روباه‌ها، خارپشت‌ها و هوش مصنوعی

جهان صنعت نیوز، پیش‌بینی آینده از دیرباز یکی از بزرگ‌ترین چالش‌های بشر بوده است. از سیاستمداران دوران جنگ سرد تا سرمایه‌گذاران امروز، همه تلاش کرده‌اند روندها را پیش‌بینی کنند اما اغلب با خطاهای بزرگ مواجه شده‌اند. فیلیپ تتلاک، استاد روان‌شناسی دهه‌هاست که این مسئله را به‌صورت علمی مطالعه می‌کند. او در پژوهش‌های خود نشان داده که نه‌تنها همه پیش‌بینی‌ها یکسان نیستند، بلکه روش تفکر آن‌ها نیز نقش تعیین‌کننده‌ای در دقت پیش‌بینی دارد.
بر اساس تقسیم‌بندی معروف آیزایا برلین، تتلاک پیش بینی کنندگان را به دو گروه تقسیم می‌کند: خارپشت‌ها که جهان را از دریچه یک ایده بزرگ می‌بینند و به چارچوب‌های ثابت وفادارند و روباه‌ها که با ذهنی باز و انعطاف‌پذیر از منابع و دیدگاه‌های متنوع استفاده می‌کنند. نتایج او نشان داد که روباه‌ها، هرچند نه با برتری مطلق، اما با مزیتی قابل‌توجه معمولاً بهتر از خارپشت‌ها عمل می‌کنند.

ذهن انسان و تله‌های شناختی در پیش‌بینی

تتلاک و همکارش دنیل کانمن، روان‌شناس برنده نوبل معتقدند که تفاوت میان این دو گروه در نحوه استفاده از دو سیستم شناختی مغز نهفته است:
سیستم ۱: سریع، شهودی و احساسی
سیستم ۲: کندتر، منطقی و تحلیلی
روباه‌ها استادانه از سیستم ۲ استفاده می‌کنند تا تله‌های شناختی معروف مانند دسترس‌پذیری، تأثیر عاطفی، جایگزینی و روایت‌گرایی را دور بزنند. این توانایی به آن‌ها کمک می‌کند تا از پاسخ‌های شهودی و ساده‌انگارانه فاصله بگیرند و به تحلیل‌های چندوجهی و دقیق‌تر برسند.
اما پیش‌بینی در حوزه‌هایی مانند سیاست و ژئوپلیتیک به‌دلیل نبود بازخورد سریع و محیط‌های یادگیری‌ناپذیر، دشوارتر از حوزه‌هایی مانند هواشناسی یا بازی‌های فکری است. در اینجا، نقش روایت‌ها و چارچوب‌های ذهنی بیش از تحلیل آماری قدرت می‌یابند و همین موضوع پیش‌بینی‌های نادرست را تشدید می‌کند.
یکی از یافته‌های مهم تتلاک «خِرَد جمعی» است: میانگین پیش‌بینی‌های گروهی معمولاً دقیق‌تر از پیش‌بینی‌های فردی است، مشروط بر اینکه نظرات افراد مستقل باشد. این اصل نه‌تنها در بازار سهام یا هیئت منصفه دیده می‌شود بلکه در پروژه‌های پیش‌بینی نیز صادق است.
در پروژه Good Judgment Project که در قالب رقابتی میان دانشگاه‌های بزرگ و تحلیلگران اطلاعاتی اجرا شد، تیم تتلاک توانست دقت پیش‌بینی‌ها را تا ۷۸ درصد نسبت به گروه کنترل افزایش دهد. تیم‌های «فراپیش‌بین» یا Superforecasters – افرادی با مهارت‌های روباه‌گونه در تحلیل و تفکر – حتی بهتر از بازارهای پیش‌بینی عمل کردند. این گروه قادر بودند پیش‌بینی‌های ۳۰۰ روزه را با همان دقتی انجام دهند که پیش‌بین‌های معمولی در ۱۰۰ روز انجام می‌دادند.

نقش هوش مصنوعی: همکار، نه جایگزین

در سال‌های اخیر، تتلاک توجه خود را به نقش مدل‌های زبانی بزرگ در پیش‌بینی معطوف کرده است. او معتقد است که این مدل‌ها می‌توانند در سه زمینه کلیدی مفید باشند:
گسترش سناریوها و دیدگاه‌ها: مدل‌های زبانی بزرگ با ارائه سناریوهای متفاوت، تنوع دیدگاه‌ها را افزایش می‌دهند و نقش افراط‌گرای خرد جمعی را ایفا می‌کنند.
تجزیه مسائل پیچیده: با استفاده از روش فرمی، مسائل بزرگ را به اجزای کوچک‌تر قابل‌تحلیل تبدیل می‌کنند.
تقویت هوش متبلور انسانی: با دسترسی سریع به دانش گسترده، تحلیل‌های انسانی را کامل‌تر می‌کنند.
آزمایش‌های تتلاک نشان دادند که پیش‌بین‌های انسانی با کمک مدل‌های زبانی بزرگ دقت پیش‌بینی خود را تا ۴۱ درصد افزایش دادند. جالب‌تر اینکه این بهبود در تمام سطوح مهارتی مشاهده شد و محدود به افراد کم‌تجربه نبود.

خِرَد سیلیکونی و همکاری انسان و ماشین

پژوهش‌های جدید نشان می‌دهد که حتی جمعی از مدل‌های زبانی بزرگ چیزی که تتلاک آن را «خرد سیلیکونی» می‌نامد، می‌تواند به دقت پیش‌بینی جمع انسانی نزدیک شود. وقتی این مدل‌ها به داده‌های انسانی دسترسی پیدا می‌کنند، عملکردشان به‌طور محسوسی بهتر می‌شود. این نتایج نشان می‌دهد که همکاری دوسویه انسان و هوش مصنوعی می‌تواند به سطحی از دقت برسد که هیچ‌یک به‌تنهایی قادر به دستیابی به آن نیستند.
با این حال، مدل‌ها در حوزه‌هایی مانند سیاست و اقلیم هنوز به دقت انسان نمی‌رسند، در حالی که در زمینه‌هایی چون اقتصاد، حقوق و فناوری عملکردی هم‌سطح یا بهتر دارند. این تفاوت نشان‌دهنده چالش ذاتی پیش‌بینی در حوزه‌هایی با داده‌های پراکنده و بازخورد کند است.

آینده پیش‌بینی: از «فراپیش‌بین» تا «فراهوش»

تتلاک پیش‌بینی می‌کند که در ۲ تا ۵ سال آینده، مدل‌های زبانی می‌توانند خود به «فراپیش‌بین» تبدیل شوند. او همچنین بر این باور است که همکاری انسان و ماشین می‌تواند مرزهای فعلی پیش‌بینی را جابه‌جا کند و «فراهوش‌های حوزه‌ای» پدید آورد که در زمینه‌های خاص فراتر از توان انسان عمل می‌کنند.
چالش بزرگ اما همچنان باقی است: آیا مدل‌های زبانی بزرگ قادر خواهند بود فراتر از خلاصه‌سازی داده‌ها رفته و مدل‌های مفهومی جدیدی خلق کنند؟ پاسخ هنوز مشخص نیست، اما مسیر روشن است: ادغام مدل‌های جهان‌شمول درون سامانه‌های هوش مصنوعی می‌تواند زمینه‌ساز انقلابی در درک و پیش‌بینی آینده شود.
داستان پیش‌بینی آینده دیگر صرفاً روایت رقابت انسان و ماشین نیست، بلکه درباره هم‌افزایی میان توانایی‌های انسانی و ظرفیت‌های هوش مصنوعی است. در دنیایی که عدم قطعیت‌های اقتصادی، سیاسی و فناوری رو به افزایش است، این همکاری می‌تواند ما را از پیش‌بینی‌های سطحی به تصمیم‌سازی‌های هوشمندانه برساند. ترکیب «روباه‌ها» و «خارپشت‌ها» با «خرد سیلیکونی» شاید همان چیزی باشد که ما را از پیش‌بینی‌های صرف به فراپیش‌بینی‌های کارآمد هدایت می‌کند.

اخبار برگزیدهدانش و فناوری