کشورهای در حال توسعه در رقابت هوش مصنوعی عقب مانده اند و این مشکل همه ماست

13 آوریل 2022 -نوشته جویجیت چاترجی، گفتگو -اعتبار: sdecoret/Shutterstock

هوش مصنوعی (AI) امروزه بسیار بیشتر از یک کلمه رایج است. تشخیص چهره در گوشی‌های هوشمند و رایانه‌ها، ترجمه بین زبان‌های خارجی، سیستم‌هایی که ایمیل‌های اسپم را فیلتر می‌کنند و محتوای سمی را در رسانه‌های اجتماعی شناسایی می‌کنند، و حتی می‌تواند تومورهای سرطانی را تشخیص دهد. این نمونه ها به همراه تعداد بی شماری از برنامه های کاربردی موجود و در حال ظهور هوش مصنوعی، به آسان تر کردن زندگی روزمره مردم، به ویژه در کشورهای توسعه یافته، کمک می کند.تا اکتبر 2021، گزارش شد که 44 کشور برنامه های استراتژیک ملی هوش مصنوعی خود را دارند که نشان دهنده تمایل آنها برای پیشروی در رقابت جهانی هوش مصنوعی است. اینها شامل اقتصادهای نوظهور مانند چین و هند می شود که در ایجاد برنامه های ملی هوش مصنوعی در جهان در حال توسعه پیشرو هستند.

Oxford Insights، یک شرکت مشاوره که به سازمان‌ها و دولت‌ها در مورد مسائل مربوط به تحول دیجیتال مشاوره می‌دهد، آمادگی ۱۶۰ کشور در سراسر جهان را برای استفاده از هوش مصنوعی در خدمات عمومی رتبه‌بندی کرده است. ایالات متحده رتبه اول را در شاخص آمادگی هوش مصنوعی دولتی در سال 2021 دارد و پس از آن سنگاپور و بریتانیا قرار دارند.

شایان ذکر است، مناطق با کمترین امتیاز در این شاخص شامل بسیاری از کشورهای در حال توسعه، مانند جنوب صحرای آفریقا، کارائیب و آمریکای لاتین، و همچنین برخی از کشورهای آسیای مرکزی و جنوبی است.

جهان توسعه یافته دارای یک مزیت اجتناب ناپذیر در پیشرفت سریع در انقلاب هوش مصنوعی است. با ظرفیت اقتصادی بیشتر، این کشورهای ثروتمندتر طبیعتاً بهترین موقعیت را برای سرمایه گذاری های کلان در تحقیق و توسعه مورد نیاز برای ایجاد مدل های مدرن هوش مصنوعی دارند.

در مقابل، کشورهای در حال توسعه اغلب اولویت‌های فوری‌تری دارند، مانند آموزش، بهداشت، مراقبت‌های بهداشتی و تغذیه جمعیت که بر هر سرمایه‌گذاری قابل توجهی در تحول دیجیتالی غلبه می‌کنند. در این شرایط، هوش مصنوعی می تواند شکاف دیجیتالی را که از قبل بین کشورهای توسعه یافته و در حال توسعه وجود دارد، افزایش دهد.

هزینه های پنهان هوش مصنوعی مدرن

هوش مصنوعی به طور سنتی به عنوان “علم و مهندسی ساخت ماشین های هوشمند” تعریف می شود. برای حل مشکلات و انجام وظایف، مدل‌های هوش مصنوعی به طور کلی به اطلاعات گذشته نگاه می‌کنند و قوانینی را برای پیش‌بینی بر اساس الگوهای منحصربه‌فرد در داده‌ها یاد می‌گیرند.

هوش مصنوعی یک اصطلاح گسترده است که شامل دو حوزه اصلی است – یادگیری ماشینی و یادگیری عمیق. در حالی که یادگیری ماشین هنگام یادگیری از مجموعه داده های کوچکتر و به خوبی سازماندهی شده مناسب است، الگوریتم های یادگیری عمیق برای مشکلات پیچیده و دنیای واقعی مناسب تر هستند – به عنوان مثال، پیش بینی بیماری های تنفسی با استفاده از تصاویر اشعه ایکس قفسه سینه.

بسیاری از برنامه های کاربردی مدرن مبتنی بر هوش مصنوعی، از ویژگی ترجمه گوگل گرفته تا روش های جراحی به کمک ربات، از شبکه های عصبی عمیق استفاده می کنند. اینها نوع خاصی از مدل یادگیری عمیق هستند که بر اساس معماری مغز انسان بنا شده است.

مهمتر از همه، شبکه های عصبی تشنه داده هستند و اغلب به میلیون ها مثال نیاز دارند تا یاد بگیرند که چگونه یک کار جدید را به خوبی انجام دهند. این بدان معناست که در مقایسه با مدل‌های یادگیری ماشینی ساده‌تر، به زیرساخت پیچیده‌ای از ذخیره‌سازی داده و سخت‌افزار محاسباتی مدرن نیاز دارند. چنین زیرساخت های محاسباتی در مقیاس بزرگ عموماً برای کشورهای در حال توسعه غیرقابل استفاده است.

فراتر از قیمت گزاف، مسئله دیگری که به طور نامتناسبی بر کشورهای در حال توسعه تأثیر می گذارد، تلفات فزاینده ای است که این نوع هوش مصنوعی بر محیط زیست وارد می کند. به عنوان مثال، یک شبکه عصبی معاصر برای آموزش بیش از 150000 دلار هزینه دارد و حدود 650 کیلوگرم کربن در طول آموزش ایجاد می کند (مقایسه با یک پرواز فرا آمریکایی). آموزش یک مدل پیشرفته تر می تواند منجر به تقریباً پنج برابر کل انتشار کربن تولید شده توسط یک خودروی متوسط ​​در طول عمر آن شود.

کشورهای توسعه یافته از لحاظ تاریخی سهم عمده ای در افزایش انتشار کربن داشته اند، اما متأسفانه بار این انتشارات بیشتر بر دوش کشورهای در حال توسعه است. جنوب جهانی به طور کلی از بحران های زیست محیطی نامتناسبی مانند آب و هوای شدید، خشکسالی، سیل و آلودگی رنج می برد، تا حدی به دلیل ظرفیت محدود آن برای سرمایه گذاری در اقدامات اقلیمی.

کشورهای در حال توسعه همچنین از پیشرفت های هوش مصنوعی و همه خوبی هایی که می تواند به همراه داشته باشد – از جمله ایجاد تاب آوری در برابر بلایای طبیعی، کمترین بهره را می برند.

استفاده از هوش مصنوعی

در حالی که جهان توسعه یافته در حال پیشرفت سریع تکنولوژیک است، به نظر می رسد که جهان در حال توسعه در انقلاب هوش مصنوعی کمتر حضور دارد. و فراتر از رشد ناعادلانه، جهان در حال توسعه احتمالاً بیشترین عواقب زیست‌محیطی را متحمل می‌شود که مدل‌های هوش مصنوعی مدرن، که عمدتاً در کشورهای توسعه‌یافته مستقر هستند، ایجاد می‌کنند.

اما این همه خبر بد نیست. طبق یک مطالعه در سال 2020، هوش مصنوعی می تواند به دستیابی به 79 درصد از اهداف در چارچوب اهداف توسعه پایدار کمک کند. به عنوان مثال، هوش مصنوعی می‌تواند برای اندازه‌گیری و پیش‌بینی وجود آلودگی در منابع آب مورد استفاده قرار گیرد و در نتیجه فرآیندهای نظارت بر کیفیت آب را بهبود بخشد. این به نوبه خود می تواند دسترسی به آب سالم را در کشورهای در حال توسعه افزایش دهد.

مزایای هوش مصنوعی در جنوب جهانی می تواند بسیار زیاد باشد – از بهبود بهداشت، کمک به آموزش و ارائه مراقبت های پزشکی بهتر. این تغییرات تدریجی می تواند اثرات قابل توجهی داشته باشد. به عنوان مثال، بهبود خدمات بهداشتی در کشورهای در حال توسعه می تواند به جلوگیری از شیوع بیماری کمک کند.

اما اگر می‌خواهیم به ارزش واقعی “هوش مصنوعی خوب” دست یابیم، مشارکت عادلانه در توسعه و استفاده از این فناوری ضروری است. این بدان معناست که جهان توسعه یافته باید حمایت مالی و فناوری بیشتری را در انقلاب هوش مصنوعی به کشورهای در حال توسعه ارائه دهد. این حمایت باید بیشتر از کوتاه مدت باشد، اما مزایای قابل توجه و پایداری برای همه ایجاد خواهد کرد.