تصور کنید در دنیایی زندگی می‌کنید که هوش مصنوعی نمی‌تواند تابلوی ایست را از یک صندوق پستی تشخیص دهد. برای دو دهه، هوش انسانی به عنوان یک منبع محاسباتی مصرفی عمل کرد تا شکاف موجود در الگوریتم‌های شکننده اولیه را پر کند، اما حالا آمازون در حال پایان دادن به این دوران است. برای بیست سال، MTurk موتور نامرئی بود که با پرداخت چند سنت به انسان‌ها برای برچسب‌گذاری میلیون‌ها تصویر، این مشکل را حل می‌کرد.
طبق اعلام رسمی آمازون، سرویس AWS Mechanical Turk (MTurk) در تاریخ ۳۰ سپتامبر ۲۰۲۶ به‌طور کامل تعطیل می‌شود. این پلتفرم که در سال ۲۰۰۵ راه‌اندازی شد، مانند یک بازار دیجیتال برای کارهای خرد (piecework) عمل می‌کرد؛ جایی که پژوهشگران و استارتاپ‌ها کارهای ساده‌ای مثل تبدیل صوت به متن یا برچسب‌گذاری تصاویر را به نیروی کاری جهانی که «ترکرها» (Turkers) نامیده می‌شدند، در ازای پرداخت‌های بسیار اندک می‌سپردند. به گزارش CNBC و PYMNTS، آمازون این تصمیم را پس از ارزیابی‌های منظم ابزارها و خدمات خود اتخاذ کرده است. موضع رسمی آمازون از یک دستورالعمل استاندارد شرکتی پیروی می‌کند: «ما به‌طور منظم برنامه‌ها، ابزارها و خدمات خود را ارزیابی می‌کنیم و بر اساس این ارزیابی‌ها، تغییرات لازم را اعمال می‌کنیم».
این سرویس در واقع یک «هک» فنی بود که جف بزوس زمانی آن را «هوش مصنوعیِ مصنوعی» می‌نامید. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اقتصاد داده‌های آموزشی اشاره کردیم، مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای رسیدن به دقت فعلی، به تریلیون‌ها نقطه داده نیاز داشتند که بسیاری از آن‌ها توسط انسان‌های MTurk تولید شدند.
ریشه در یک ماشین تقلبی
نام این پلتفرم ارجاع مستقیمی است به یک «اتوماتون» یا ماشین خودکار شطرنج‌باز در قرن هجدهم؛ دستگاهی که به نظر می‌رسید به‌طور مستقل بازی می‌کند، اما در واقع یک اپراتور انسانی را به‌طور مخفیانه در داخل خود پنهان کرده بود. منطق MTurk هم دقیقاً همین بود: تقسیم کارهای کوچک یا «وظایف هوش انسانی» (HITs) که برای انسان‌ها بدیهی و ساده بود، اما برای الگوریتم‌های اواسط دهه ۲۰۰۰ غیرممکن به نظر می‌رسید.
برای دو دهه، این بازار برای کسانی که بودجه‌های بسیار محدودی داشتند، ابزاری حیاتی و جایگزین‌ناپذیر بود. MTurk مفهوم «کار تکه‌ای دیجیتال» را در مقیاس جهانی رسمی کرد و با تلاش شناختی انسان به عنوان یک منبع ارزان و مصرفی برخورد کرد.
مکانیسم سقوط: تخریب خلاق
سقوط MTurk نمونه‌ای کلاسیک از تخریب خلاق است. مدل‌های هوش مصنوعی که این پلتفرم به آموزش و رشد آن‌ها کمک کرد، حالا آن‌قدر بالغ شده‌اند که کارهایی را که زمانی به یک کلیک انسانی نیاز داشت، به‌طور خودکار انجام دهند. در واقع، این پلتفرم اساساً همان اتوماسیونی را ساخت که دلیل وجودی (raison d'être) خودش را از بین برد. این بلوغ مدل‌ها باعث شده تا نیاز به زیرساخت‌های عظیم آموزشی کاهش یابد و مدل‌های زبانی کوچک‌تر با کاهش هزینه‌های استنتاج به گزینه‌هایی جذاب‌تر برای محیط‌های عملیاتی تبدیل شوند.
بر اساس بررسی منابع متعدد، چندین عامل این روند نزولی را تسریع کردند:
- رقابت تخصصی: کریستا پاولوسکی، کارگر داده و سازمان‌دهنده در گروه حمایتی Turkopticon، به CNBC گفت که به نظر می‌رسد آمازون با ظهور استارتاپ‌های تخصصی برچسب‌گذاری داده، منابع کمتری را به MTurk اختصاص داده است. در نتیجه، کارکنان به پلتفرم‌هایی مهاجرت کردند که ابزارهای بهتر و ارتباطات شفاف‌تری ارائه می‌دادند.
- چرخش راهبردی: آمازون به سمت مجموعه‌های یکپارچه هوش مصنوعی مثل Amazon SageMaker Ground Truth حرکت کرد. این ابزارها به‌جای یک بازار عمومی و پراکنده، برچسب‌گذاری داده‌های ساختاریافته و باکیفیت ارائه می‌دهند. این تغییر با استراتژی گسترده‌تر آمازون برای تقویت اکوسیستم سخت‌افزاری و نرم‌افزاری AI همسو است؛ مشابه رویکردی که در رایگان کردن ویژگی‌های پیشرفته الکسا برای تسلط بر بازار به کار برد.
- اصطکاک اقتصادی: مدل اقتصادی این پلتفرم همان «گناه نخستین» آن بود. برای سفارش‌دهندگان، MTurk یک شیر فلکه ارزان برای دسترسی به قضاوت انسانی بود؛ اما برای کارکنان، بازاری بحث‌برانگیز بود که در آن کسب درآمدی در سطح حداقل دستمزد یک چالش عظیم و تقریباً دست‌نیافتنی بود.
در دوران اوج، این سرویس از بیش از ۵۰۰ هزار کارکنان پشتیبانی می‌کرد. با این حال، تقاضا از کارهای خرد و تفکیک‌نشده به سمت خدمات عمودی و یکپارچه‌ای تغییر کرد که برای مدل‌های پیچیده مدرن ضروری هستند. مدل همه‌منظوره MTurk به‌سادگی از قافله عقب ماند.
پراکندگی نیروی کار و بحران پژوهشی
این تعطیلی یک بحران فوری برای دو گروه خاص ایجاد می‌کند. نخست، صدها هزار کارگر با ناپایداری شغلی جدیدی مواجه می‌شوند. اگرچه تعداد کمی به MTurk به عنوان منبع درآمد اصلی تکیه داشتند، اما بسیاری از آن به عنوان یک مکمل درآمدی منعطف استفاده می‌کردند. این کارکنان احتمالاً به سمت رقبایی مثل Scale AI، Appen و Clickworker سرازیر می‌شوند و ظرفیت این بازارها را به چالش می‌کشند.
دوم، جامعه دانشگاهی با یک مانع متدولوژیک (روش‌شناختی) روبروست. برای بیش از یک دهه، MTurk به دلیل مقیاس بالا و هزینه کم، ستون فقرات پژوهش‌های علوم اجتماعی و روان‌شناسی بود. این پلتفرم راهی سریع برای جذب شرکت‌کنندگان در مطالعات فراهم می‌کرد. یافتن جایگزینی با سهولت استفاده مشابه، برای پژوهشگران مستقل به چالشی هزینه‌بر و پیچیده تبدیل خواهد شد.
اثرات درجه دوم
بستن این سرویس سیگنالی است که بازار کار خردِ جمع‌سپاری‌شده (crowdsourced) دیگر یک اولویت راهبردی برای غول‌های ابری نیست. صنعت در حال فاصله گرفتن از بازارهای مستقل و حرکت به سمت سیستم‌های «انسان در حلقه» (human-in-the-loop) است که مستقیماً در خط لوله‌های (pipelines) هوش مصنوعی سازمانی تعبیه شده‌اند.
برای یک متخصص، این یعنی «کار نامرئی» در هوش مصنوعی در حال حرفه‌ای‌تر شدن و کمتر تکه‌تکه شدن است. ما شاهد پایان خط تولید دیجیتال و جایگزینی آن با مهندسی داده‌های تخصصی هستیم.
حسابرسی نهایی: چه چیزهایی را زیر نظر بگیریم؟
با نزدیک شدن به ضرب‌الاجل سپتامبر ۲۰۲۶، سه معیار کلیدی این گذار را تعریف خواهند کرد:
- الگوهای مهاجرت کارکنان: اینکه قابل‌اعتمادترین «ترکرها» به کجا می‌روند، نشان خواهد داد که کدام پلتفرم رقیب بهترین ترکیب از حجم کار، عدالت و ابزارها را ارائه می‌دهد.
- بحران متدولوژیک پژوهشی: حوزه‌های دانشگاهی ممکن است شاهد افزایش هزینه‌های مطالعه باشند یا مجبور شوند به سمت گروه‌های شرکت‌کننده با نمایندگی کمتر تغییر مسیر دهند، که این امر می‌تواند جهت پژوهش‌های رفتاری را تغییر دهد.
- مدل کسب‌وکار برچسب‌گذاری داده: MTurk به عنوان یک مطالعه موردی در چرخه عمر پلتفرم عمل می‌کند؛ رشد با هوش مصنوعی اولیه، توقف در میان رقابت و در نهایت پایان با بلوغ فناوری.
با نزدیک شدن به مهلت ۲۰۲۶، الگوهای مهاجرت قابل‌اعتمادترین کارکنان را زیر نظر بگیرید. حرکت آن‌ها فاش خواهد کرد که کدام پلتفرم‌های رقیب در حال حاضر بهترین تعادل بین حجم کار و انصاف را در اقتصاد گیگ (gig economy) در حال تحول ارائه می‌دهند.
MTurk به عنوان یک نمونه اولیه جامعه‌شناختی به یاد خواهد آمد؛ ماشینی که نشان داد هوش انسانی را چقدر راحت می‌توان تکه‌تکه کرد، قیمت زد و به یک خط تولید دیجیتال متصل کرد. پایان آن ثابت می‌کند موفق‌ترین ابزارها برای ساخت هوش مصنوعی، اغلب اولین ابزارهایی هستند که توسط خودِ اتوماسیون از صفحه روزگار حذف می‌شوند.
گام بعدی شما
- اگر از MTurk برای جمع‌آوری داده استفاده می‌کنید، از همین حالا مهاجرت به SageMaker Ground Truth یا Scale AI را آغاز کنید.
- پژوهشگران دانشگاهی باید بودجه‌های جایگزین برای جذب شرکت‌کننده در مطالعات رفتاری پیش‌بینی کنند.
- مدل‌های کسب‌وکار مبتنی بر Micro-tasking را بازبینی کنید؛ اتوماسیون در حال بلعیدن کارهای خرد است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو