حامد اناری: اینترنت مرده است. نه به معنای استعاری و رمانتیک، بلکه به معنای دقیق و خونین کلمه: جسد دیجیتالیای که هنوز نفس میکشد، اما دیگر انسانی نیست. آنچه زمانی وعده آزادی، ارتباط و رهایی از سلطه ساختارهای سنتی بود، امروز به مزرعه استخراج داده و کارخانه تولید توهم تبدیل شده است. بیش از نیمی از ترافیک وب را باتها کنترل میکنند، بیش از نیمی از مقالات اینترنت را ماشینها نوشتهاند، و الگوریتمهای سودمحور، واقعیت را به کالایی تبدیل کردهاند که ارزش آن نه در حقیقت، بلکه در قابلیت فروش و کنترل است. این مرگ تصادفی نبود. این نتیجه آن چیزی است که انسان را به ماده خام تقلیل داد و سپس، وقتی ماده خام تمام شد، شروع به تغذیه از گوشت مرده خودش کرد.
حالا مدلهای هوش مصنوعی روی خروجیهای خودشان آموزش میبینند، توهم تولید میکنند، دیپفیک میسازند، و با هر چرخه، جهان را کمی بیشتر از حقیقت انسانی تهی میکنند. آنچه باقی مانده، لامکانی است که واقعیت انسانی به آن راهی ندارد؛ محیطی خارج از دایره تاثیر و تاثر آدم. پرسشی که به آن میرسیم در چنین بستری شکل میگیرد که آیا باید پذیرفت که در اینترنت آینده، «انسان بودن» نیز به چیزی تبدیل میشود که باید اثبات و گواهی شود؟ رخنه ماشینها در حافظه بشری
در سال ۲۰۲۱، نظریهای با عنوان «اینترنت مرده» در حاشیه فرومهای اینترنتی مطرح شد. مدافعان آن ادعا میکردند بخش بزرگی از آنچه در فضای آنلاین میبینیم، دیگر محصول فعالیت انسانها نیست؛ بلکه باتها، حسابهای خودکار و الگوریتمها بخش عمده تولید و گردش محتوا را در اختیار گرفتهاند. آن زمان این ایده بیشتر شبیه یک تئوری توطئه بود، اما امروز پژوهشهایی مانند مرور نظاممند Muzumdar و همکاران با عنوان « The Dead Internet Theory» نشان میدهد این نظریه به چارچوبی برای تحلیل تحولات ساختاری اینترنت تبدیل شده است. دادهها نیز از تغییری عمیق حکایت دارند. گزارش Bad Bot Report 2026 شرکت Imperva نشان میدهد در سال ۲۰۲۵ بیش از ۵۳ درصد ترافیک وب توسط باتها ایجاد شده است. رقمی که برای نخستینبار سهم فعالیت ماشینی را از ترافیک انسانی بیشتر میکند.
همزمان، سهم محتوای تولیدشده با هوش مصنوعی نیز بهسرعت افزایش یافته است. برآوردهای Graphite نشان میدهد حدود نیمی از مقالات تازه منتشرشده در وب عمدتا یا بهطور کامل با کمک مدلهای زبانی تولید میشوند؛ روندی که گزارش شاخص هوش مصنوعی دانشگاه استنفورد نیز آن را تایید میکند. با این حال، یک تناقض مهم وجود دارد. با وجود رشد سریع محتوای ماشینی، هنوز ۸۶ درصد نتایج برتر گوگل و حدود ۸۲ درصد منابع مورد استناد ابزارهایی مانند ChatGPT و Perplexity را محتوای انسانی تشکیل میدهد. اما این وضعیت ممکن است پایدار نماند. هرچه سهم محتوای ماشینی در وب بیشتر شود، دادههای آموزشی نسل بعدی مدلهای هوش مصنوعی نیز بیشتر از خروجی همان مدلها تغذیه خواهند کرد؛ چرخهای که پژوهشگران از آن با عنوان «فروپاشی مدل» یاد میکنند.
پژوهشی که در سال ۲۰۲۴ در نشریه Nature منتشر شد، نشان میدهد آموزش مکرر مدلهای زبانی بر پایه محتوای تولیدشده توسط نسلهای قبلی، بهتدریج تنوع دادهها را کاهش میدهد، نمونههای نادر و خلاقانه را حذف میکند و مدل را به پاسخهای یکنواخت و تکراری سوق میدهد. در چنین شرایطی، خطاها نیز از نسلی به نسل دیگر منتقل و تقویت میشوند. خطر اصلی آنجاست که اینترنت امروز به منبع اصلی آموزش همین مدلها تبدیل شده است. اگر بخش بزرگی از وب را متنهای تولیدشده توسط هوش مصنوعی تشکیل دهد، مدلهای آینده ناگزیر بیش از گذشته از خروجی مدلهای پیشین تغذیه خواهند کرد. نتیجه این چرخه، کاهش تدریجی کیفیت، افزایش یکنواختی و فاصله گرفتن مدلها از پیچیدگیهای جهان واقعی است. اثر گلوله برفی
با وجود پیشرفت سریع مدلهای زبانی، یکی از مهمترین ضعفهای آنها همچنان پابرجاست؛ تولید اطلاعات نادرست. این پدیده که در ادبیات هوش مصنوعی با عنوان «توهم» شناخته میشود، به وضعیتی اشاره دارد که مدل پاسخی کاملا روان، منسجم و حتی قانعکننده تولید میکند، اما بخشی یا تمام آن با واقعیت سازگار نیست. دادههای گردآوریشده توسط Digital Applied نشان میدهد نرخ بروز این خطا در مدلهای پیشرفته طی دو سال گذشته کاهش یافته و در سال ۲۰۲۶ به حدود ۳.۱ تا ۱۹.۱ درصد رسیده است. این رقم نسبت به بازه ۱۵ تا ۴۵ درصدی گزارششده در سال ۲۰۲۴ بهبود قابلتوجهی محسوب میشود، اما نشان میدهد که این مشکل هنوز برطرف نشده است. در کاربردهای تخصصی، بهویژه در حوزههایی مانند حقوق، پزشکی و پژوهش علمی که دقت ارجاع و استناد اهمیت بالایی دارد، احتمال بروز چنین خطاهایی همچنان بیشتر است.
با این حال، برخی پژوهشگران معتقدند خود اصطلاح «توهم» نیز چندان دقیق نیست. محققین در پژوهشی که سال ۲۰۲۴ منتشر شد با عنوان «AI Hallucinations: A Misnomer Worth Clarifying»، استدلال میکنند مدلهای زبانی مانند انسان ادراک یا تجربهای از جهان ندارند که بتوانند از آن منحرف شوند. آنچه بهعنوان «توهم» شناخته میشود، در واقع حاصل پیشبینی آماری واژه بعدی بر اساس الگوهایی است که مدل در مرحله آموزش آموخته است. مساله تنها به یک پاسخ اشتباه ختم نمیشود. پژوهش «Özer» در سال ۲۰۲۴ نشان میدهد اگر مدل یک گزاره نادرست را مبنای پاسخ خود قرار دهد، معمولا برای حفظ انسجام متن، همان خطا را در ادامه گسترش میدهد. به این ترتیب، یک اشتباه اولیه میتواند به زنجیرهای از اطلاعات نادرست تبدیل شود؛ روندی که پژوهشگران از آن با عنوان «اثر گلولهبرفی» یاد میکنند. به همین دلیل، اگرچه مدلهای زبانی امروز دقیقتر از گذشته عمل میکنند، اما پژوهشگران همچنان تاکید دارند که خروجی آنها نباید بدون بررسی و اعتبارسنجی، بهویژه در موضوعات تخصصی و حساس، بهعنوان یک منبع قطعی مورد استناد قرار گیرد. ردپای هوش مصنوعی در جرائم سایبری
گسترش مدلهای زبانی فقط شیوه تولید محتوا را تغییر نداده، شاید در اثر همین دگرگونی تعریف تقلب و کلاهبرداری را نیز با چالشهای تازهای روبهرو کرده است. اگر در گذشته سرقت ادبی به معنای رونویسی از آثار دیگران بود، امروز متنهایی تولید میشوند که کاملا جدید به نظر میرسند، اما نویسنده انسانی آنها نقشی در شکلگیری ایده، استدلال یا نگارش نداشته است. در همین زمینه، مقالهای با عنوان کوتاهشده «AI-giarism» در سال ۲۰۲۳ اصطلاحی را برای توصیف این پدیده پیشنهاد کرد که به استفاده از هوش مصنوعی برای تولید متن و ارائه آن بهعنوان اثری اصیل اشاره دارد. تفاوت این شیوه با سرقت ادبی کلاسیک در آن است که معمولا متن از منبع دیگری کپی نشده، بلکه فرآیند اندیشیدن و نگارش بهطور کامل به مدل هوش مصنوعی واگذار شده است.
همزمان، دانشگاهها و موسسات آموزشی با چالش دیگری نیز روبهرو شدهاند. چرا که از یک سو ابزارهایی برای شناسایی متون تولیدشده با هوش مصنوعی توسعه مییابد و از سوی دیگر، روشهای تازهای برای بازنویسی و پنهان کردن منشأ این متون ظهور میکند. نتیجه آن است که هر پیشرفت در فناوری تشخیص، با پیشرفتی مشابه در فناوری دور زدن آن پاسخ داده میشود.
پیامدهای این تحول به محیطهای دانشگاهی محدود نمانده است. نتایج نظرسنجی مشترک موسسه گالوپ و Stop Scams Alliance نشان میدهد ۱۲ درصد از کلاهبرداریهای موفق ثبتشده در آمریکا طی سال ۲۰۲۵ با استفاده از هوش مصنوعی یا فناوری «Deepfake» انجام شدهاند. این گزارش همچنین برآورد میکند حدود ۶ درصد از بزرگسالان آمریکایی در همان سال دستکم یکبار قربانی کلاهبرداری شدهاند. با این حال، پژوهشگران تاکید میکنند که تشخیص نقش هوش مصنوعی در بسیاری از پروندهها آسان نیست و احتمال دارد سهم واقعی این فناوری در کلاهبرداریها بیش از آمارهای ثبتشده باشد.
در سوی دیگر، پژوهشی که در نشریه Science Advances منتشر شده نشان میدهد مدلهای زبانی میتوانند در تولید پیامهای گمراهکننده برای شبکههای اجتماعی، عملکردی همسطح یا حتی موثرتر از انسان داشته باشند. مزیت اصلی این سامانهها نه در کیفیت استدلال، بلکه در سرعت، مقیاس و هزینه بسیار پایین تولید محتواست؛ ویژگیهایی که امکان انتشار انبوه اطلاعات نادرست را در زمانی کوتاه فراهم میکنند. آزمون قریبالوقوع انسانیت
در مجموع این تحولات نشان میدهد هوش مصنوعی تنها ابزار تازهای برای تولید محتوا نیست. این فناوری قواعد اعتماد در فضای دیجیتال را دگرگون کرده است. مرز میان استفاده مشروع و سوءاستفاده مبهمتر شده و نظامهای سنتی تشخیص تقلب و مقابله با فریب را با محدودیتهای جدی روبهرو کرده است. اهمیت این تحول وقتی روشنتر میشود که به آینده نگاه کنیم. شبیهسازیها نشان میدهند اگر تولید و توزیع محتوا بیش از پیش در اختیار عاملهای هوشمند قرار گیرد، سهم آنها از جریان اطلاعات میتواند بهطور چشمگیری افزایش یابد و حتی بر شکلگیری باورها اثر بگذارد. در چنین شرایطی، دادههای اصیل انسانی دیگر فقط یک ارزش فرهنگی نیستند؛ آنها به زیرساختی حیاتی برای آموزش نسلهای بعدی مدلها و حفظ حداقل اعتماد عمومی تبدیل میشوند.
بنابراین آنچه امروز «اینترنت مرده» نامیده میشود، بیش از آنکه به معنای حذف کامل انسان باشد، نشانه تغییر قواعد بازی است. اینترنت همچنان زنده است، اما دیگر نمیتوان انسانی بودن محتوا را بدیهی فرض کرد. و اینجاست که به همان پرسش آغازین بازمیگردیم: وقتی انسان بودن دیگر فرض پیشفرض نیست، چگونه میتوان اصالت را بازیافت؟ پاسخ قطعی هنوز وجود ندارد. اما مسیر پیشرو روشن است: یا سازوکارهای اثبات منشأ و حفظ داده انسانی جدی گرفته میشوند، یا چرخه تغذیه ماشین از ماشین ادامه مییابد و فاصله میان محتوا و واقعیت هر روز بیشتر میشود. با این حال، پرسش همچنان باقی است. اگر فعلا شما باید ثابت کنید که روبات نیستید، در آینده نزدیک باید ثابت کنید که شما انسان هستید. این مطلب برایم مفید است 0 نفر این مطلب را پسندیده اند کپی شد
