كان عام 2022 هو العام الذي انفجر فيه الذكاء الاصطناعي التوليدي (AI) في الوعي العام، وكان عام 2023 هو العام الذي بدأ فيه ترسيخ جذوره في عالم الأعمال. وبالتالي، سيكون عام 2024 عامًا محوريًا لمستقبل الذكاء الاصطناعي، حيث يسعى الباحثون والمؤسسات إلى تحديد كيف يمكن دمج هذه القفزة التطورية في التكنولوجيا بشكل عملي في حياتنا اليومية.

لقد عكس تطور الذكاء الاصطناعي التوليدي تطور أجهزة الكمبيوتر، وإن كان ذلك على جدول زمني متسارع بشكل كبير. أفسحت أجهزة الكمبيوتر المركزية الضخمة التي يتم تشغيلها مركزيًا من عدد قليل من اللاعبين المجال لآلات أصغر حجمًا وأكثر كفاءة في متناول الشركات والمؤسسات البحثية. وفي العقود التي تلت ذلك، أسفرت التطورات الإضافية عن أجهزة كمبيوتر منزلية يمكن للهواة التلاعب بها. ومع مرور الوقت، أصبحت أجهزة الكمبيوتر الشخصية القوية ذات الواجهات البديهية التي لا تحتوي على تعليمات برمجية موجودة في كل مكان.

لقد وصل الذكاء الاصطناعي التوليدي بالفعل إلى مرحلة "الهواة"، وكما هو الحال مع أجهزة الكمبيوتر، يهدف المزيد من التقدم إلى تحقيق أداء أفضل في حزم أصغر. شهد عام 2023 انفجارًا في الكفاءة المتزايدة نماذج الأساس بتراخيص مفتوحة، بدءًا من إطلاق عائلة Meta's LlaMa من نماذج اللغات الكبيرة (LLMs) وتبعها أمثال StableLM، وFalcon، وMistral، و اللاما 2. حققت DeepFloyd وStable Diffusion تكافؤًا نسبيًا مع النماذج الرائدة المملوكة. بفضل تقنيات الضبط الدقيق ومجموعات البيانات التي طورها مجتمع المصادر المفتوحة، يمكن للعديد من النماذج المفتوحة الآن أن تتفوق في الأداء على جميع النماذج مغلقة المصدر باستثناء أقوى النماذج في معظم المعايير، على الرغم من عدد المعلمات الأصغر بكثير.

ومع تسارع وتيرة التقدم، فإن القدرات المتزايدة باستمرار للنماذج الحديثة ستحظى بأكبر قدر من اهتمام وسائل الإعلام. لكن التطورات الأكثر تأثيرًا قد تكون تلك التي تركز على الحوكمة والبرمجيات الوسيطة وتقنيات التدريب وخطوط البيانات التي تجعل الذكاء الاصطناعي التوليدي أكثر فعالية. جدير بالثقة, استدامة ويمكن الوصول إليها للمؤسسات والمستخدمين النهائيين على حدٍ سواء.

فيما يلي بعض اتجاهات الذكاء الاصطناعي الحالية المهمة التي يجب الانتباه إليها في العام المقبل.

• التحقق من الواقع: توقعات أكثر واقعية
• متعدد الوسائط AI
• نماذج اللغة الصغيرة والتطورات مفتوحة المصدر
• نقص GPU والتكاليف السحابية
• أصبح تحسين النموذج أكثر سهولة
• نماذج محلية مخصصة وخطوط أنابيب البيانات
• وكلاء افتراضيون أكثر قوة
• التنظيم وحقوق النشر والمخاوف الأخلاقية لمنظمة العفو الدولية
• Shadow AI (وسياسات الذكاء الاصطناعي للشركات)

التحقق من الواقع: توقعات أكثر واقعية

عندما وصل الذكاء الاصطناعي التوليدي إلى مستوى الوعي الجماهيري لأول مرة، كانت معرفة قائد الأعمال النموذجي تأتي في الغالب من المواد التسويقية والتغطية الإخبارية المثيرة. الخبرة الملموسة (إن وجدت) اقتصرت على العبث بـ ChatGPT وDALL-E. والآن بعد أن انقشع الغبار، أصبح لدى مجتمع الأعمال الآن فهم أكثر دقة للحلول التي تعمل بالذكاء الاصطناعي.

تضع دورة Gartner Hype Cycle الذكاء الاصطناعي التوليدي في "ذروة التوقعات المتضخمة"، على أعتاب الانزلاق إلى "قاع خيبة الأمل"[أنا]- بمعنى آخر، على وشك الدخول في فترة انتقالية مخيبة للآمال (نسبيًا) - في حين أشار تقرير ديلويت "حالة الذكاء الاصطناعي المولد في المؤسسة" للربع الأول من عام 1 إلى أن العديد من القادة "يتوقعون تأثيرات تحويلية كبيرة على المدى القصير".[الثاني] من المرجح أن يقع الواقع بينهما: يوفر الذكاء الاصطناعي التوليدي فرصًا وحلولًا فريدة من نوعها، لكنه لن يكون كل شيء للجميع.

إن كيفية مقارنة نتائج العالم الحقيقي بالضجيج هي مسألة منظور جزئيًا. عادةً ما تحتل الأدوات المستقلة مثل ChatGPT مركز الصدارة في المخيلة الشعبية، لكن التكامل السلس مع الخدمات القائمة غالبًا ما يؤدي إلى مزيد من القدرة على البقاء. قبل دورة الضجيج الحالية، لم يتم الإعلان عن أدوات التعلم الآلي التوليدية مثل ميزة "التأليف الذكي" التي طرحتها Google في عام 2018 باعتبارها نقلة نوعية، على الرغم من كونها نذيرًا لخدمات إنشاء النصوص اليوم. وبالمثل، يتم تنفيذ العديد من أدوات الذكاء الاصطناعي التوليدية عالية التأثير كعناصر متكاملة في بيئات المؤسسة التي تعزز وتكمل الأدوات الحالية، بدلاً من إحداث ثورة فيها أو استبدالها: على سبيل المثال، ميزات "Copilot" في Microsoft Office، وميزات "Generativefill" في Adobe فوتوشوب أو الوكلاء الظاهريون في تطبيقات الإنتاجية والتعاون.

عندما يقوم الذكاء الاصطناعي التوليدي أولاً ببناء الزخم في سير العمل اليومي، سيكون له تأثير أكبر على مستقبل أدوات الذكاء الاصطناعي من الجانب الإيجابي الافتراضي لأي قدرات محددة للذكاء الاصطناعي. وفقا لآخر استطلاع IBM لأكثر من 1,000 موظف في الشركات على مستوى المؤسسات، كانت أهم ثلاثة عوامل تدفع إلى اعتماد الذكاء الاصطناعي هي التقدم في أدوات الذكاء الاصطناعي التي تجعلها أكثر سهولة، والحاجة إلى خفض التكاليف وأتمتة العمليات الرئيسية والكم المتزايد من الذكاء الاصطناعي المضمن في تطبيقات الأعمال القياسية الجاهزة.

المتعدد الوسائط الذكاء الاصطناعي (والفيديو)

ومع ذلك، فإن طموح الذكاء الاصطناعي المتطور آخذ في الازدياد. لن تركز الموجة التالية من التطورات على تحسين الأداء في مجال معين فحسب، بل ستركز أيضًا على ذلك متعدد الوسائط عارضات ازياء التي يمكن أن تأخذ أنواعًا متعددة من البيانات كمدخلات. في حين أن النماذج التي تعمل عبر طرائق البيانات المختلفة ليست ظاهرة جديدة تمامًا - نماذج تحويل النص إلى صورة مثل CLIP ونماذج تحويل الكلام إلى نص مثل Wave2Vec موجودة منذ سنوات - إلا أنها تعمل عادةً في اتجاه واحد فقط، و تم تدريبهم على إنجاز مهمة محددة.

يمكن للجيل القادم من النماذج متعددة التخصصات، التي تشمل نماذج خاصة مثل GPT-4V من OpenAI أو Gemini من Google، بالإضافة إلى نماذج مفتوحة المصدر مثل LLaVa أو Adept أو Qwen-VL، أن تتحرك بحرية بين معالجة اللغة الطبيعية (NLP) ومهام رؤية الكمبيوتر. نماذج جديدة تجلب أيضا الفيديو في الحظيرة: في أواخر يناير، أعلنت Google عن Lumiere، وهو نموذج لنشر النص إلى الفيديو يمكنه أيضًا تنفيذ مهام تحويل الصورة إلى الفيديو أو استخدام الصور كمرجع للأسلوب.

الميزة الأكثر إلحاحًا للذكاء الاصطناعي متعدد الوسائط هي تطبيقات الذكاء الاصطناعي والمساعدات الافتراضية الأكثر سهولة وتنوعًا. يمكن للمستخدمين، على سبيل المثال، السؤال عن صورة والحصول على إجابة باللغة الطبيعية، أو السؤال بصوت عالٍ للحصول على تعليمات لإصلاح شيء ما وتلقي مساعدات بصرية إلى جانب تعليمات نصية خطوة بخطوة.

على مستوى أعلى، يسمح الذكاء الاصطناعي متعدد الوسائط للنموذج بمعالجة مدخلات البيانات الأكثر تنوعًا، وإثراء وتوسيع المعلومات المتاحة للتدريب والاستدلال. يوفر الفيديو، على وجه الخصوص، إمكانات كبيرة للتعلم الشامل. يقول بيتر نورفيج، زميل التعليم المتميز في معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان (HAI): "هناك كاميرات تعمل على مدار الساعة طوال أيام الأسبوع، وهي تلتقط ما يحدث تمامًا كما يحدث دون أي تصفية، ودون أي قصد". .[ثالثا] "لم يكن لدى نماذج الذكاء الاصطناعي هذا النوع من البيانات من قبل. سيكون لهذه النماذج فهم أفضل لكل شيء.

نماذج اللغة الصغيرة والتطورات مفتوحة المصدر

في النماذج الخاصة بالمجال - وخاصة ماجستير إدارة الأعمال - من المحتمل أننا وصلنا إلى نقطة تناقص العائدات من أعداد المعلمات الأكبر. سام ألتمان، الرئيس التنفيذي لشركة OpenAI (الذي يُشاع أن نموذج GPT-4 الخاص به يحتوي على حوالي 1.76) تريليون المعلمات) ، تم اقتراحه كثيرًا في حدث Imagination in Action الذي نظمه معهد ماساتشوستس للتكنولوجيا في أبريل الماضي: "أعتقد أننا في نهاية العصر حيث ستكون هذه النماذج العملاقة، وسنقوم بتحسينها بطرق أخرى،" كما توقع. . "أعتقد أنه كان هناك الكثير من التركيز على عدد المعلمات."

لقد أطلقت النماذج الضخمة هذا العصر الذهبي المستمر للذكاء الاصطناعي، لكنها لا تخلو من العيوب. الشركات الكبرى فقط هي التي تمتلك الأموال ومساحة الخادم اللازمة لتدريب وصيانة النماذج المتعطشة للطاقة مع مئات المليارات من المعلمات. وفقًا لأحد التقديرات من جامعة واشنطن، فإن تدريب نموذج واحد بحجم GPT-3 يتطلب سنويا استهلاك الكهرباء لأكثر من 1,000 أسرة؛ يوم قياسي من استفسارات ChatGPT ينافس استهلاك الطاقة اليومي لـ 33,000 أسرة أمريكية.[الرابع]

وفي الوقت نفسه، فإن النماذج الأصغر حجمًا أقل استهلاكًا للموارد بكثير. مؤثر ورقة مارس 2022 أثبتت شركة Deepmind أن تدريب النماذج الأصغر حجمًا على المزيد من البيانات يؤدي إلى أداء أفضل من تدريب النماذج الأكبر حجمًا على بيانات أقل. وبالتالي فإن الكثير من الابتكارات الجارية في ماجستير إدارة الأعمال ركزت على تحقيق مخرجات أكبر من خلال عدد أقل من المعلمات. كما يتضح من التقدم الأخير للنماذج في نطاق 3-70 مليار معلمة، لا سيما تلك المبنية على نماذج LLaMa وLlama 2 وMistral الأساسية في عام 2023، يمكن تقليص حجم النماذج دون التضحية كثيرًا بالأداء.

سوف تستمر قوة النماذج المفتوحة في النمو. في ديسمبر من عام 2023، أصدرت ميسترال أغنية "Mixtral"، أ خليط من الخبراء (وزارة التربية والتعليم) نموذج يدمج 8 شبكات عصبية، كل منها تحتوي على 7 مليار معلمة. تدعي ميسترال أن Mixtral لا يتفوق فقط على متغير المعلمة 70B لـ Llama 2 في معظم المعايير بسرعات استدلال أسرع 6 مرات، ولكنه يطابق أو يتفوق على OpenAI بعيدا أكبر GPT-3.5 في معظم المعايير القياسية. بعد ذلك بوقت قصير، أعلنت Meta في يناير أنها بدأت بالفعل في تدريب نماذج Llama 3، وأكدت أنها ستكون مفتوحة المصدر. على الرغم من عدم تأكيد التفاصيل (مثل حجم النموذج)، فمن المعقول أن نتوقع أن تتبع Llama 3 الإطار الذي تم وضعه في الجيلين السابقين.

هذه التطورات في النماذج الأصغر لها ثلاث فوائد مهمة:

• أنها تساعد على إضفاء الطابع الديمقراطي على الذكاء الاصطناعي: تعمل النماذج الأصغر التي يمكن تشغيلها بتكلفة أقل على أجهزة يسهل الوصول إليها على تمكين المزيد من الهواة والمؤسسات من دراسة النماذج الحالية وتدريبها وتحسينها.
• ويمكن تشغيلها محليًا على الأجهزة الأصغر حجمًا: وهذا يسمح بذكاء اصطناعي أكثر تطوراً في سيناريوهات مثل الحوسبة المتطورة وإنترنت الأشياء (IoT). علاوة على ذلك، فإن تشغيل النماذج محليًا - كما هو الحال على الهاتف الذكي الخاص بالمستخدم - يساعد في تجنب العديد من مخاوف الخصوصية والأمن السيبراني التي تنشأ من التفاعل مع البيانات الشخصية أو بيانات الملكية الحساسة.
• إنها تجعل الذكاء الاصطناعي أكثر قابلية للتفسير: كلما كان النموذج أكبر، كلما زادت صعوبة تحديد كيفية ومكان اتخاذ القرارات المهمة. شرح منظمة العفو الدولية يعد أمرًا ضروريًا لفهم مخرجات أنظمة الذكاء الاصطناعي وتحسينها والثقة بها.

نقص GPU والتكاليف السحابية

وسيكون الاتجاه نحو النماذج الأصغر مدفوعًا بالضرورة بقدر ما يكون مدفوعًا بقوة ريادة الأعمال، مع زيادة تكاليف الحوسبة السحابية مع انخفاض توفر الأجهزة.

يقول جيمس لانداي، نائب المدير ومدير قسم الأبحاث بجامعة ستانفورد هاي: "تحاول الشركات الكبرى (والمزيد منها) جلب قدرات الذكاء الاصطناعي داخل الشركة، وهناك القليل من الركض على وحدات معالجة الرسوميات". "سيخلق هذا ضغطًا هائلاً ليس فقط لزيادة إنتاج وحدة معالجة الرسومات، ولكن أيضًا للمبتكرين للتوصل إلى حلول أجهزة أرخص وأسهل في التصنيع والاستخدام."¹

كما يوضح تقرير O'Reilly الصادر في أواخر عام 2023، يتحمل مقدمو الخدمات السحابية حاليًا الكثير من عبء الحوسبة: عدد قليل نسبيًا من مستخدمي الذكاء الاصطناعي يحتفظون بالبنية التحتية الخاصة بهم، ولن يؤدي نقص الأجهزة إلا إلى زيادة العقبات وتكاليف إعداد الخوادم المحلية. على المدى الطويل، قد يؤدي ذلك إلى فرض ضغط تصاعدي على تكاليف السحابة حيث يقوم مقدمو الخدمة بتحديث البنية التحتية الخاصة بهم وتحسينها لتلبية الطلب من الذكاء الاصطناعي المولد بشكل فعال.[الخامس]

بالنسبة للمؤسسات، يتطلب التنقل في هذا المشهد غير المؤكد المرونة، فيما يتعلق بكلا النموذجين - الاعتماد على نماذج أصغر وأكثر كفاءة عند الضرورة أو نماذج أكبر وأكثر أداء عندما تكون عملية - وبيئة النشر. قال أرفيند كريشنا، الرئيس التنفيذي لشركة IBM، في مؤتمر صحفي: "لا نريد تقييد المكان الذي ينشر فيه الأشخاص [النموذج]". مقابلة ديسمبر 2023 مع CNBC، في إشارة إلى شركة IBM واتسونكس منصة. "لذلك [إذا] أرادوا نشره على سحابة عامة كبيرة، فسنفعل ذلك هناك. إذا أرادوا نشره في IBM، فسنفعل ذلك في IBM. إذا أرادوا القيام بذلك بمفردهم، وكان لديهم ما يكفي من البنية التحتية، فسنفعل ذلك هناك».

أصبح تحسين النموذج أكثر سهولة

إن الاتجاه نحو تعظيم أداء النماذج الأكثر إحكاما يتم تقديمه بشكل جيد من خلال المخرجات الأخيرة لمجتمع المصادر المفتوحة. 

العديد من التطورات الرئيسية كانت (وستظل) مدفوعة ليس فقط بنماذج أساسية جديدة، ولكن أيضًا بتقنيات وموارد جديدة (مثل مجموعات البيانات مفتوحة المصدر) للتدريب أو التغيير والتبديل أو الضبط الدقيق أو مواءمة النماذج المدربة مسبقًا. تشمل التقنيات الملحدة للنماذج البارزة التي ظهرت في عام 2023 ما يلي:

• التكيف مع الرتبة المنخفضة (LoRA): بدلاً من الضبط المباشر للمليارات من معلمات النموذج، يستلزم LoRA تجميد أوزان النماذج المدربة مسبقًا وحقن طبقات قابلة للتدريب - والتي تمثل مصفوفة التغييرات في أوزان النماذج بمقدار 2 أصغر (رتبة أقل) المصفوفات - في كل كتلة المحولات. يؤدي هذا إلى تقليل عدد المعلمات التي تحتاج إلى تحديث بشكل كبير، مما يؤدي بدوره إلى تسريع عملية الضبط بشكل كبير وتقليل الذاكرة اللازمة لتخزين تحديثات النموذج.
• توضيح: مثل خفض معدل البت للصوت أو الفيديو لتقليل حجم الملف وزمن الوصول، فإن التكميم يقلل من الدقة المستخدمة لتمثيل نقاط بيانات النموذج - على سبيل المثال، من نقطة عائمة 16 بت إلى عدد صحيح 8 بت - لتقليل استخدام الذاكرة وتسريع الاستدلال. كلورا تجمع التقنيات بين التكميم مع LoRA.
• تحسين التفضيل المباشر (DPO): تستخدم نماذج الدردشة عادة التعلم المعزز من التغذية الراجعة البشرية (RLHF) لمواءمة مخرجات النموذج مع التفضيلات البشرية. على الرغم من قوته، إلا أن RLHF معقد وغير مستقر. يعد DPO بفوائد مماثلة مع كونه خفيف الوزن من الناحية الحسابية وأبسط إلى حد كبير.

إلى جانب التقدم الموازي في النماذج مفتوحة المصدر في مساحة تتراوح من 3 إلى 70 مليار معلمة، يمكن لهذه التقنيات المتطورة أن تغير ديناميكيات مشهد الذكاء الاصطناعي من خلال تزويد اللاعبين الصغار، مثل الشركات الناشئة والهواة، بقدرات الذكاء الاصطناعي المتطورة التي كانت بعيدة المنال في السابق.

نماذج محلية مخصصة وخطوط أنابيب البيانات

وبالتالي، يصبح بوسع الشركات في عام 2024 أن تسعى إلى تحقيق التمايز من خلال تطوير نماذج مفصلة حسب الطلب، بدلاً من بناء أغلفة حول خدمات مُعاد تجميعها من "الذكاء الاصطناعي الكبير". مع الإطار الصحيح للبيانات والتطوير، يمكن تصميم نماذج وأدوات الذكاء الاصطناعي مفتوحة المصدر الحالية لتناسب أي سيناريو في العالم الحقيقي تقريبًا، بدءًا من استخدامات دعم العملاء وحتى إدارة سلسلة التوريد وحتى تحليل المستندات المعقدة.

تتيح النماذج مفتوحة المصدر للمؤسسات الفرصة لتطوير نماذج ذكاء اصطناعي مخصصة وقوية - يتم تدريبها على بيانات الملكية الخاصة بها وضبطها بدقة لتناسب احتياجاتها الخاصة - بسرعة، دون الحاجة إلى استثمارات باهظة التكلفة في البنية التحتية. وهذا مهم بشكل خاص في مجالات مثل الشؤون القانونية أو الرعاية الصحية أو المالية، حيث ربما لم يتم تعلم المفردات والمفاهيم المتخصصة للغاية من خلال النماذج التأسيسية في التدريب المسبق.

تعد الشؤون القانونية والمالية والرعاية الصحية أيضًا من الأمثلة الرئيسية للصناعات التي يمكن أن تستفيد من نماذج صغيرة بما يكفي لتشغيلها محليًا على أجهزة متواضعة. الحفاظ على تدريب الذكاء الاصطناعي والاستدلال و الجيل المعزز للاسترجاع (RAG) يتجنب موقع local مخاطر استخدام بيانات الملكية أو المعلومات الشخصية الحساسة لتدريب النماذج مغلقة المصدر أو تمريرها إلى أطراف ثالثة. واستخدام RAG للوصول إلى المعلومات ذات الصلة بدلاً من تخزين كل المعرفة مباشرة داخل LLM نفسها يساعد في تقليل حجم النموذج، وزيادة السرعة وخفض التكاليف.

مع استمرار عام 2024 في تحقيق تكافؤ الفرص في مجال النماذج، ستكون الميزة التنافسية مدفوعة بشكل متزايد بخطوط البيانات الخاصة التي تتيح الضبط الأفضل في الصناعة.

وكلاء افتراضيون أكثر قوة

بفضل الأدوات الأكثر تطورًا وفعالية وملاحظات السوق المتاحة على مدار عام كامل، أصبحت الشركات مستعدة لتوسيع حالات الاستخدام الوكلاء الظاهريون أبعد من مجرد واضحة روبوتات الدردشة لتجربة العملاء.

مع تسريع أنظمة الذكاء الاصطناعي ودمج تدفقات وتنسيقات جديدة من المعلومات، فإنها توسع إمكانيات ليس فقط التواصل ومتابعة التعليمات، ولكن أيضًا أتمتة المهام. "كان عام 2023 هو عام القدرة على الدردشة مع الذكاء الاصطناعي. يقول نورفيج من جامعة ستانفورد: "لقد أطلقت العديد من الشركات شيئًا ما، ولكن التفاعل كان دائمًا أنك تكتب شيئًا ما ثم يقوم هو بكتابة شيء ما مرة أخرى". "في عام 2024، سنرى قدرة الوكلاء على إنجاز الأمور نيابةً عنك. قم بالحجز، والتخطيط لرحلة، والاتصال بالخدمات الأخرى.

يعمل الذكاء الاصطناعي متعدد الوسائط، على وجه الخصوص، على زيادة فرص التفاعل السلس مع الوكلاء الافتراضيين بشكل كبير. على سبيل المثال، بدلاً من مجرد طلب الوصفات من الروبوت، يمكن للمستخدم توجيه الكاميرا نحو الثلاجة المفتوحة وطلب الوصفات التي يمكن إعدادها بالمكونات المتاحة. Be My Eyes، وهو تطبيق جوال يربط الأفراد المكفوفين وضعاف البصر بالمتطوعين للمساعدة في المهام السريعة، يقوم بتجريب أدوات الذكاء الاصطناعي التي تساعد المستخدمين على التفاعل مباشرة مع محيطهم من خلال الذكاء الاصطناعي متعدد الوسائط بدلاً من انتظار متطوع بشري.

اكتشف IBM watsonx™ Assistant: الذكاء الاصطناعي للمحادثة الرائد في السوق مع التكامل السلس للأدوات التي تدعم أعمالك →

التنظيم وحقوق النشر والمخاوف الأخلاقية لمنظمة العفو الدولية

كما أن القدرات المرتفعة للوسائط المتعددة وانخفاض الحواجز أمام الدخول تفتح أبوابًا جديدة لإساءة الاستخدام: التزييف العميق، وقضايا الخصوصية، وإدامة التحيز، وحتى التهرب من ضمانات اختبار CAPTCHA، قد يصبح من السهل على نحو متزايد على الجهات الفاعلة السيئة. في يناير من عام 2024، ظهرت موجة من التزييف العميق الصريح للمشاهير على وسائل التواصل الاجتماعي؛ أشارت الأبحاث التي أجريت في مايو 2023 إلى أنه تم نشر 8 أضعاف عدد التزييفات الصوتية العميقة عبر الإنترنت مقارنة بالفترة نفسها من عام 2022.[السادس]

وقد يؤدي الغموض الذي يحيط بالبيئة التنظيمية إلى إبطاء تبني هذه السياسات، أو على الأقل تنفيذها بشكل أكثر جرأة، على المدى القصير إلى المتوسط. هناك خطر متأصل في أي استثمار كبير لا رجعة فيه في التكنولوجيا أو الممارسة الناشئة التي قد تتطلب إعادة تجهيز كبيرة - أو حتى تصبح غير قانونية - في أعقاب التشريعات الجديدة أو الرياح السياسية المعاكسة المتغيرة في السنوات المقبلة.

في ديسمبر 2023، وصل الاتحاد الأوروبي اتفاق مؤقت بشأن قانون الذكاء الاصطناعي. ومن بين التدابير الأخرى، فهو يحظر الاستخلاص العشوائي للصور لإنشاء قواعد بيانات للتعرف على الوجه، وأنظمة تصنيف القياسات الحيوية التي تنطوي على احتمال التحيز التمييزي، وأنظمة "التسجيل الاجتماعي" واستخدام الذكاء الاصطناعي للتلاعب الاجتماعي أو الاقتصادي. ويسعى أيضًا إلى تحديد فئة أنظمة الذكاء الاصطناعي "عالية المخاطر"، والتي من المحتمل أن تهدد السلامة أو الحقوق الأساسية أو سيادة القانون، والتي ستخضع لرقابة إضافية. وعلى نحو مماثل، فهو يحدد متطلبات الشفافية لما يطلق عليه أنظمة "الذكاء الاصطناعي للأغراض العامة (GPAI)" ــ النماذج الأساسية ــ بما في ذلك الوثائق الفنية واختبار الخصومة النظامية.

ولكن في حين أن بعض اللاعبين الرئيسيين، مثل ميسترال، يقيمون في الاتحاد الأوروبي، فإن أغلبية التطوير الرائد للذكاء الاصطناعي تحدث في أمريكا، حيث يتطلب التشريع الموضوعي للذكاء الاصطناعي في القطاع الخاص اتخاذ إجراءات من الكونجرس ــ وهو ما قد يكون غير مرجح في عام الانتخابات. في 30 أكتوبر، أصدرت إدارة بايدن أمرًا أمر تنفيذي شامل وتفصيل 150 متطلبات لاستخدام تقنيات الذكاء الاصطناعي من قبل الوكالات الفيدرالية؛ قبل أشهر، قامت الإدارة بتأمين الالتزامات التطوعية من مطوري الذكاء الاصطناعي البارزين الالتزام بأسوار معينة من أجل الثقة والأمن. ومن الجدير بالذكر أن كلاً من كاليفورنيا وكولورادو تعملان بنشاط على متابعة تشريعاتهما الخاصة فيما يتعلق بحقوق خصوصية بيانات الأفراد فيما يتعلق بالذكاء الاصطناعي.

تحركت الصين بشكل أكثر استباقية نحو فرض قيود رسمية على الذكاء الاصطناعي، فحظرت التمييز في الأسعار من خلال خوارزميات التوصية على وسائل التواصل الاجتماعي، وفرضت وضع علامات واضحة على المحتوى الناتج عن الذكاء الاصطناعي. وتسعى اللوائح التنظيمية المرتقبة بشأن الذكاء الاصطناعي التوليدي إلى اشتراط أن تكون بيانات التدريب المستخدمة لتدريب طلاب ماجستير الإدارة والمحتوى الذي يتم إنشاؤه لاحقًا بواسطة النماذج "حقيقية ودقيقة"، وهو ما اتخذه الخبراء للإشارة إلى تدابير الرقابة على مخرجات ماجستير إدارة الأعمال.

وفي الوقت نفسه، فإن دور المواد المحمية بحقوق الطبع والنشر في تدريب نماذج الذكاء الاصطناعي المستخدمة لتوليد المحتوى، من نماذج اللغة إلى مولدات الصور ونماذج الفيديو، لا يزال يمثل قضية محل نزاع ساخن. نتيجة رفيعة المستوى الدعوى المرفوعة من قبل نيويورك تايمز ضد OpenAI قد يؤثر بشكل كبير على مسار تشريعات الذكاء الاصطناعي. أدوات الخصومة، مثل الصقيل و نوع من الباذنجان- كلاهما تم تطويرهما في جامعة شيكاغو - وقد نشأا فيما يمكن أن يصبح سباق تسلح بين المبدعين ومطوري النماذج.

 تعرف على كيفية قيام IBM® watsonx.governance™ بتسريع مسارات عمل الذكاء الاصطناعي المسؤولة والشفافة والقابلة للتفسير ←

Shadow AI (وسياسات الذكاء الاصطناعي للشركات)

بالنسبة للشركات، تتفاقم هذه الاحتمالية المتصاعدة للعواقب القانونية أو التنظيمية أو الاقتصادية أو المتعلقة بالسمعة بسبب مدى شعبية أدوات الذكاء الاصطناعي التوليدية وسهولة الوصول إليها. يجب ألا يكون لدى المؤسسات سياسة مؤسسية دقيقة ومتماسكة ومفصلة بوضوح حول الذكاء الاصطناعي التوليدي فحسب، بل يجب أيضًا أن تكون حذرة منه الظل AI: الاستخدام الشخصي "غير الرسمي" للذكاء الاصطناعي في مكان العمل من قبل الموظفين.

يُطلق على Shadow AI أيضًا اسم "shadow IT" أو "BYOAI"، وينشأ عندما يبحث الموظفون الذين نفد صبرهم عن حلول سريعة (أو ببساطة يرغبون في استكشاف تكنولوجيا جديدة بشكل أسرع مما تسمح به سياسة الشركة الحذرة) بتنفيذ الذكاء الاصطناعي التوليدي في مكان العمل دون المرور بتكنولوجيا المعلومات للحصول على الموافقة أو الإشراف. . العديد من الخدمات التي تواجه المستهلك، وبعضها مجاني، تسمح حتى للأفراد غير التقنيين بالارتجال في استخدام أدوات الذكاء الاصطناعي التوليدية. في إحدى الدراسات التي أجرتها شركة Ernst & Young، قال 90% من المشاركين أنهم يستخدمون الذكاء الاصطناعي في العمل.[السابع]

يمكن أن تكون روح المغامرة هذه رائعة في فراغ، ولكن الموظفين المتحمسين قد يفتقرون إلى المعلومات أو المنظور ذي الصلة فيما يتعلق بالأمان أو الخصوصية أو الامتثال. وهذا يمكن أن يعرض الشركات لقدر كبير من المخاطر. على سبيل المثال، قد يقوم أحد الموظفين عن غير قصد بإدخال الأسرار التجارية إلى نموذج الذكاء الاصطناعي الذي يواجه الجمهور والذي يتدرب باستمرار على مدخلات المستخدم، أو يستخدم مواد محمية بحقوق الطبع والنشر لتدريب نموذج خاص لتوليد المحتوى وتعريض شركته لإجراءات قانونية.

وكما هو الحال مع العديد من التطورات الجارية، فإن هذا يسلط الضوء على كيفية ارتفاع مخاطر الذكاء الاصطناعي التوليدي بشكل خطي تقريبًا مع قدراته. مع القوة العظيمة تأتي المسؤولية العظيمة.

التحرك إلى الأمام

بينما نمضي خلال عام محوري في مجال الذكاء الاصطناعي، يعد فهم الاتجاهات الناشئة والتكيف معها أمرًا ضروريًا لتعظيم الإمكانات وتقليل المخاطر وتوسيع نطاق اعتماد الذكاء الاصطناعي التوليدي بشكل مسؤول.

استخدم الذكاء الاصطناعي التوليدي للعمل مع Watsonx™ →

تعرف على كيف يمكن لشركة IBM تمكينك من البقاء في صدارة اتجاهات الذكاء الاصطناعي →

[أنا] "تضع جارتنر الذكاء الاصطناعي التوليدي في ذروة التوقعات المتضخمة في دورة الضجيج لعام 2023 للتقنيات الناشئة،" جارتنر، 16 أغسطس 2023

[الثاني] "تقرير حالة الذكاء الاصطناعي التوليدي لشركة ديلويت في الربع الأول من مؤسسة Enteprrise،" ديلويت، يناير 2024

[ثالثا] "ما يمكن توقعه في الذكاء الاصطناعي في عام 2024،" جامعة ستانفورد، 8 ديسمبر 2023

[الرابع] "أسئلة وأجوبة: يناقش الباحث في جامعة ويسكونسن مقدار الطاقة التي يستخدمها ChatGPT،" جامعة واشنطن، 27 يوليو 2023

[الخامس] "الذكاء الاصطناعي التوليدي في المؤسسة" أورايلي، 28 نوفمبر 2023

[السادس] "التزييف العميق: انتخابات أمريكا لعام 2024 تتزامن مع طفرة الذكاء الاصطناعي" رويترز، 30 مايو 2023

[السابع] "كيف يمكن للمؤسسات إيقاف الارتفاع الكبير في استخدام الذكاء الاصطناعي من إثارة القلق" إرنست ويونغ، ديسمبر 2023