنترل نگه می‌دارد و تجربهٔ مدیریت کسب‌وکار من را به‌طور کامل تغییر می‌دهد.»

هوش مصنوعی همچنین می‌تواند مکالمات متنی را مدیریت کند و کاربران حتی می‌توانند صدای خود را شبیه‌سازی کنند. تمام مکالمات به‌صورت متنی ثبت و قابل جستجو هستند، به‌طوری که Beside آن را «مغز دوم» برای کسب‌وکارهای کوچک می‌نامد.

تیم کرتس، که به‌عنوان شریک یک نمایندگی بیمه در ونتورا فعالیت می‌کند، می‌گوید پس از استفاده از محصول، حجم بیمه‌نامه‌های جدید نوشتاری‌اش از ۴۰,۰۰۰ دلار به ۱۲۰,۰۰۰ دلار در یک شب، صرفاً به‌تنهایی رشد کرد.

گسترش سازمانی

شرکت همچنین بر گسترش ویژگی‌های تیمی متمرکز است تا به کسب‌وکارهای کوچک با تعداد ۲۰ تا ۵۰ نفر اجازه دهد زمینهٔ مشتری را به اشتراک بگذارند؛ به‌طوری که همه تاریخچه و ترجیحات یک مشتری را بدون نیاز به پرسش مکرر می‌دانند.

«اگر با کسب‌وکاری که توسط Beside پشتیبانی می‌شود تعامل داشته باشید، باید همان حس را داشته باشید که وقتی به یک هتل فوق‌العاده لوکس می‌روید؛ جایی که یک‌بار نام خود را می‌گویید و تمام کارکنان هتل نام، اتاق و ترجیحات شما را می‌دانند. دیگر نیازی نیست همان را بارها تکرار کنید؛ فقط مراقبت می‌شوید»، جرمین گفت.

به‌جای لایه‌گذاری هوش مصنوعی روی سامانه‌های تلفنی موجود، Beside زیرساخت‌های مخابراتی را از پایه بازسازی کرده است. این شرکت اکنون میلیون‌ها تماس ماهانه را مدیریت می‌کند؛ شامل تأمین شماره، رعایت مقررات، ارجاع تماس و انتقال شماره. در بلندمدت، جرمین اعلام می‌کند که برنامه دارد تبدیل به یک اپراتور کامل موبایل با یکپارچگی در سطح سیم کارت شود.

«تحویل تماس‌های با کیفیت بالا در هر مکانی — در یک کامیون، در سایت کاری، یا در شهر شلوغ — چالشی فنی بسیار دشوار است»، او می‌گوید. «با تسلط بر اکوسیستم پیچیدهٔ مقرراتی و اپراتوری ایالات متحده، یک الگوی عملیاتی ساخته‌ایم که می‌توانیم به‌صورت جهانی بازتولید کنیم.»

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.