چند سال قبل تصور عمومی از کاربر هوش مصنوعی، کسی بود که یا کد مینویسد، یا مشغول امتحانکردن قابلیتهای عجیب یک فناوری تازه است؛ امروز اما تصویر متفاوت شده است. میلیونها کاربر، هوش مصنوعی را نه فقط برای انجام یک کار تخصصی، بلکه برای حل ریز و درشت مسائل روزمره باز میکنند؛ از فهم یک اصطلاح پزشکی و ترجمه یک ایمیل گرفته تا انتخاب میان دو محصول، خلاصهکردن یک گزارش، یادگرفتن یک درس یا پیدا کردن راهی برای شروع یک کار.
خبر مرتبط چگونه جنگ معاملات «هوش مصنوعی» ترامپ در خلیج فارس را نابود کرد؟ | آمریکا معامله قرن را به اماراتیها داد
اقتصادنیوز: مراکز داده از سالها پیش بخشی از اهداف حملات سایبری بودهاند، اما حملات فیزیکی به آنها مختص سال ۲۰۲۶ هستند.
بررسی دادههایی که شرکتهای سازنده بزرگترین مدلهای هوش مصنوعی در تابستان ۱۴۰۵ منتشر کردهاند، نشان میدهد نقطه مشترک بخش بزرگی از این استفادهها «فهمیدن» است. کاربر چیزی دارد که برایش مبهم، طولانی، تخصصی یا پیچیده است و از مدل میخواهد آن را به اطلاعاتی قابل استفاده تبدیل کند. بعد از آن نیز معمولاً یک سؤال دیگر شکل میگیرد: «حالا چه کار کنم؟»
OpenAI در دادههای مربوط به استفاده جهانی از ChatGPT، راهنمایی عملی، جستوجوی اطلاعات و نوشتن را در میان بزرگترین دستههای استفاده قرار داده است. مطالعه این شرکت روی حجم بزرگی از مکالمات نیز نشان میدهد بخش عمده گفتوگوهای عمومی حول همین سه محور میچرخند؛
یعنی مردم بیشتر از آنکه بخواهند هوش مصنوعی یک سیستم پیچیده را بدون دخالت آنها بسازد، از آن میخواهند اطلاعات پیدا کند، مطلبی را توضیح دهد، متن بنویسد یا برای انجام یک کار راهنماییشان کند.
دادههای جدید گوگل نیز همین تغییر را از زاویه دیگری نشان میدهد. گزارش ATLAS که در مرداد ۱۴۰۵ بر اساس میلیونها تعامل ناشناس با Gemini و دیگر محصولات هوش مصنوعی گوگل منتشر شد، نشان داد بخش قابل توجهی از استفاده مردم اصلاً کاری نیست.
تحقیق پیش از خرید، استفاده از ابزارها و وسایل، انجام امور روزمره، کسب اطلاعات و کمک برای تصمیمگیری در میان کاربردهایی قرار دارند که هوش مصنوعی به آنها وارد شده است.
این دادهها همچنین یک تصور رایج را به چالش میکشند: استفاده از هوش مصنوعی الزاماً به معنای واگذاری کامل یک کار به ماشین نیست. در بخش بزرگی از مکالمات، مدل نقش همکار، راهنما و توضیحدهنده را دارد. کاربر سؤال میکند، گزینه میخواهد، پاسخ را اصلاح میکند و در نهایت خودش تصمیم میگیرد. به بیان دیگر، الگوی غالب بیشتر «با من فکر کن» است تا «به جای من فکر کن.» وقتی کاربر فقط جواب نمیخواهد
دادههای Anthropic درباره استفاده از Claude شاید یکی از روشنترین نشانههای این تغییر باشد. در گزارش این شرکت که در تیر ۱۴۰۵ منتشر شد، «توضیح دادن» رایجترین شکل خروجی در مکالمات بررسیشده بود و پس از آن اسناد و گزارشها و سپس راهنمایی و توصیه قرار داشتند.
معنای این اعداد وقتی روشنتر میشود که به شکل واقعی سؤالها نگاه کنیم. کاربر ممکن است نپرسد «هوش مصنوعی چیست؟» بلکه یک متن تخصصی را مقابل مدل بگذارد و بگوید «این را طوری توضیح بده که بفهمم». ممکن است نتیجه یک آزمایش را ارسال کند و بخواهد اصطلاحاتش را بشناسد، یک قرارداد را بدهد و بخواهد بندهای مهمش استخراج شود یا یک مسئله کاری را شرح دهد و گزینههای پیش رو را بپرسد.
در چنین الگویی، هوش مصنوعی به نوعی مترجم پیچیدگی تبدیل شده است؛ چیزی میان موتور جستوجو، معلم، ویراستار و دستیار شخصی. در سلامت بیشتر چه میپرسند؟
سلامت یکی از حوزههایی است که استفاده از هوش مصنوعی در آن به سرعت گسترده شده است. OpenAI در تیر ۱۴۰۵ اعلام کرد صدها میلیون نفر در جهان بهطور هفتگی درباره سلامت و تندرستی با ChatGPT گفتوگو میکنند.
اما این مکالمات لزوماً به شکل «چه دارویی بخورم؟» نیست. بخش مهمی از نیاز کاربران به فهم اطلاعات پزشکی مربوط میشود: «این نتیجه آزمایش چه معنایی دارد؟»، «این اصطلاح پزشکی چیست؟»، «برای ملاقات با پزشک چه سؤالهایی آماده کنم؟»، «این دو عدد در آزمایش چه تفاوتی دارند؟» یا «برای بهترشدن عادت خواب و تغذیه از کجا شروع کنم؟»
در واقع هوش مصنوعی برای بخشی از کاربران، قبل از آنکه نقش پزشک پیدا کند، نقش مترجم زبان پزشکی را دارد. اصطلاحی که در گزارش آزمایش یا پرونده پزشکی پیچیده به نظر میرسد، وارد چت میشود و کاربر درخواست میکند آن را به زبان ساده بفهمد. این موضوع البته مرز مهمی هم دارد؛ شرکتهای سازنده این ابزارها تأکید میکنند پاسخ مدل نباید جای تشخیص، معاینه و تصمیم درمانی متخصص را بگیرد. ترجمه؛ دیگر فقط ترجمه یک جمله نیست
ترجمه نیز یکی از کاربردهای ثابت مدلهای زبانی است، اما شکل آن نسبت به مترجمهای اینترنتی قدیمی تغییر کرده است. دادههای منتشرشده درباره Claude نشان میدهد استفاده از ترجمه تقریباً میان نیازهای شخصی و کاری تقسیم شده است.
کاربر امروز فقط نمیگوید «این جمله را انگلیسی کن». ممکن است یک ایمیل کاری را بدهد و بگوید «به انگلیسی رسمی و طبیعی ترجمهاش کن»، یک مقاله انگلیسی را بخواهد به فارسی ساده بفهمد، متن یک قرارداد را ترجمه کند یا بعد از ترجمه بخواهد لحن آن حرفهایتر، دوستانهتر یا کوتاهتر شود.
برای کاربران فارسیزبان این قابلیت اهمیت مضاعف دارد، زیرا بخش بزرگی از منابع علمی، فنی و تجاری جهان به انگلیسی منتشر میشود. در نتیجه هوش مصنوعی میتواند همزمان مترجم، خلاصهکننده و توضیحدهنده باشد. با این حال داده عمومی معتبری وجود ندارد که نشان دهد در میان کاربران ایرانی دقیقاً کدام نوع ترجمه یا کدام جفتزبان بیشترین سهم را دارد. معلمی که هرقدر لازم باشد دوباره توضیح میدهد
آموزش یکی دیگر از حوزههایی است که توضیحدادن در آن نقش اصلی پیدا کرده است. دانشآموز یا دانشجو الزاماً دنبال گرفتن پاسخ نهایی نیست؛ بسیاری از درخواستها به سادهسازی یک مفهوم، ساخت مثال، تولید تمرین، خلاصهکردن فصل، اصلاح نوشته و آموزش مرحلهبهمرحله مربوط میشود.
«این مبحث را سادهتر توضیح بده»، «یک مثال دیگر بزن»، «از من امتحان بگیر»، «اشتباه این جوابم کجاست؟» و «این مقاله را طوری خلاصه کن که برای امتحان بخوانم» نمونههایی از همان رابطهای هستند که مدل را از یک موتور پاسخ به نوعی معلم خصوصی تبدیل میکند.
تفاوت مهم اینجاست که کاربر میتواند بدون نگرانی از تکرار، همان سؤال را چند بار به شکلهای متفاوت بپرسد. مدل نیز میتواند پاسخ را بر اساس سطح زبان، سن یا میزان آشنایی فرد با موضوع بازنویسی کند؛ قابلیتی که احتمالاً یکی از دلایل جذابیت AI در آموزش است.
«این متن را بهتر کن»
اگر «توضیح بده» یکی از مهمترین درخواستهای عمومی باشد، «بازنویسی کن» هم فاصله زیادی با آن ندارد. در دادههای مربوط به استفاده کاری از Claude، تهیه سند و گزارش، نوشتن ایمیل، خلاصهسازی و تحلیل از کاربردهای پرتکرار هستند و OpenAI نیز نوشتن را یکی از بزرگترین دستههای استفاده از ChatGPT معرفی کرده است.
خبر مرتبط انقلاب رباتها در کارخانههای چین | هوش مصنوعی چگونه به کمک محیطزیست آمد؟ | تغییر مسیر آینده تولید صنعتی جهان
اقتصادنیوز: بسیاری از فناوریهای توسعهیافته در کارخانههای چینی اکنون به بازارهای جهانی صادر میشوند و کشورهای در حال توسعه نیز به تدریج از این تجهیزات بهره میگیرند.
بخش زیادی از این استفادهها نوشتن از صفر نیست. کاربر متنی دارد و میخواهد آن را بهتر کند: رسمیتر، کوتاهتر، روانتر، محترمانهتر یا قانعکنندهتر. گاهی یک پیام ساده است، گاهی ایمیل کاری، گاهی گزارش و گاهی متنی برای شبکههای اجتماعی.
هوش مصنوعی در اینجا بیش از آنکه «نویسنده جایگزین» باشد، تبدیل به ویراستاری همیشه در دسترس شده است. کدنویسی کجای ماجراست؟
کدنویسی همچنان یکی از کاربردهای مهم هوش مصنوعی است و در برخی ابزارها، بهویژه Claude و محصولات تخصصی توسعه نرمافزار، سهم بسیار بزرگی دارد. کاربران از مدل برای نوشتن کد، رفع خطا، توضیح خطاها، طراحی ساختار برنامه، کار با API و تحلیل داده کمک میگیرند.
اما دادههای مصرف عمومی نشان نمیدهد که برنامهنویسی رایجترین نیاز همه کاربران باشد. تصویر «هوش مصنوعی مساوی ابزار برنامهنویسها» بیش از حد محدودکننده است.
حتی در برنامهنویسی نیز بسیاری از درخواستها دوباره به همان الگوی اصلی بازمیگردد: «این خطا یعنی چه؟»، «چرا این کد اجرا نمیشود؟» و «قدمبهقدم بگو چطور درستش کنم؟»؛ یعنی باز هم توضیح و راهنمایی در قلب تعامل قرار دارند. از خرید تا تصمیمهای روزمره
حوزه دیگری که در دادههای جدید بیشتر دیده میشود، تصمیمگیری روزمره است. مردم مشخصات چند کالا را مقابل هوش مصنوعی میگذارند و میخواهند تفاوت آنها را توضیح دهد؛ درباره سفر برنامه میخواهند؛ هزینهها را مقایسه میکنند؛ برای خرید، تعمیر یک وسیله یا حتی انجام امور اداری راهنمایی میگیرند.
در اینجا AI آرامآرام جای بخشی از جستوجوهای سنتی اینترنت را میگیرد. کاربر به جای بازکردن چند صفحه و کنار هم گذاشتن اطلاعات، همه نیازش را یکجا شرح میدهد:
«من این بودجه را دارم، این ویژگیها برایم مهم است و بین این سه گزینه ماندهام؛ کدام مناسبتر است و چرا؟ این «و چرا؟» شاید یکی از مهمترین تفاوتهای جستوجوی سنتی با گفتوگو با هوش مصنوعی باشد. هوش مصنوعی بعد از ساعت کار
دادههای Claude یک نکته کمتر دیدهشده را هم نشان میدهد:
نوع استفاده مردم در طول هفته و حتی ساعتهای مختلف روز تغییر میکند. در تعطیلات آخر هفته سهم مکالمات شخصی بیشتر میشود و موضوعاتی مانند سلامت، حمایت عاطفی و مسائل زندگی روزمره رشد میکنند.حتی زمان طرح بعضی سؤالها قابل تشخیص است؛ جستوجوی خبر بیشتر در ابتدای روز دیده میشود، درخواست دستور غذا در ساعات نزدیک به وعدههای غذایی بالا میرود و پرسشهای مربوط به خواب در ساعات شب و پیش از صبح بیشتر میشوند.
به این ترتیب، هوش مصنوعی از ابزار پشت میز کار فاصله گرفته و وارد زمانهایی شده که پیش از این احتمالاً کاربر با دوستش تماس میگرفت، در گوگل جستوجو میکرد یا چند سایت و انجمن را زیر و رو میکرد. سؤال اصلی؛ «برای من یعنی چه؟»
از کنار هم گذاشتن دادههای ChatGPT، Gemini و Claude در تیر و مرداد ۱۴۰۵ نمیتوان یک جمله را به عنوان «پرتکرارترین سؤال ایرانیها» اعلام کرد؛ شرکتهای سازنده چنین بانک عمومیای از پرامپتهای کاربران ایرانی منتشر نکردهاند و هر ادعای دقیق در این زمینه بیش از داده موجود خواهد بود.
اما میتوان یک الگوی روشن را دید. مردم در سلامت، ترجمه، آموزش، کار، خرید، نوشتن و حتی برنامهنویسی یک نیاز مشترک دارند: اطلاعات خام را به چیزی قابل فهم و قابل استفاده تبدیل کنند.
آنها از هوش مصنوعی فقط پاسخ نمیخواهند؛ میخواهند پاسخ متناسب با موقعیت خودشان باشد. معنی یک آزمایش برای «من» چیست؟ این متن را «برای مخاطب من» چطور بنویسم؟ بین این محصولات «با بودجه من» کدام بهتر است؟ این درس را «در سطح من» چطور توضیح میدهی؟
به همین دلیل شاید مهمترین اتفاق در رفتار کاربران هوش مصنوعی در تابستان ۱۴۰۵ این باشد که پرسش از «جواب چیست؟» آرامآرام به «برای من یعنی چه؟» تغییر کرده است.
اگر بخواهیم عصاره میلیونها شکل متفاوت این گفتوگوها را در یک پرامپت فرضی خلاصه کنیم، شاید جملهای نزدیک به این باشد: «این را برایم توضیح بده، سادهاش کن و بگو حالا من چه کار کنم؟»
این جمله پرتکرارترین پرامپت ثبتشده نیست؛ اما بر اساس الگوی مشترکی که تازهترین دادههای منتشرشده از سوی بزرگترین شرکتهای هوش مصنوعی نشان میدهند، شاید نزدیکترین توصیف از چیزی باشد که کاربر امروز واقعاً از هوش مصنوعی میخواهد. همچنین بخوانید حمله هکری به OpenAI؛ اطلاعات کاربران ChatGPT فاش شد/ امنیت کاربران در خطر است؟ از کجا بفهمیم یک عکس واقعی است یا ساخته هوش مصنوعی؟ پاورپوینت خود را به هوش مصنوعی بسپارید!/قابلیت جدید چت جیپیتی قابلیت های کپکات به جمینای اضافه میشود
