چرا “هوش زنده” بزرگترین تحول بعدی است

نویسنده: امی وب

مترجم: دکتر ایمان مستشارنظامی

۶ ژانویه ۲۰۲۵

خلاصه
هوش مصنوعی تنها یک جنبه از تغییرات تکنولوژیکی گسترده ای است که در حال وقوع است و شرکت هایی که اهمیت دیگر فناوری های همگرا را درک نکنند، ممکن است عقب بمانند. دو فناوری دیگر، حسگرهای پیشرفته و زیست فناوری، کمتر دیده می شوند، اما اهمیت کمتری ندارند و به آرامی در حال پیشرفت هستند. به زودی، همگرایی این سه فناوری، واقعیت جدیدی را پایه ریزی خواهد کرد که تصمیمات آینده ی هر رهبری در صنایع مختلف را شکل خواهد داد. این واقعیت جدید “هوش زنده” نام دارد: سیستم هایی که می توانند احساس کنند، یاد بگیرند، سازگار شوند و تکامل یابند، و این امر با استفاده از هوش مصنوعی، حسگرهای پیشرفته و زیست فناوری ممکن می شود. هوش زنده چرخه ای از نوآوری های فزاینده را به حرکت در خواهد آورد، صنایع را متحول خواهد کرد و بازارهای کاملا جدیدی ایجاد خواهد نمود. رهبرانی که تنها بر هوش مصنوعی تمرکز کنند و از تاثیرات همگرایی این دو فناوری دیگر غافل شوند، در واقع موج جدیدی از تحول را که در حال شکل گیری است، از دست خواهند داد.

به تازگی در در مقابل تیم رهبری اجرایی یک شرکت جهانی خدمات مراقبت های بهداشتی نشسته بودم و می توانستم از زبان بدن آن ها متوجه شوم که چیزی درست نیست.. آنها مرا برای مشاوره در خصوص استراتژی هوش مصنوعی شان دعوت کرده بودند، اما به نظر می رسید که کمی حالت تدافعی داشتند. مدیر ارشد اطلاعات، که فردی باهوش و آگاه در زمینه فناوری های نوظهور بود، با توضیح مفصل درباره مدل زبانی بزرگ جدیدشان صحبت را آغاز کرد. این مدل واقعا شگفت انگیز بود. مدل آن ها فرایند فوق العاده پیچیده ورود داده ها که کوهی از فرم های دست نویس بیماران و ترکیبی آشفته از فایل های دیجیتال را خودکار کرده بود و آن ها را در یک پرونده منسجم و واحد گرد آورده بود. آن ها بیش از یک سال زمان را صرف توسعه و آزمایش این مدل کرده بودند و به درستی به این موفقیت افتخار می کردند. اما با توجه به توضیحاتی که در مورد راه اندازی آن دادند، واضح بود که آن ها از رقبا عقب مانده اند.

گفتم: “شما پایه و اساس فوق العاده ای ساخته اید، اما این فقط خط شروع است.”

انرژی در اتاق تغییر کرد. این واکنشی نبود که آن ها انتظار داشتند. این شرکتی بود که سرمایه گذاری زیادی در هوش مصنوعی کرده بود، یک سیستم پیچیده ساخته بود و یک پایلوت موفق راه اندازی کرده بود. مانند بسیاری از تیم های رهبری اجرایی دیگر که سال گذشته را صرف ساخت و پیاده سازی ابزارهای هوش مصنوعی کرده اند، آن ها فکر می کردند که کارشان تمام شده است. در واقع، تحول آن ها تازه آغاز شده بود. هوش مصنوعی تنها یک جنبه از تغییرات تکنولوژیکی گسترده ای است که در حال وقوع است و شرکت هایی که اهمیت دیگر فناوری های همگرا را درک نکنند، ممکن است عقب بمانند.عصر هوش زنده

در طول ملاقات با تیم اجرایی شرکت، اذعان کردم که مانند بسیاری از رهبران، تمرکز شدید اخیر بر روی هوش مصنوعی، اگرچه با تاخیر، حرکت درستی بود. با این حال، مدل های زبان بزرگ تنها نقطه شروع بودند. با توجه به پیشرفت های جدیدی که با سرعت بسیار زیاد در حال وقوع است، شرکت نیاز به ایجاد یک توانمندی جدید برای تحول مداوم خواهد داشت. چرا که هوش مصنوعی تنها یکی از سه فناوری پیشگامانه ای است که چشم انداز کسب وکار را تغییر می دهد. دو مورد دیگر – حسگرهای پیشرفته و زیست فناوری – کمتر دیده می شوند، اما اهمیت کمتری ندارند و به آرامی در حال پیشرفت هستند. به زودی، همگرایی این سه فناوری، واقعیت جدیدی را پایه ریزی خواهد کرد که تصمیمات آینده ی مدیران را در صنایع مختلف شکل خواهد داد.

من این واقعیت جدید را “هوش زنده” می نامم: سیستم هایی که می توانند احساس کنند، یاد بگیرند، سازگار شوند و تکامل یابند، و این توانایی ها با کمک هوش مصنوعی، حسگرهای پیشرفته و زیست فناوری ممکن می شود. هوش زنده چرخه ای تصاعدی از نوآوری را به حرکت درخواهد آورد، صنایع را متحول خواهد کرد و بازارهای کاملا جدیدی ایجاد خواهد کرد. رهبرانی که تنها بر هوش مصنوعی تمرکز کنند، بدون درک نقاط تلاقی آن با این دو فناوری دیگر، ممکن است موج تحولاتی را که در حال شکل گیری است از دست بدهند.موتور “همه چیز” به داده های شما نیاز دارد

اگر هوش مصنوعی همان موتور همه چیز است، این موتور به داده ها نیاز دارد. به احتمال زیاد، بخش عمده ای از این داده ها از حسگرهای پیشرفته و شبکه ای از دستگاه های متصل به هم به دست می آید که برای تسهیل و پیشرفت هوش مصنوعی، داده ها را مبادله و منتقل می کنند. این عملکرد دلیل آن است که حسگرها، فناوری معمول و عمومی آینده هستند و این مهم حقیقتی است که بسیاری از رهبران در حال حاضر از آن غافل هستند.

بیشتر مردم متوجه نیستند که حسگرها در حال حاضر همه جا هستند و در صنایع متعددی مورد استفاده قرار می گیرند. این غفلت قابل درک است؛ ما اغلب بدون فکر کردن در مورد فناوری ها از آن ها استفاده می کنیم. اما وقتی شروع به جست وجو می کنید، متوجه می شوید که حسگرها همه جا هستند. به عنوان مثال، آیفون بیش از دوازده حسگر دارد، از حسگرهای مجاورت برای تشخیص اشیاء نزدیک گرفته تا حسگرهای شناسایی چهره برای تایید هویت کاربر.

همه این حسگرها به طور مداوم در حال جمع آوری و پردازش داده های شما هستند. شرکت Xylem که در زمینه فناوری آب فعالیت می کند، یک نوع جدید از کنتور آب طراحی کرده است که از حسگرهای پیشرفته و هوش مصنوعی برای مدیریت چالش های توزیع آب در مناطق پرجمعیت استفاده می کند. این کنتورها به طور مداوم جریان آب را اندازه گیری کرده و داده های دقیقی درباره الگوهای مصرف ارائه می دهند؛ همچنین می توانند ناهنجاری هایی در جریان آب، مانند کاهش فشار یا الگوهای مصرف نامنظم که معمولا ناشی از نشت هستند، شناسایی کنند.

در همین حال، دسته جدیدی از حسگرهای زیستی وجود دارند که قابل پوشیدن و خورده شدن هستند. هدف آنها ارسال و دریافت داده ها به صورت زنده و مستقیم و در زمان واقعی برای تشخیص و نظارت بر بیماری ها، تشخیص عوامل بیماری زا و امکان بهبودی سریع تر است. یکی از این حسگرهای زیستی شامل زیرمجموعه ای از ماشین های بسیار کوچک به نام نانوبات هاست که پس از تزریق به جریان خون، قادرند وضعیت سلامت بیمار را به صورت لحظه ای رصد کنند. این نانوبات ها مانند سیستم های نظارت داخلی عمل می کنند و می توانند تغییرات در محرک های محیطی و شرایط بدن را تشخیص داده و امکان نظارت مداوم بر سلامت و تشخیص زودهنگام مشکلات احتمالی سلامتی را فراهم کنند.

با افزایش حسگرهای اطراف ما، آن ها نه تنها داده های بیشتری، بلکه انواع بیشتری از داده ها را ضبط و منتقل خواهند کرد. در حالی که سازمان ها مشغول ایجاد و استفاده از مدل های زبان بزرگ هستند، به زودی نیاز به ساخت مدل های اقدام بزرگ (LAM) خواهند داشت. اگر مدل های زبان بزرگ پیش بینی می کنند که چه چیزی را باید بعدا گفت، مدل های اقدام بزرگ پیش بینی می کنند که چه کاری باید بعدا انجام شود و وظایف پیچیده را به قطعات کوچکتر تقسیم می کنند. بر خلاف مدل های زبان بزرگ که در درجه اول محتوای تولید می کنند، مدل های اقدام بزرگ برای اجرای وظیفه بهینه شده اند و به آن ها این امکان را می دهند که بر اساس دستورات خاص تصمیم گیری های آنی و در زمان حال بگیرند. این مدل ها در سازمان هایی از هر اندازه و با هر حوزه ای بسیار مفید خواهند بود.

اولین نمونه های مدل های اقدام بزرگ، Claude از Anthropicو ACT-1از Adept.aiهستند. هر دو برای تعامل مستقیم با کد و ابزارهای دیجیتال و انجام اقدامات در برنامه های نرم افزاری مانند مرورگر وب طراحی شده اند. مدل های اقدام بزرگ مانند مدل های زبان بزرگ هستند، اما با داده های بیشتر و نیازهای چندوجهی کار می کنند.

آن ها از داده های رفتاری که هنگام استفاده از تلفن هایمان یا رانندگی با وسایل نقلیه خود تولید می کنیم، همراه با مجموعه ای از حسگرها در همه جا، در اطراف ما، که جریان های متعدد داده را به طور همزمان از دستگاه های پوشیدنی، دستگاه های واقعیت افزوده، اینترنت اشیاء، خانه های هوشمند، اتومبیل های هوشمند، دفاتر هوشمند و آپارتمان های هوشمند جمع آوری می کنند، استفاده خواهند کرد. با ادغام بیشتر مدل های اقدام بزرگ در محیط های ما، آن ها به طور یکپارچه و اغلب بدون دخالت مستقیم کاربران عمل خواهند کرد.

آنچه بسیاری از سازمان ها در تصور آن ناتوان هستند این است که چگونه مدل های اقدام بزرگ به مدل های اقدام بزرگ شخصی (PLAM) تکامل خواهند یافت و در نهایت با سیستم های مختلف تعامل خواهند داشت، از داده های وسیع یاد خواهند گرفت و با نیازهای متغیر تجاری سازگار خواهند شد.

مدل های اقدام شخصی (PLAMها) توانایی بهبود تجربیات دیجیتال، مجازی و فیزیکی ما را از طریق ساده سازی تصمیم گیری، مدیریت وظایف، مذاکره در معاملات و پیش بینی نیازهای ما بر اساس داده های رفتاری خواهند داشت. آن ها به ورودی آگاهانه ای از سوی کاربر نیاز نخواهند داشت. این عوامل خودمختار قادر خواهند بود توصیه های شخصی شده ارائه دهند، خریدها را بهینه کنند و با سایر عوامل قابل اعتماد ارتباط برقرار کنند، که امکان انجام تراکنش های روان و یکپارچه را فراهم می کند – همه این ها در حالی که حریم خصوصی و ترجیحات کاربر حفظ می شود، زیرا PLAMها به طور ذاتی به تمامی داده های کاربر موجود در دستگاه های شخصی دسترسی دارند.

در آینده نزدیک، شرکت هایی مانند اپل یا گوگل انگیزه خواهند داشت تا حسگرهای هوشمند بیشتری را در دستگاه های خود تعبیه کنند تا به طور مداوم داده های شخصی مانند معیارهای سلامت، داده های مکانی و اطلاعات مربوط به عادات روزانه را جمع آوری و تحلیل کنند. همه این داده ها برای ایجاد پروفایل های کاملا فردی شده ای استفاده خواهند شد که به مدل های زبانی و عملی شخصی پیوند می خورند و به طور خاص برای نیازها و ترجیحات هر کاربر سازگار می شوند.

در حالی که افراد از مدل های اقدام شخصی (PLAMها) بهره مند خواهند شد، شرکت ها نیز دارای یک یا چند مدل اقدام بزرگ شرکتی (CLAMها) خواهند بود و دولت های پیشرو در حوزه دیجیتال نیز از مدل های اقدام بزرگ دولتی (GLAMها) بهره مند خواهند شد.هوش مصنوعی در تقاطع با هوش ارگانوئیدی

سومین فناوری عمومی هدفمند در حوزه هوش زنده، مهندسی زیستی است. این حوزه با بکارگیری تکنیک های مهندسی برای ساخت سیستم ها و محصولات بیولوژیکی، مانند میکروارگانیسم های طراحی شده که برای انجام وظایف خاص مهندسی می شوند، می پردازد. در حال حاضر، این فناوری ممکن است به سادگی نادیده گرفته شود، اما در بلندمدت، می تواند به عنوان مهم ترین فناوری عمومی هدفمند شناخته شود. با ترکیب مهندسی زیستی و هوش مصنوعی، می توان به “زیست شناسی مولد” (genBio) دست یافت. زیست شناسی مولد از داده ها، محاسبات و هوش مصنوعی برای پیش بینی یا خلق بینش های جدید بیولوژیکی بهره می برد. این حوزه به تولید اجزای بیولوژیکی جدید، مانند پروتئین ها، ژن ها و حتی ارگانیسم های کامل، از طریق شبیه سازی و پیش بینی رفتار و تعامل عناصر بیولوژیکی می پردازد.

“در حال حاضر، می توان شاهد پتانسیل های این فناوری بود. شرکت هایی نظیر Ginkgo Bioworks از زیست شناسی مولد (genBio) برای طراحی و تولید آنزیم های سفارشی بهره می گیرند که در فرآیندهای صنعتی کاربرد دارند. به عنوان مثال، الگوریتم های مولد به مهندسی آنزیم هایی کمک می کنند که قادر به تجزیه مولکول های پیچیده مانند پلاستیک یا سایر آلاینده ها هستند. DeepMind متعلق به گوگل، سیستم AlphaProteo را ایجاد کرده است. این سیستم قادر به طراحی پروتئین های کاملا جدید با خواص ویژه است که در حوزه های مختلفی مانند بیومواد و توسعه دارو کاربرد خواهد داشت. پروژه دیگری از DeepMind به نام GNoME (شبکه های گرافیکی برای اکتشاف مواد) توانسته است پایداری میلیون ها ماده معدنی جدید را پیش بینی کند. تصور کنید ساختمانی از موادی ساخته شده باشد که به طور خودکار و بدون نیاز به دخالت رایانه یا انسان، قادر به تنظیم دما، نور و تهویه باشد.

در آینده ای دورتر، هوش زنده می تواند به خلق ماشین های زنده منجر شود. هوش ارگانوئیدی (OI) در سال 2024 به عنوان یک حوزه علمی نوظهور معرفی گردید. در این حوزه، از بافت های کشت شده در آزمایشگاه، مانند سلول های مغزی و سلول های بنیادی، برای ایجاد رایانه های بیولوژیکی استفاده می شود که ساختار و عملکرد مغز انسان را تقلید می کنند. ارگانوئید در واقع یک نسخه کوچک و مشابه از بافت های بدن است که عملکردی مشابه اندام های بدن را دارد. در سال 2021، محققان آزمایشگاه کورتیکال در ملبورن استرالیا، موفق به ساخت یک مغز ارگانوئیدی مینیاتوری شدند که عملکردی مشابه یک رایانه داشت. آن ها این مغز را “DishBrain” نامگذاری کردند، آن را به الکترودها متصل نمودند و به آن آموزش دادند تا بازی ویدئویی دهه 1980 به نام پونگ را انجام دهد. DishBrain از حدود یک میلیون سلول زنده مغزی انسان و موش که بر روی یک شبکه میکروالکتریکی کشت شده اند تشکیل شده است.

این شبکه قادر به دریافت سیگنال های الکتریکی می باشد. این سیگنال ها به نورون ها اطلاعاتی در مورد موقعیت توپ در بازی پونگ را منتقل می کنند و سلول ها به این سیگنال ها پاسخ می دهند. با افزایش تعداد دفعات بازی، عملکرد سیستم بهبود می یابد. در حال حاضر، آزمایشگاه کورتیکال در حال توسعه نوع جدیدی از نرم افزار، یعنی یک سیستم عامل هوش بیولوژیکی است. این سیستم عامل به افراد با مهارت های اولیه برنامه نویسی اجازه خواهد داد تا DishBrain شخصی خود را برنامه ریزی کنند.چگونه سازمان خود را برای موفقیت آماده کنید

اگرچه هوش زنده ممکن است ایده ای آینده نگرانه به نظر برسد، مدیران عامل و رهبران تجاری آینده نگر نمی توانند تنها به انتظار آن بنشینند. هم اکنون شاهد نشانه هایی از همگرایی در فناوری های هوش زنده در صنایع پیشرو هستیم. پذیرش اولیه این فناوری ها به طور فشرده در صنایعی مانند داروسازی، محصولات پزشکی، مراقبت های بهداشتی، فضا، ساخت وساز و مهندسی، کالاهای مصرفی بسته بندی شده و کشاورزی در حال وقوع است. اما به زودی این کاربردها به سایر صنایع نیز گسترش خواهند یافت و فرصت های جدیدی را در صنایعی مانند خدمات مالی ایجاد خواهند کرد. با پیوستن صنایع بیشتر به این حوزه، نوآوری به طور گسترده تری منتشر شده و تاثیرات چندجانبه بیشتری ایجاد خواهد کرد.

با پیشرفت هر یک از این فناوری ها، شاهد پیشرفت های ترکیبی و شتابان خواهیم بود. در ادامه، پنج توصیه برای اقدام با دقت و فوریت ارائه می شود::

• 1. مفهوم هوش زنده را برای کل سازمان روشن کنید. رهبران ارشد باید با مفهوم هوش زنده، به ویژه نحوه تعامل هوش مصنوعی، داده های حسگرهای پیشرفته و مهندسی زیستی، آشنا شوند.

• 2. سناریوهای عملی برای اختلال و خلق ارزش جدید را تدوین کنید. رهبران باید سناریوهای کوتاه مدت و بلندمدت را برای استفاده و مقیاس بندی فناوری ها، فرآیندها و محصولات مبتنی بر هوش زنده تدوین نمایند. شرکت ها باید با استفاده از بینش استراتژیک، درک کنند که چگونه اکوسیستم در حال تحول هوش زنده می تواند بر محصولات و فرآیندهای موجود آن ها تاثیر بگذارد.

• 3. دو یا سه مورد استفاده با تاثیر بالا را شناسایی کنید و اقدام نمایید. رهبران باید موارد استفاده خاصی را تعیین کنند که در آن ها هوش زنده می تواند بیشترین تاثیر را داشته باشد. با انتخاب پروژه های آزمایشی با بیشترین پتانسیل مقیاس پذیری، رهبران می توانند پذیرش هوش زنده را تسریع بخشیده و شروع به ادغام این فناوری ها در جریان کارهای روزمره نمایند

• 4. متعهد به توسعه نقش ها، مهارت ها و قابلیت های ضروری شوید. هوش زنده نیازمند تغییر رویکرد در کل سازمان است. اولویت بندی آموزش و پروژه های آزمایشی برای آماده سازی کارکنان جهت کارآمدی در کنار این فناوری ها ضروری است. همچنین، ایجاد دسته های شغلی جدید و شرح وظایف متناسب با نیروی کار آینده نیز امری حیاتی است.

• 5. تغییرات مقررات را رصد کنید و برای عدم قطعیت سیاست ها آماده باشید. هوش زنده قطعا منجر به نوآوری های جدید خواهد شد و نیازمند چابکی بی سابقه ای از سوی شرکت ها خواهد بود، به ویژه با توجه به رویکرد پراکنده و نامنظم مقررات فعلی. رهبران باید به سازمان خود اجازه دهند تا با محصولات و فرآیندهای جدید آزمایش کنند و اطمینان حاصل کنند که آینده سازمان توسط خودشان شکل داده می شود، نه اینکه مجبور به سازگاری با نوآوری های خارجی یا واکنش به تغییرات مقرراتی باشند.

شاید ارزشمندترین توصیه ای که می توانم بدهم این باشد که به سادگی بپرسید: “چه می شد اگر؟” در جلسه بعدی با تیم اجرایی یک شرکت بهداشت و درمان، از آنها خواستم سناریوهایی را بررسی کنند که چگونه کسب وکار آنها در دهه آینده با بلوغ هوش زنده تغییر خواهد کرد. اگر یک بسته اشتراکی “تضمین سلامت” وجود داشت که شامل حسگرهای پوشیدنی، تشخیص های مبتنی بر هوش مصنوعی و تحویل داروهای شخصی سازی شده بود، چه می شد؟

اگر تامین کنندگان سنتی کاملا کنار گذاشته می شدند و استارتاپ ها از هوش مصنوعی و داده های حسگر برای ارائه راهکارهای سلامت شخصی شده مستقیما به مصرف کنندگان استفاده می کردند، چه می شد؟

اگر حمام امروز، آزمایشگاه تشخیصی فردا بود، چه می شد؟ اگر داده های آنی به گزارش های آنی در مورد نتایج بیماران منجر می شد، چه می شد؟ آیا قیمت گذاری مبتنی بر نتیجه وجود داشت؟ یعنی آیا تامین کنندگان بر اساس اثربخشی درمان های خود دستمزد می گرفتند؟ تمام این ها نشان دهنده یک تغییر بزرگ در ایجاد ارزش هستند.

به تیمی که به آن ها مشاوره دادم توصیه کردم که:

“از تمرکز صرف بر هوش مصنوعی به شکل کنونی آن اجتناب کنند. دیدگاه جامع تری نسبت به تغییرات در حال وقوع اتخاذ نمایند و سازمان خود را برای ورود به عصر هوش زنده آماده سازند.

چرا “هوش زنده” بزرگترین تحول بعدی است

نویسنده: امی وب

مترجم: دکتر ایمان مستشارنظامی