۴میدان جنگ برای هوش مصنوعی
جهان‌صنعت– پل شار، یک تکاور سابق ارتش ایالات متحده است که در عراق و افغانستان خدمت کرده است. او نویسنده کتاب «ارتشی از هیچ‌کس» است؛ اثری تحسین شده و برنده جوایزی که به موضوع سلاح‌های خودکار و آینده جنگ می‌پردازد. در حال حاضر او معاون اجرایی و مدیر مطالعات در مرکز امنیت نوین آمریکا (CNAS) است. مقاله زیر براساس متن سخنرانی پل شار در کنفرانس هوش‌مصنوعی دفتر ملی تحقیقات اقتصادی در تاریخ ۱۹سپتامبر ۲۰۲۴ در تورنتو است که براساس کتاب او با عنوان «چهار میدان جنگ» نوشته شده است.
«می‌خواهم بحث را با وضعیت فعلی هوش مصنوعی و رباتیک در جنگ‌ها آغاز کنم. من اوایل سال جاری در اوکراین بودم و این فرصت را داشتم که با توسعه‌دهندگان پهپادها، خلبانان پهپاد و رهبران دولت و نیروهای مسلح اوکراین ملاقات کنم. پهپادها در جنگ اوکراین توسط هر دو طرف به شدت استفاده می‌شوند اما بیشتر این پهپادها از راه دور هدایت می‌شوند. این بالطبع آنها را به ارتباط با اپراتورهای انسانی وابسته می‌کند. بدون این ارتباط، پهپاد بی‌فایده است. بنابراین هر دو طرف از جنگ الکترونیکی برای مختل کردن ارتباطات استفاده می‌کنند. در هر دو طرف مقدار زیادی اختلال سیگنال وجود دارد که منجر به نرخ بالای از دست دادن پهپادها شده است. هر دو طرف بهشدت در تلاش هستند تا راه‌هایی برای افزایش کارایی پهپادها در این محیط الکترو مغناطیسی بهشدت متنازع پیدا کنند. خودمختاری یک راه‌حل ممکن است. نیروهای مسلح اوکراین در حال کار بر روی آنچه که آنها «راه‌حل آخر مایل خودمختار» می‌نامند هستند که هدایت خودکار نهایی است تا پهپاد را پس از انتخاب هدف توسط اپراتور انسانی به سوی هدف هدایت کند. من فرصت داشتم که این را به طور عملی ببینم. ما به میدان تیر رفتیم و من دیدم که یکی از توسعه‌دهندگان پهپاد اوکراینی این «راه‌حل خودمختار آخر مایل» را به نمایش گذاشت. آنها به هدف قفل کردند. خلبان پهپاد دست‌های خود را از روی کنترل‌ها برداشت و خودکارسازی بقیه کار را انجام داد. خودکارسازی کنترل را برعهده گرفت و پهپاد به‌تنهایی به سمت هدف پرواز کرد و آن را زد. آنچه من دیدم بسیار فناوری ساده‌ای بود. این سیستم از هیچ‌گونه یادگیری ماشین پیچیده‌ای استفاده نمی‌کرد. اساسا هدف را قفل می‌کرد و پهپاد را به طور مداوم روی آن هدف متمرکز نگه می‌داشت در حالی که به سمت هدف حرکت می‌کرد.»
این کار توسط یک شرکت دفاعی پیشرفته انجام نشده است. در واقع این کار توسط یک فرد در گاراژ خودش انجام شده است. این نشان‌دهنده این است که این تکنولوژی چقدر به راحتی در دسترس است.
هرچه جنگ در اوکراین طولانی‌تر شود، احتمال بیشتری وجود دارد که شاهد نوآوری در هر دو طرف درگیری باشیم. جنگ یک عامل تسریع‌کننده نوآوری‌های نظامی است. ما ممکن است فقط چند ماه با استفاده از سلاح‌های خودمختار در اوکراین فاصله داشته باشیم، جایی که پهپادها با استفاده از هوش مصنوعی، حملات را کاملا به طور خودکار انجام می‌دهند بدون اینکه هیچ‌گونه دخالتی از انسان پس از پرتاب آنها صورت گیرد. ممکن است که این اتفاق قبلا افتاده باشد و ما هنوز از آن خبر نداشته باشیم. در واقع یکی از شرکت‌های اوکراینی ادعا کرده است که آنها قبلا یک سلاح کاملا خودمختار ساخته و به‌کار گرفته‌اند که در جنگ استفاده شده است، هرچند این ادعا به طور مستقل تایید نشده است. وضعیت به سرعت در حال تغییر است. شما می‌توانید مشاهده کنید که در واقع آنچه که در میدان جنگ در حال وقوع است، هنوز چندین سال از آخرین دستاوردهای هوش مصنوعی فاصله دارد. طبقه‌بندی کننده‌های تصویری مبتنی بر یادگیری ماشین اکنون بیش از ۱۰سال است که وجود دارند. این تکنولوژی قدیمی است. این حتی تغییرات کنونی در هوش مصنوعی را در نظر نمی‌گیرد. آنچه که امروز می‌خواهم با شما در میان بگذارم این است که به کجا می‌رویم. همه‌چیز در حوزه هوش مصنوعی با سرعت باورنکردنی در حال حرکت است. تغییرات عمیقی در حال وقوع است. من نمی‌دانم که آیا کسی می‌تواند با قطعیت بگوید که چه پیشرفتی در ۱۲ماه آینده، چه برسد به دهه آینده، خواهیم دید. مانند بسیاری از ما تصور می‌کنیم شما هم در حال تفکر عمیق درباره تغییراتی که در دنیای ما در حال وقوع است، هستید و سعی می‌کنید بهترین راه را برای پیش‌بینی چالش‌های پیشرو پیدا کنید. با توجه به این موضوع می‌خواهم به طور کلی‌تر درباره تغییرات بزرگ‌تری صحبت کنم که چگونه هوش مصنوعی در حال تغییر قدرت جهانی است.
چین
رهبر چین، شی جین‌پینگ گفته که «علم و فناوری تبدیل به میدان اصلی رقابت قدرت‌های جهانی شده است.» آیا کشورهای دموکراتیک برای این رقابت آماده‌اند؟ ۲۰۰ سال پیش در دوران انقلاب صنعتی شاهد بودیم که کشورهای مختلف براساس سرعت صنعتی‌سازی خود در سطح جهانی رشد و سقوط کردند. در آغاز انقلاب صنعتی، روسیه از نظر قدرت اقتصادی به دلیل وسعت زیاد خود در اروپا پیشرو بود اما بریتانیا و آلمان سریع‌تر صنعتی شدند و روسیه از آن زمان عقب ماند. تا ابتدای قرن۲۰ بریتانیا و آلمان از روسیه در قدرت اقتصادی پیشی گرفتند. هوش مصنوعی نیز پتانسیل مشابهی برای تغییر تعادل قدرت جهانی امروز دارد. ما می‌خواهیم باور کنیم که ما همان بریتانیا یا آلمان هستیم اما در دل خود ترس داریم که ممکن است مانند روسیه باشیم. و چین ممکن است در مسیر پیشرفت باشد تا رهبری جهان در زمینه هوش‌مصنوعی را به دست آورد.
جامعه باز
من قصد دارم داستانی را برایتان تعریف کنم که در ظاهر به نظر می‌رسد ما همان روسیه هستیم.اما همانطور که خواهید دید، اوضاع به اندازه‌ای که به نظر می‌رسد بد نیست. این داستان در مورد شناسایی چهره است و اینکه چگونه چین در استفاده از شناسایی چهره جلوتر از ایالات متحده و اروپاست. چین نیمی از یک‌میلیارد دوربین نظارتی جهان را در اختیار دارد و آنها به طور فزاینده‌ای از ابزارهای هوش مصنوعی مانند شناسایی چهره و شناسایی راه‌رفتن برای شناسایی و ردیابی افراد استفاده می‌کنند. حزب کمونیست چین در حال ساخت یک سیستم نظارتی داخلی عظیم است. این سرمایه‌گذاری‌ها نه‌تنها شرکت‌های هوش مصنوعی چین را تامین مالی می‌کنند بلکه مهم‌تر از آن، به شرکت‌های چینی داده‌هایی می‌دهند تا الگوریتم‌های خود را آموزش دهند.و با استفاده از سیستم‌های شناسایی چهره خود در دنیای واقعی، شرکت‌های چینی قادر به بهبود الگوریتم‌های خود هستند. در حالی که ایالات متحده به نظر می‌رسد که کاملا عقب است. استفاده از شناسایی چهره در ایالات‌متحده متوقف شده است. یک حرکت مردمی از شهرها و ایالت‌ها برای ممنوعیت استفاده از شناسایی چهره توسط نیروهای انتظامی به وجود آمده استIBM، آمازون و مایکروسافت همه اعلام کرده‌اند که نرم‌افزار شناسایی چهره خود را به نیروی انتظامی نخواهند فروخت.
در ظاهر به نظر می‌رسد که شاید ما مثل روسیه هستیم، و چین در حال پیشرفت است در حالی که ما عقب مانده‌ایم. به نظر می‌رسد که چین آماده است تا انقلاب هوش مصنوعی را برنده شود اما آنچه ممکن است متوجه نشویم این است که برنده انقلاب هوش مصنوعی نه کسی است که بهترین تکنولوژی را داشته باشد بلکه کسی است که بهترین روش‌ها را برای استفاده از آن پیدا کند. این به این معناست که از آن در هر جنبه‌ای از جامعه استفاده شود یعنی برای بهره‌وری اقتصادی، رفاه اجتماعی و کاربردهای نظامی.
بله، شرکت‌های چینی داده‌های بیشتری در مورد چهره‌های چینی دارند اما این به آنها در آموزش خلبانان جنگی هوش مصنوعی کمک نخواهد کرد.آنچه قرار است خلبانان جنگی هوش مصنوعی را آموزش دهد، شناسایی چهره نیست بلکه در واقع همکاری دانشمندان نظامی و غیرنظامی برای پیدا کردن بهترین روش‌ها برای استفاده از هوش‌مصنوعی به نفع نظامی است. ما نگرانیم که داشتن یک جامعه باز می‌تواند سرعت ما را کاهش دهد. چین نیم‌میلیارد دوربین نصب کرده در حالی که ما هنوز در حال بحث در مورد این موضوع هستیم.حزب کمونیست چین به سادگی می‌تواند تصمیم بگیرد که چگونه جامعه چین باید فناوری جدیدی را پذیرا شود. در حالی که در آمریکا، یک فرآیند پیچیده از تعامل میان مقامات ایالتی، محلی و فدرال، بخش خصوصی، جامعه مدنی و شهروندان عادی وجود دارد اما این در واقع یک نقطه قوت است زیرا آنچه که بیشترین اهمیت را دارد، پیدا کردن بهترین روش‌ها برای استفاده از فناوری است. ایالات متحده و اروپا در رقابت هوش مصنوعی دارای نقاط قوت اساسی هستند که چین نمی‌تواند با آنها رقابت کند –جوامع باز جذب‌کننده استعدادهای جهانی هستند و شبکه هم‌پیمانان بر اکوسیستم سخت‌افزار هوش مصنوعی تسلط دارند. اما باید از این نقاط قوت به درستی بهره‌برداری کرد.
کتاب من، «چهار میدان نبرد: قدرت در عصر هوش‌مصنوعی»، مواردی را که برای پیروزی ایالات‌متحده در انقلاب هوش مصنوعی و باقی ماندن به عنوان یک پیشگام جهانی در این زمینه نیاز است، بیان می‌کند. این امر نیازمند استراتژی است. ما لازم نیست همه چیز را انجام دهیم. فقط باید چند کار کلیدی را به درستی انجام دهیم تا از دیگران پیشی بگیریم. آنچه من در کتاب می‌گویم و آنچه می‌خواهم امروز با شما به اشتراک بگذارم این است که واقعا چه چیزهایی در این رقابت اهمیت دارد و چگونه ایالات‌متحده و اروپا می‌توانند پیروز شوند.
۴ میدان نبرد
اگر واقعا بخواهیم بفهمیم چگونه در قدرت هوش‌مصنوعی تسلط پیدا کنیم، ابتدا باید درک کنیم که هوش مصنوعی چگونه در حال تغییر قدرت جهانی است. بنابراین بیایید به انقلاب صنعتی بازگردیم. انقلاب صنعتی باعث تغییر در معیارهای اصلی قدرت شد .زغال‌سنگ و فولاد به نهادههای کلیدی قدرت ملی تبدیل شدند. نفت به یک منبع ژئوپلیتیکی تبدیل شد که کشورهای مختلف حاضر بودند برای آن جنگ‌های بزرگی را آغاز کنند. حالا «نفت جدید» چیست؟می‌خواهم استدلال کنم که داده‌ها، سخت‌افزار محاسباتی، استعداد انسانی و نهادها چهار میدان اصلی رقابت ژئوپلیتیکی در هوش‌مصنوعی هستند. دو مورد اول، داده‌ها و سخت‌افزار محاسباتی، نهادههای فنی در هوش‌مصنوعی هستند.
انقلاب هوش مصنوعی به دلیل پیشرفت‌های چشمگیر در یادگیری ماشین پیش می‌رود، جایی که الگوریتم‌ها براساس داده‌ها آموزش می‌بینند. داده‌ها، الگوریتم‌ها و سخت‌افزار محاسباتی سه منبع فنی مورد نیاز برای یادگیری ماشین هستند. کنترل گسترش الگوریتم‌ها دشوار است. جامعه تحقیقاتی هوش مصنوعی بسیار باز است و دستاوردهای جدید آنلاین منتشر می‌شوند. بنابراین هر مزیت رقابتی احتمالا از داده‌ها یا سخت‌افزار محاسباتی می‌آید. دو میدان دیگر رقابت در هوش مصنوعی، نرم‌افزار اجتماعی هستند که هوش مصنوعی را ممکن می‌سازد: استعداد انسانی و نهادها – سازمان‌هایی که پذیرش هوش مصنوعی را شکل می‌دهند-. هر شرکتی و کشوری که در این چهار حوزه پیشرو باشد، آینده‌ای مبتنی بر هوش مصنوعی را هدایت خواهد کرد.
داده‌ها
بگذارید در مورد داده‌ها صحبت کنیم. داده‌ها یک منبع ضروری برای یادگیری ماشین هستند. مدل‌های پیشرفته یادگیری ماشین از حجم عظیمی از داده‌ها استفاده می‌کنند. مدل‌های شناسایی تصویر از میلیون‌ها تصویر برچسب‌گذاری شده استفاده می‌کنند. مدل‌های زبان بزرگ مانند چت جی‌پی‌تی براساس تریلیون‌ها کلمه آموزش داده می‌شوند. پس آیا چین مزیت داده‌ای دارد؟ از نظر نظری، مزیت ادعایی چین در داده‌ها به دلیل جمعیت بزرگ‌تر و نظارت گسترده دولت است. این دو عامل درست هستند اما لزوما به مزیت داده‌ای نمی‌انجامند. برای شروع جمعیت یک کشور کمتر از میزان دسترسی شرکت‌های فناوری اهمیت دارد. شرکت‌های فناوری ایالات‌متحده دسترسی جهانی دارند. فیسبوک و یوتیوب هرکدام بیش از ۲میلیارد کاربر دارند. در حالی که وی‌چت تنها ۲/۱میلیارد کاربر دارد. در واقع به جز تیک‌تاک، پلتفرم‌های رسانه اجتماعی چین در خارج از چین با مشکلاتی برای موفقیت مواجه بوده‌اند و در حالی که حزب کمونیست چین سیستم نظارتی عظیمی برای نظارت بر شهروندان خود ساخته است، این همیشه به معنای دسترسی بیشتر به داده‌ها برای شرکت‌های چینی نیست. در برخی زمینه‌ها، مانند شناسایی چهره، احتمالا شرکت‌های چینی نسبت به رقبا مزیت دارند اما این لزوما به معنای برتری در زمینه هوش مصنوعی به طور کلی نیست.
در دیگر زمینه‌ها مانند مدل‌های زبان بزرگ، دولت چین هوش مصنوعی را بسیار بیشتر از دولت ایالات‌متحده تنظیم می‌کند. حزب کمونیست چین اینترنت را در داخل چین به شدت سانسور می‌کند و می‌خواهد آنچه مدل‌های زبان بزرگ ممکن است آنلاین بگویند را محدود کند.و در حالی که در چین هیچ محدودیتی برای جاسوسی دولت وجود ندارد، این وضعیت برای شرکت‌ها متفاوت است. در واقع دولت چین در حال محدود کردن آنچه شرکت‌های خصوصی می‌توانند انجام دهند است. حزب کمونیست چین نمی‌خواهد هیچ کس دیگری همان قدرت‌های جاسوسی که خود دارد را داشته باشد. هر دو ایالات متحده و چین به مقادیر زیادی داده دسترسی دارند. آنچه بیشتر اهمیت خواهد داشت، نحوه استفاده از این داده‌هاست.مزیت واقعی داده‌ها برای کسانی خواهد بود که در ایجاد یک خط لوله موفق برای جمع‌آوری و تصفیه داده‌ها به گونه‌ای که برای یادگیری ماشین آماده باشد، موفق عمل کنند. شرکت خودروی خودران وایمو یک مثال آموزنده است. آنها بیش از ۱۰میلیون مایل رانندگی بدون راننده دارند اما آنها همچنین ۲۰میلیارد مایل شبیه‌سازی انجام داده‌اند تا داده‌های لازم برای آموزش مدل‌های خود را جمع‌آوری کنند. برای سیستم‌های رباتیک استفاده از داده‌های مصنوعی برای تکمیل داده‌های دنیای واقعی می‌تواند به آموزش سیستم‌های مقاوم‌تر کمک کند. سازمان‌هایی که در استفاده از داده‌ها برای یادگیری ماشین موفق باشند، مزیت داده‌ای خواهند داشت.
سخت‌افزار
مدل‌های یادگیری ماشین براساس داده‌ها با استفاده از سخت‌افزار آموزش داده می‌شوند. حالا بیایید به بعد سخت‌افزاری این رقابت بپردازیم یعنی دومین میدان رقابت
هوش مصنوعی. اگر داده‌ها اغلب دست‌کم گرفته می‌شوند، سخت‌افزار به طور معمول به عنوان یک عامل استراتژیک کم‌ارزش ارزیابی می‌شود. از دهه۱۹۵۰ پیشرفت‌های سخت‌افزاری محاسبات تحت قانون مور قرار داشته است که هر ۲۴ماه یکبار عملکرد محاسباتی دوبرابر می‌شود. ممکن است شنیده باشید که قانون مور تمام شده است اما در واقع آنچه در حال حاضر اتفاق می‌افتد بسیار جالب‌تر است. از سال ۲۰۱۰ شاهد انفجار در سخت‌افزار محاسباتی برای یادگیری ماشین بوده‌ایم. میزان سخت‌افزار محاسباتی که برای آموزش پیشرفته‌ترین مدل‌های هوش مصنوعی استفاده می‌شود، هر شش ماه دو برابر می‌شود که بسیار سریع‌تر از نرخ دو برابر شدن ۲۴ماهه تحت قانون مور است و این ناشی از دو عامل است. اولا، تراشه‌ها همچنان بهتر می‌شوند. عملکرد قیمت یا عملکرد به ازای هر دلار برای
GPUهای یادگیری ماشین هر ۲۴ماه یکبار دو برابر می‌شود. علاوه بر این، شرکت‌های تکنولوژی مقادیر زیادی پول به این تراشه‌ها می‌ریزند. آنها تراشه‌های بیشتری خریداری کرده و آنها را برای اجرای آموزش‌های عظیم با استفاده از ده‌ها هزار تراشه به هم متصل می‌کنند. برآوردهای مستقل هزینه نهایی آموزش مدل جی‌پی‌تی چهار را حدود ۵۰میلیون دلار تخمین می‌زنند و هزینه آموزش پیشرفته‌ترین مدل‌ها هر ۱۰ماه یکبار دوبرابر می‌شود. اینها به‌علاوه این واقعیت است که تراشه‌ها خودشان هر ۲۴ماه دو برابر می‌شوند. پس شما یک تصاعد روی تصاعد دیگر دارید و این منجر به رشد عظیم در سخت‌افزار محاسباتی می‌شود.
علاوه بر این روندها در تراشه‌ها و هزینه‌ها در واقع یک تصاعد سوم هم وجود دارد که آن پیشرفت‌های الگوریتمی است. الگوریتم‌ها در کارایی سخت‌افزار بهبود می‌یابند. یعنی الگوریتم‌ها بهتر می‌شوند و این امکان را فراهم می‌آورد که از همان مقدار توان محاسباتی بهره‌وری بیشتری داشته باشیم.
اندازه‌گیری این کمی پیچیده‌تر است اما تحقیقات نشان می‌دهد که کارایی الگوریتمی هر ۸ یا ۹ ماه دو برابر می‌شود برای مدل‌های زبان بزرگ. پس هر ۸ یا ۹ ماه می‌توانید با همان میزان توان محاسباتی دوبرابر بیشتر قابلیت داشته باشید. این سه تصاعد که در عملکرد تراشه‌ها، هزینه‌ها و پیشرفت‌های الگوریتمی وجود دارند، موجب رشد باورنکردنی در قدرت محاسباتی برای پیشرفته‌ترین سیستم‌های هوش مصنوعی می‌شوند. اگر روندهای فعلی ادامه یابد، تا سال ۲۰۳۰ ما شاهد مدل‌های هوش‌مصنوعی خواهیم بود که با یک میلیون برابر قدرت محاسباتی موثرتر از وضعیت کنونی آموزش دیده‌اند. من نمی‌دانم این سیستم‌ها قادر به انجام چه کارهایی خواهند بود هیچ‌کس نمی‌داند اما این افزایش قدرت محاسباتی فرصت‌های جدیدی را باز خواهد کرد.
ما وارد عصری از یادگیری ماشین نیازمند محاسبات عظیم خواهیم شد، جایی که بزرگ‌ترین و توانمندترین مدل‌ها از مقادیر زیادی توان محاسباتی استفاده می‌کنند. این بدین معنی است که سخت‌افزار محاسباتی به طور فزاینده‌ای یک منبع استراتژیک است که تعیین می‌کند چه کسانی به پیشرفته‌ترین قابلیت‌های هوش مصنوعی دسترسی خواهند داشت. ما عادت داریم که تراشه‌های نیمه‌رسانا را به عنوان یک فناوری بنیادی در نظر بگیریم که تمام دستگاه‌های دیجیتال ما را از گوشی‌های همراه گرفته تا کارخانه‌ها توانمند می‌سازد اما روندهای یادگیری ماشین نیازمند محاسبات عظیم چیزی متفاوت را نشان می‌دهند. نیمه‌رساناها قرار است به یک دارایی استراتژیک جهانی تبدیل شوند، مانند دسترسی به اورانیوم غنی‌شده. این موضوع جهان را به کسانی که این دارایی را دارند و کسانی که ندارند تقسیم می‌کند. آنچه که سخت‌افزار محاسباتی را اینچنین ارزشمند می‌سازد این است که این یک چیز فیزیکی است که می‌توانیم استفاده از آن را برای دیگران محدود کنیم. و در حقیقت ایالات‌متحده و متحدانش در حال حاضر این کار را انجام می‌دهند. پنج کشور دسترسی به پیشرفته‌ترین تراشه‌ها را کنترل می‌کنند: تایوان و کره‌جنوبی جایی که پیشرفته‌ترین تراشه‌ها ساخته می‌شوند و همچنین هلند، ژاپن و ایالات متحده که تجهیزات لازم برای تولید پیشرفته‌ترین تراشه‌ها را می‌سازند. هلند و ژاپن به همراه ایالات متحده کنترل‌های صادراتی بر تجهیزات ساخت تراشه‌های هوش مصنوعی پیشرفته به چین اعمال کرده‌اند و دولت ایالات متحده ارسال تراشه‌های پیشرفته به چین را ممنوع کرده است. در کوتاه‌مدت، چین هیچ راه جایگزینی برای دریافت این تراشه‌ها ندارد. بدون دسترسی به تجهیزات لازم برای تولید تراشه‌ها، چین برای ساخت یک زنجیره تامین کاملا بومی باید مسیر سختی را طی کند. اتحادهای ما یک نقطه قوت اصلی هستند که چین نمی‌تواند در صورت همکاری ما با آن رقابت کند.
استعداد
افرادی نیاز هستند تا نهادههای خام داده‌ها و سخت‌افزار محاسباتی را به ابزارهای هوش مصنوعی مفید تبدیل کنند. بنابراین بیایید درباره میدان سوم رقابت، یعنی استعداد صحبت کنیم. رقابت شدیدی برای جذب استعدادهای جهانی وجود دارد. فارغ‌التحصیلان تازه‌کار از برنامه‌های دکترای هوش‌مصنوعی دستمزدهایی معادل با سطح ورزشکاران حرفه‌ای از آزمایشگاه‌های برتر هوش‌مصنوعی دریافت می‌کنند. در سطح جهانی، رقابت شدیدی میان کشورهای مختلف نیز وجود دارد. چین بیشتر از هر کشور دیگری بالاترین تعداد دانشمندان برتر هوش مصنوعی در جهان را تولید می‌کند اما این نکته وجود دارد که این دانشمندان چینی به چین بازنمی‌گردند. دانشجویان برتر چینی، چین را ترک کرده و به ایالات متحده و اروپا می‌روند تا در مقطع تحصیلات تکمیلی تحصیل کنند و آنها در خارج از چین می‌مانند. ۹۰درصد از دانشجویان کارشناسی‌ارشد چینی که دکترای هوش مصنوعی را در ایالات متحده می‌گذرانند، پس از فارغ‌التحصیلی در ایالات متحده می‌مانند. ایالات متحده و اروپا مزیت عظیمی در زمینه استعداد انسانی دارند که چین نمی‌تواند با آن رقابت کند. بله، مشکلاتی نظیر سرقت مالکیت معنوی و جاسوسی علمی وجود دارد. چین برنامه‌های جذب استعداد متعددی دارد که بیش از ۲۰۰برنامه تخمینی برای بازگرداندن دانش علمی خارجی به چین دارد و ما باید این مسائل را نظارت کنیم و امنیت تحقیقات را برای کاهش ریسک این جریان‌های استعداد بهبود بخشیم تا موانعی را برای ادامه روابط تحقیقاتی ایجاد کنیم.زیرا ایالات‌متحده و اروپا به طور نامتناسبی از این ارتباطات با پژوهشگران چینی بهره‌مند می‌شوند. حتی در حالی که با چین رقابت می‌کنیم، دنبال کردن استراتژی جداسازی کامل از چین در زمینه هوش مصنوعی راه‌حل مناسبی نیست. ایالات متحده، اروپا و دیگر متحدان دموکراتیک همچنین باید راه‌های بهتری برای بهره‌برداری از استعدادهای موجود پیدا کنند تا همکاری‌های علمی میان یکدیگر آسان‌تر شود. ایجاد چیزی مشابه ویزای شنگن برای دانشمندان هوش مصنوعی در میان کشورهای دموکراتیک، به منظور تسهیل سفر دانشمندان به خارج و انجام دوره‌های پژوهشی ممکن است یک راه هوشمندانه برای بهره‌برداری از نقاط قوت مشترک ما باشد. جامعه‌های باز ما و اتحادهای ما نقاط قوت اصلی در رقابت جهانی برای استعدادهای هوش‌مصنوعی هستند.
نهادها
پس شما داده‌ها، سخت‌افزار محاسباتی و استعداد را دارید . اگر می‌خواهید این نهادههای خام را به برنامه‌های کاربردی مفید هوش مصنوعی تبدیل کنید، به نهادهایی نیاز دارید که بتوانند این کار را انجام دهند. و این میدان چهارم است: سازمان‌های انسانی که قرار است نوآوری‌های هوش مصنوعی را توسعه دهند.می‌خواهم با یک داستان تمام کنم که نشان می‌دهد چطور همه اینها می‌تواند در کنار هم قرار بگیرد و موضوعی را که از آن آغاز کردیم، یعنی جنگ هوایی با استفاده از پهپادهای مجهز به هوش‌مصنوعی، دوباره به یاد بیاورد.در سال ۲۰۱۹، دارپا «دپارتمان دانشمندان دیوانه» پنتاگون برنامه‌ای به نام Air Combat Evolution یا ACE را برای آموزش یک خلبان جنگی هوش‌مصنوعی آغاز کرد. یکی از اولین تلاش‌های آنها یک چالش AlphaDogfight بود که از AlphaGo الهام گرفته شده بود. شرکت‌های مختلف نمایندگان هوش مصنوعی خود را برای شرکت در یک نبرد هوایی شبیه‌سازی شده ارسال کردند و رقابت‌کننده برنده حق داشت تا رو در رو با یک خلبان انسانی مبارزه کند. شرکت Heron Systems – شرکتی که هیچ‌کس قبلا نامش را نشنیده بود – در فینال‌ها، غول دفاعی Lockheed Martin را شکست داد. سپس آنها با یک خلبان جنگی باتجربه نیروی هوایی روبه‌رو شدند. و هوش‌مصنوعی به طور کامل انسان را شکست داد، ۱۵ به صفر. خلبان انسانی نتواست حتی یک شلیک بزند. حتی شگفت‌انگیزتر این است که خلبان هوش‌مصنوعی با استفاده از تاکتیکی که عملا برای انسان‌ها غیرممکن است، پیروز شد در حالی که هواپیماها با سرعت‌های بسیار زیاد به هم می‌رسیدند و تنها لحظه‌ای برای شلیک وجود داشت، هوش‌مصنوعی توانست شلیک‌های مستقیم انجام دهد. این عملا برای انسان‌ها غیرممکن است . در واقع این نوع شلیک در آموزش‌ها ممنوع است چون برای انسان‌ها خطرناک است و حتی ممکن است منجر به برخورد شود اما این برای هوش مصنوعی مشکلی نبود. عجیب‌تر اینکه خلبان هوش مصنوعی این تاکتیک را به طور کامل به طور خودآموز یاد گرفت. این تاکتیک در کد برنامه‌نویسی آن وارد نشده بود.
چطور Heron Systems این کار را انجام داد؟ آنها یک لیگ رقابتی از ۱۰۰عامل
هوش مصنوعی ساختند که با یکدیگر در شبیه‌سازی‌ها رقابت می‌کردند. بنابراین آنها داده‌های لازم را ساختند. عامل برنده بیش از ۳۰سال زمان پروازی در شبیه‌سازها داشت. این به آنها داده‌ها را داد. آنها زیرساخت محاسباتی لازم برای اجرای این شبیه‌سازی‌ها به طور مداوم را ساختند. در واقع وقتی من از دفاتر آنها بازدید کردم صدای غرش سرورهای کامپیوتری که در حال انجام شبیه‌سازی‌ها بودند از اتاق سرورشان به گوش می‌رسید. آنها از استعدادهای خود بهره بردند. یکی از سیاست‌های شرکت‌شان این بود که «جمعه‌های سرگرم‌کننده» داشتند، روزی که برنامه‌نویسان می‌توانستند روی پروژه‌های شخصی خود کار کنند. یکی از برنامه‌نویسان آنها به یادگیری تقویتی علاقه داشت، یک تکنیک که در تحقیقات هوش مصنوعی پیشرفت‌های قابل توجهی داشت و یک «ربات» Doom ساخت که بازی کامپیوتری Doom را بازی کند. این داستان تنها درباره یک شرکت نیست. داستان خلبان هوش مصنوعی به ما نشان می‌دهد که موفقیت چگونه به نظر می‌رسد و چگونه ایالات متحده و متحدانش قادر خواهند بود که در زمینه هوش مصنوعی رهبری کنند. با بهره‌گیری از داده‌ها، سخت‌افزار محاسباتی و استعدادها و ایجاد موسسات مورد نیاز برای یافتن بهترین روش‌ها جهت استفاده از هوش مصنوعی برای حفظ برتری ملی، می‌توان به موفقیت دست یافت. ایالات متحده، اروپا و سایر کشورهای دموکراتیک در این رقابت قوت‌های عظیمی دارند. اگر بتوانیم این قوت‌ها را به درستی بهره‌برداری کنیم، کشورهای دموکراتیک می‌توانند آینده‌ای مبتنی بر هوش مصنوعی را رهبری کنند.
