مدیرعامل فندر: همکاری انسانی در موسیقی در واقع نوعی هوش مصنوعی آنالوگ است

تصور کنید یک نوازنده ساعت‌ها وقت می‌گذارد تا آهنگ محبوبش را دقیقاً شبیه نسخه اصلی بنوازد؛ از نظر ادوارد «باد» کول، مدیرعامل شرکت فندر (Fender)، این عمل دقیقاً همان کاری است که هوش مصنوعی انجام می‌دهد. او معتقد است انسان‌ها و ماشین‌ها در مسیر خلق هنر، هر دو از یک سازوکار بنیادین پیروی می‌کنند.

طبق گزارش نشریه T3، کول در مصاحبه‌ای به مناسبت ۷۵امین سالگرد مدل Telecaster استدلال کرد که نوازندگان با درونی کردن آثار دیگران، در نهایت چیزی جدید خلق می‌کنند. این دیدگاه در حالی مطرح می‌شود که فندر در لحظه‌ای بسیار پرتلاطم قرار دارد و با خشم شدید جامعه گیتاریست‌ها روبروست. این شرکت در حال حاضر با موجی از انتقادات شدید و آنچه «آتشی از روابط عمومی بد» نامیده می‌شود، دست‌ و پنجه نرم می‌کند. دلیل این اتفاق، ارسال نامه‌های توقف فعالیت (Cease-and-desist) برای سازندگان مستقل است؛ فندری که مدعی مالکیت کپی‌رایت بدنه مدل Stratocaster شده است. در واکنش به این تاکتیک‌های حقوقی، برخی از گیتاریست‌های تاثیرگذار در یوتیوب علناً سوگند یاد کرده‌اند که از خرید تجهیزات فندر دست بکشند. در این میان، بازتاب دوباره نظرات کول درباره هوش مصنوعی، جایگاه این شرکت در میان طرفداران پرشور آنلاینش بیش از پیش تخریب کرده است.

کول در مصاحبه با مت گالاگر، سردبیر T3، هوش مصنوعی را نه یک پدیده جدید، بلکه امتداد سنت‌های موسیقایی می‌بیند. او ادعا می‌کند که «هوش مصنوعی تا زمانی که موسیقی ضبط‌شده وجود داشته، در این هنر حضور داشته است.»

او دو مانع اصلی در نوازندگی را «زمان یادگیری ساز» و «توانایی آهنگسازی» می‌داند. کول معتقد است هوش مصنوعی زاینده (Generative AI) — مثل دستیاری که میلیون‌ها قطعه موسیقی را شنیده و حالا می‌تواند الگوهای آن‌ها را بازسازی کند — در عبور از شکاف دوم، یعنی آهنگسازی، نقش حیاتی دارد. رویکرد کول به استفاده از AI در موسیقی را می‌توان نمونه‌ای از تلاش برای تبدیل قابلیت‌های ابزاری به یک استراتژی عملیاتی دانست؛ موضوعی که در بررسی چارچوب‌های گذار از قابلیت‌های تزئینی به استراتژی واقعی هوش مصنوعی به طور مفصل تحلیل شده است. او برای تایید این حرف، تجربه شخصی خود را تعریف کرد؛ او به یاد می‌آورد که چگونه ساعت‌ها به آثار گروه‌هایی مثل REM، U2، The Smiths و The Cure گوش می‌داد، تا اینکه بالاخره از صرفاً شنیدن خسته شد و تصمیم گرفت خودش گیتار یاد بگیرد.

بر اساس مستندات این مصاحبه، استدلال «هوش مصنوعی آنالوگ» کول بر چهار محور استوار است:

• آهنگ‌های کاور به مثابه داده: او تاکید می‌کند که «موسیقی کاور برای مدت‌های طولانی نوعی هوش مصنوعی آنالوگ بوده است»؛ چرا که به کسانی که مهارت آهنگسازی ندارند اجازه می‌دهد آهنگ‌های هنرمندان مورد علاقه‌شان را بنوازند.
• آموزش مشارکتی: او استدلال می‌کند که هم‌تیمی‌ها در یک گروه موسیقی، شکل دوم هوش مصنوعی آنالوگ هستند. یک ترانه‌سرا ممکن است با یک ریف یا کورس ساده شروع کند و سپس نوازنده بیس یا درمر جزئیاتی را به آن اضافه کنند تا در نهایت یک آهنگ متولد شود.
• پل زدن بر شکاف مهارت: کول باور دارد که AI به مردم اجازه می‌دهد از سطح کاورها فراتر روند و مانند همکاری با یک گروه موسیقی با AI کار کنند. او ادعا می‌کند AI به نوازندگان کمک می‌کند تا از «گسست» بین یک شاگرد آهنگسازی و یک استاد عبور کنند.
• افزایش بهره‌وری: چشم‌انداز کول دنیایی است که در آن گیتاریست‌ها با کمک AI سریع‌تر با دیگران ارتباط می‌گیرند، بهره‌وری‌شان بیشتر می‌شود و آثار بیشتری تولید می‌کنند.

اما منتقدان، از جمله استیو اونوترا (Steve Onotera) که با نام Samurai Guitarist شناخته می‌شود، این مقایسه را نادیده گرفتن واقعیت‌های فیزیکی موسیقی می‌دانند. اونوترا تاکید می‌کند که ویژگی‌های جسمانی نوازنده و خطاهای ریزی که هر انسانی مستعد آن‌هاست، مانع از تکثیر دقیق و کامل اثر می‌شود. این نوع «اتفاقات خوش‌یمن» یا Serendipity توسط یک مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — قابل بازتولید نیست.

یک چت‌بات فاقد «سلیقه یا غریزه» یک حرفه‌ای است. به قول منتقدان، یک مدل AI هرگز نمی‌تواند جایگزین «یک نوازنده بیس سخت‌گیر که در کالج آهنگسازی جاز خوانده» شود. اگر به یک درمر گفته شود که او هیچ تفاوتی با یک مدل AI ندارد، طبیعتاً احساس توهین خواهد کرد.

علاوه بر این، مقیاس آموزش مدل‌ها این تشبیه را باطل می‌کند. هیچ انسانی نمی‌تواند میلیون‌ها آهنگ را (آن‌طور که مدل‌هایی مثل Suno می‌خوانند) به حافظه بسپارد و یاد بگیرد. این موضوع، عملِ «تاثیرپذیری انسانی» را به یک «بلع صنعتی انبوه» از موسیقی‌های دارای کپی‌رایت تبدیل می‌کند.

ریسک دیگری که وجود دارد، «مهارت‌زدایی» است. در حالی که کول پیشنهاد می‌دهد AI به بهره‌وری کمک می‌کند، شواهد نشان می‌دهد تکیه بر AI برای یافتن قافیه‌ها یا خلق استعاره‌هایی برای بیان درد، مانع از رشد مهارت واقعی هنرمند می‌شود. یک AI هرگز در زندگی «تنها رها نشده» و برای نوشتن یک انتقال مناسب در پیش-کورس (pre-chorus) عرق ریخته است. استادی در موسیقی نیازمند تکرار و نوشتن ۱۰۰، ۱,۰۰۰ یا حتی ۱۰,۰۰۰ آهنگ بد است تا بتواند یک آهنگ خوب را تشخیص دهد.

برای گیتاریست‌های عادی، این یعنی ابزارهایی که اولویت را به «بهره‌وری» می‌دهند، ممکن است همان «خطاهای انسانی» را حذف کنند که در واقع تعریف یک اجرای درخشان است. اگر رهبران صنعت، هم‌تیمی‌ها را صرفاً به عنوان نقاط داده‌ای قابل جایگزینی ببینند، ارزش همکاری‌های انسانی به‌طور سیستماتیک کمتر شمرده خواهد شد.

آیا این دیدگاه یک بینش ژرف است یا یک سوءبرداشت شرکتی از مفهوم خلاقیت؟ این موضوع همچنان مورد بحث است. اکنون نوازندگان می‌توانند مشاهده کنند که ابزارهای آهنگسازی مبتنی بر AI چگونه تلاش می‌کنند تا آن «اتفاقات خوش‌یمنی» را تقلید کنند که منتقدان کول از آن دفاع می‌کنند.

گام بعدی شما

• اگر نوازنده هستید، سعی کنید مرز بین استفاده از AI به عنوان «ابزار ایده‌پردازی» و «جایگزین تمرین» را شناسایی کنید.
• بررسی کنید که آیا ابزارهای آهنگسازی جدید، امکان کنترل روی «خطاهای انسانی» (Humanize) را فراهم می‌کنند یا خیر.
• تحولات مربوط به حقوق کپی‌رایت در صنعت موسیقی را دنبال کنید تا متوجه شوید چه بخشی از آثار شما ممکن است به عنوان «داده آموزشی» شناخته شود.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه پردازنده اثر می‌گذارد، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.