تصور کنید تحلیلگری با اطمینانی کامل، مرگ قریب‌الوقوع سه شرکت از بزرگ‌ترین غول‌های فناوری جهان را پیش‌بینی کند و سپس داده‌های مالی نشان دهد که آن‌ها در حال رشد انفجاری بوده‌اند. این دقیقاً همان وضعیتی است که اد زیتورن (Ed Zitron)، یکی از سرسخت‌ترین منتقدان هوش مصنوعی، در سال‌های اخیر تجربه کرده است.
به نقل از دن لو (Dan Luu)، پژوهشگر مستقل، بررسی دقیق سوابق زیتورن از سال ۲۰۲۴ تا ۲۰۲۶ نشان می‌دهد که او در تقریباً تمام پیش‌بینی‌های با اطمینان بالای خود دچار خطا شده است. تحلیل لو یک الگوی ثابت از شکست در پیش‌بینی‌های فنی، مالی و شرکتی زیتورن در مورد قابلیت‌های هوش مصنوعی و سلامت شرکت‌های بزرگ فناوری را آشکار می‌کند. این تحلیل در زمانی منتشر می‌شود که فضای گفتگو پیرامون هوش مصنوعی به یک جنگ فرهنگی میان «شتاب‌دهنده‌ها» (Accelerationists) و «شکاکان» (Skeptics) تبدیل شده است. در حالی که شکاکیت سالم برای ثبات بازار حیاتی است، لو استدلال می‌کند که رویکرد زیتورن بر پایه «گیش گالوپینگ» (Gish Galloping) است؛ یعنی بمباران مخاطب با حجم زیادی از ادعاهای بی‌اساس و پوچ که رد کردن آن‌ها بسیار زمان‌بر است. این استراتژی یک اتاق پژواک ایجاد می‌کند که در آن خشم و اعتمادبه‌نفس به اشتباه به عنوان تحلیل دقیق تلقی می‌شوند.
زمینه: دیدگاه تحلیلگر
برای ایجاد یک خط معیار عینی، لو ابتدا جایگاه خود را شفاف می‌کند. او می‌گوید نگاهش به هوش مصنوعی «بسیار کسل‌کننده» است. او تصریح می‌کند که هیچ نفع مالی خاصی در شرکت‌های هوش مصنوعی، فراتر از صندوق‌های شاخص (Index Funds) استاندارد، ندارد و در واقع در سرمایه‌گذاری‌های مراحل اولیه (Seed-stage) خود، سهم کمی از هوش مصنوعی دارد. او نه در آزمایشگاه‌های هوش مصنوعی کار می‌کند و نه تامین‌کننده آن‌هاست.
رویکرد لو به پیش‌بینی‌ها ریشه در این باور دارد که اگر چیزی در حال حاضر در حال رخ دادن است، کسانی که ادعا می‌کنند رخ دادن آن غیرممکن است، احتمالاً اشتباه می‌کنند. او برای نشان دادن کالیبراسیون خود، به تاریخچه پیش‌بینی‌های متناقض خود اشاره می‌کند: در سال ۲۰۲۲، او پیش‌بینی‌های آینده‌پژوهانی مانند ری کورزویل را هم در نتیجه و هم در استدلال، عموماً غلط دانست. در مقابل، در سال ۲۰۱۵ نوشت که مردم توانایی هوش مصنوعی در جایگزینی مشاغل انسانی را دست‌کم می‌گیرند؛ دیدگاهی که هنوز به آن پایبند است.
لو همچنین خود را از روایت «دروغگوی سودجو» که اغلب توسط شکاکان هوش مصنوعی ترویج می‌شود، دور می‌کند. او خاطره یک مصاحبه تلفنی ناموفق در یک آزمایشگاه هوش مصنوعی در سال‌ها پیش را تعریف می‌کند و عملکرد خود را چنان ضعیف توصیف می‌کند که می‌توانست الهام‌بخش مقاله جف اتوود با عنوان «چرا برنامه‌نویسان نمی‌توانند برنامه‌نویسی کنند؟» باشد. او تأکید می‌کند که اگر هوش مصنوعی موفق شود، او هیچ سودی نمی‌برد (به جز به عنوان دارنده کلی صندوق‌های شاخص)، اما عمیقاً به دقت تحلیل‌ها اهمیت می‌دهد.
روایت «مرگ» غول‌های فناوری
یکی از جنجالی‌ترین ادعاهای زیتورن در نوامبر ۲۰۲۴ بود؛ او مدعی شد متا (Meta)، گوگل (Google) و مایکروسافت (Microsoft) در حال مرگ هستند و هوش مصنوعی تنها یک حرکت از روی استیصال است زیرا دیگر راهی برای رشد نمی‌شناسند. او به‌طور خاص متا را یک «محصول در حال مرگ» و یک «شرکت در حال مرگ» توصیف کرد. اما داده‌های مالی از سال ۲۰۲۳ تا ۲۰۲۶ داستان متفاوتی را روایت می‌کنند:
- متا: درآمد از ۱۳۵ میلیارد دلار (رشد ۱۶٪) در سال ۲۰۲۳ به ۲۰۱ میلیارد دلار (رشد ۲۲٪) در سال ۲۰۲۵ رسید. سود عملیاتی (طبق GAAP) از ۴۷ میلیارد دلار (رشد ۶۲٪) به ۸۳ میلیارد دلار (رشد ۲۰٪) جهش کرد. تا نیمه اول سال ۲۰۲۶، درآمد به ۱۱۷ میلیارد دلار (رشد ۳۰٪) با ۴۲ میلیارد دلار سود رسید.
- آلفابت (گوگل): درآمد از ۳۰۷ میلیارد دلار (رشد ۹٪) در سال ۲۰۲۳ به ۴۰۳ میلیارد دلار (رشد ۱۵٪) در سال ۲۰۲۵ صعود کرد. سود از ۸۴ میلیارد دلار (رشد ۱۳٪) به ۱۲۹ میلیارد دلار (رشد ۱۵٪) افزایش یافت. نیمه اول سال ۲۰۲۶ شاهد ۲۳۰ میلیارد دلار درآمد (رشد ۲۳٪) و ۸۰ میلیارد دلار سود بود.
- مایکروسافت: درآمد از ۲۲۸ میلیارد دلار (رشد ۱۲٪) در سال ۲۰۲۳ به ۳۰۵ میلیارد دلار (رشد ۱۷٪) در سال ۲۰۲۵ افزایش یافت. سود به ۱۴۳ میلیارد دلار (رشد ۲۱٪) رسید. در نیمه اول سال ۲۰۲۶، درآمد ۱۷۳ میلیارد دلار (رشد ۱۸٪) با ۷۹ میلیارد دلار سود بود.
لو اشاره می‌کند که زیتورن ادعای «مرگ» این شرکت‌ها را بر اساس داده‌های غیررسمی و نادرست سیمیلاروب (Similarweb) درباره کاربران فعال ماهانه (MAU) فیس‌بوک بنا کرده بود، نه گزارش‌های رسمی مالی GAAP. گزارش‌های خود متا هیچ‌گونه کاهش مستمری را نشان نمی‌داد. لو استدلال می‌کند که استدلال زیتورن اساساً غلط است: این اکوسیستم‌ها در حال مرگ نیستند و رشد آن‌ها ثابت می‌کند هوش مصنوعی یک حرکت از روی ناچاری نبوده است.
جزئیات: نقد جست‌وجوی گوگل
حملات زیتورن به گوگل به‌شدت بر روی یکی از مدیران ارشد به نام پراباکار راغوان (Prabhakar Raghavan) متمرکز بود. او راغوان را یک «خائن به طبقه دانشمندان کامپیوتر که به جناح مشاوره مدیریت پیوسته» و «واقعاً شرور» نامید و مدعی شد که او آسیب‌های جبران‌ناپذیری به جست‌وجوی گوگل زده است. لو با چندین نکته به این ادعا پاسخ می‌دهد:
- تنوع‌بخشی: حتی اگر کیفیت جست‌وجو کاهش یافته باشد، رشد گوگل توسط محصولات بزرگ دیگر مانند یوتیوب و گوگل کلاد هدایت می‌شود.
- درآمد در مقابل تجربه کاربری (UX): لو گفتگویی در سال ۲۰۱۳ با یک مهندس جست‌وجو را به یاد می‌آورد که پیش‌بینی کرده بود گوگل به‌تدریج و از طریق تست‌های A/B کوچک، ظاهر تبلیغات را شبیه به نتایج جست‌وجو می‌کند تا درآمد را افزایش دهد. مهندس توضیح داد که تغییر یک‌باره و یکسان کردن تبلیغات با نتایج، بیش از حد واضح است و باعث واکنش منفی می‌شود، بنابراین این اتفاق طی سال‌ها و در بخش‌های کوچک رخ خواهد داد. این اتفاق دقیقاً همان‌طور که پیش‌بینی شده بود رخ داد، فارغ از اینکه چه کسی نظارت بر جست‌وجو داشت.
- فقدان شواهد: مهندسان جست‌وجوی گوگل که درباره فریادهای زیتورن نظر دادند، موافق نبودند که راغوان تنها یا دلیل اصلی مشکلات جست‌وجو باشد.
«دیوارها»ی فنی و سقف قابلیت‌ها
زیتورن مکرراً پیش‌بینی کرد که هوش مصنوعی زاینده به حد نهایی خود رسیده است. در فوریه ۲۰۲۴، او ادعا کرد که هوش مصنوعی در زمینه دقت به یک سقف رسیده است. در مارس و جولای ۲۰۲۴، او تکرار کرد که «اوج هوش مصنوعی» (Peak AI) فرا رسیده و توهمات (Hallucinations) به این معناست که پیشرفت به سطوح فعلی محدود شده است. در اوت ۲۰۲۴، او هوش مصنوعی زاینده را یک «تکنولوژی بن‌بست» نامید.
این ادعاها به‌طور سیستماتیک توسط نسخه‌های بعدی رد شدند. این روند با یافته‌های جدید همسو است که نشان می‌دهد سرعت خودکارسازی در پژوهش‌های هوش مصنوعی حتی از پیش‌بینی‌های خوش‌بینانه نیز پیشی گرفته است. زیتورن در سپتامبر ۲۰۲۴ استدلال کرد که مدل o1 شرکت OpenAI نشان می‌دهد این شرکت به دلیل کمبود داده‌های آموزشی «مستأصل شده و ایده‌ای ندارد». با این حال، عرضه بعدی GPT-5 بهبود قابل‌توجهی نسبت به GPT-4.5 ایجاد کرد و فرضیه «دیوار» را نقض نمود. حتی در نوامبر ۲۰۲۵، زیتورن همچنان مدعی بود مدل‌ها به دلیل دیواره‌های قانون مقیاس‌بندی (Scaling Law) و کمبود داده‌های باکیفیت بهتر نمی‌شوند و اظهار داشت آنچه امروز می‌بینیم «تقریباً همان چیزی است که همیشه خواهند بود».
لو اشاره می‌کند که زیتورن اظهاراتی درباره گذشته نیز داشت که در زمان بیانشان غلط بودند. در دسامبر ۲۰۲۴، او ادعا کرد محصولات «بیش از یک سال در کهربا گیر کرده‌اند» و در ژانویه ۲۰۲۶ مدعی شد مدل‌ها «اساساً همان چیزی هستند که یک سال پیش بودند». این به معنای یک خط زمانی عجیب است که در آن قابلیت‌های هوش مصنوعی در اوت ۲۰۲۶ همانند دسامبر ۲۰۲۳ بوده است.
محاسبات اشتباه مالی
پیش‌بینی‌های مالی زیتورن نیز به همان اندازه نادرست بوده‌اند. در اکتبر ۲۰۲۴، او پیش‌بینی‌های درآمدی OpenAI (۳.۷ میلیارد دلار در ۲۰۲۴، ۱۱.۶ میلیارد دلار در ۲۰۲۵ و ۱۰۰ میلیارد دلار در ۲۰۲۹) را «مضحک» و یک «جرم مالی» خواند. اما تا سال ۲۰۲۵، این اهداف حتی فراتر از پیش‌بینی‌ها محقق شدند.
سایر شکست‌های قابل توجه عبارتند از:
- جمینای (Gemini): زیتورن ادعا کرد هدف ساندار پیچای برای رسیدن به ۵۰۰ میلیون کاربر تا پایان ۲۰۲۵ چنان غیرواقعی است که پیچای باید اخراج می‌شد. اما جمینای در واقع به ۷۵۰ میلیون کاربر رسید. لو به این تضاد اشاره می‌کند: زیتورن مدعی است گوگل تشنه رشد است، اما وقتی گوگل می‌تواند هوش مصنوعی را «به هر جایی بچپاند» تا به هدف برسد، هدف رشد را «غیرواقعی» می‌نامد.
- کِرسور (Cursor): زیتورن پیش‌بینی کرد این ویرایشگر کد هوش مصنوعی بمیرد یا با قیمتی بسیار پایین (Firesale) فروخته شود. او گفت قیمتی مانند ۱۰ میلیارد دلار ممکن نیست زیرا شرکت را مجبور می‌کند «صدها میلیون دلار را بسوزاند». در عوض، Cursor با یک خروج (Exit) ۶۰ میلیارد دلاری مواجه شد.
- کورویو (CoreWeave): او پیش‌بینی کرد این شرکت بدون جذب سرمایه ۶ ماه دوام نمی‌آورد، هرچند ۴ میلیارد دلار ممکن است یک سال برایشان بخرد. CoreWeave همچنان فعال است و با قیمتی بیش از دو برابر قیمت IPO خود معامله می‌شود (در حالی که در IPO تنها ۱.۵ میلیارد دلار جذب کرده بود).
- آنتروپیک (Anthropic): زیتورن پیش‌بینی درآمد ۳۴.۵ میلیارد دلاری این شرکت برای سال ۲۰۲۷ را «خنده‌دار» خواند و استدلال کرد OpenAI در سال ۲۰۲۴ به سختی یک میلیارد دلار از فراخوان‌های API درآمد داشته است. با این حال، درآمد سالانه (ARR) آنتروپیک در سال ۲۰۲۶ بسیار فراتر از ارقامی بود که او برای رد کردن تخمین استفاده کرده بود.
مکانیسم‌های فریب
لو به الگوی خاصی در استفاده زیتورن از داده‌ها اشاره می‌کند. او اغلب از اعداد برای ایجاد یک «هاله اعتبار» استفاده می‌کند، در حالی که استدلال واقعی هنگام بررسی از هم می‌پاشد. این به عنوان یک «شعبده‌بازی» توصیف شده است که در آن اعداد پرتاب می‌شوند اما به یک استدلال منسجم متصل نمی‌شوند. جوهو اسنلمن این کار را «فریب عمدی» و یک «گیش گالوپ» توصیف می‌کند که برای هیجان‌زده کردن باورمندان فعلی طراحی شده است، نه برای تغییر دادن ذهن‌ها. در این راستا، برخی منتقدان معتقدند که برچسب زدن به خروجی‌های هوش مصنوعی به عنوان محتوای بی‌ارزش، نوعی تنبلی فکری است که به جای تحلیل عمیق، به دنبال ساده‌سازی‌های تند است.
به عنوان مثال، در یک جدول برای پیش‌بینی درآمد آنتروپیک، تیموتی بی. لی متوجه شد که زیتورن:
- بازه ۱ تا ۱۰ فوریه را نادیده گرفته است.
- بازه ۱ تا ۱۰ مارس را دو بار شمرده است.
- بازه ۲۱ اوت تا ۲۱ اکتبر را به جای دو ماه، یک ماه شمرده است.
- بازه ۲۱ اکتبر تا ۱ نوامبر را نادیده گرفته است.
- و حتی به تاریخ غیرموجود «۳۰ فوریه» ارجاع داده است.
این سبک با پیش‌بینی‌های «فاجعه‌طلبانه» پل ارلیش مقایسه می‌شود که در دهه ۶۰ و ۷۰ میلادی فجایع جهانی قریب‌الوقوع را پیش‌بینی می‌کرد. ارلیش در سال ۱۹۷۰ پیش‌بینی کرد که تمام حیات حیوانی مهم در دریا طی ۱۰ سال منقرض می‌شود و بریتانیا تا سال ۲۰۰۰ به گروهی از جزایر فقیر تبدیل خواهد شد. او حتی سیستم «تریاژ» را پیشنهاد کرد تا کمک‌های غذایی به کشورهای «ناامید» مانند هند و مصر متوقف شود. مانند ارلیش، زیتورن اغلب «خط پایان» را جابه‌جا می‌کند و تاریخ «ترکیدن حباب» را به جلو می‌برد؛ مانند پیش‌بینی اکتبر ۲۰۲۵ او که حباب «دیرتر از سه ماهه دوم ۲۰۲۶» نخواهد ترکید.
تحلیل: برندِ خشم
برای خواننده تجاری، این مطالعه موردی کمتر درباره هوش مصنوعی و بیشتر درباره اقتصاد توجه (Attention Economics) است. زیتورن یک نیچ (Niche) سودآور در «کلاهبرداری ضد فناوری» پیدا کرده است. او با اتخاذ مواضع تحریک‌آمیز و استفاده از زبان تهاجمی، برندی شخصی می‌سازد که به جای دقت، به «هویت» پاداش می‌دهد.
میخال زالفسکی (lcamtuf) اشاره می‌کند که مطمئن‌ترین راه برای جذب دنبال‌کننده، بیان مواضعی است که «شفاف، قوی و بدون جای تردید» باشند. ظرافت‌ها واکنشی دریافت نمی‌کنند، در حالی که یک موضع تند، حلقه بازخوردی مثبت از توجه و لایک ایجاد می‌کند و در نهایت به جای یک نظر، به یک برند شخصی تبدیل می‌شود. لو مشاهده می‌کند که سطح بالای اعتمادبه‌نفس زیتورن — مانند خواندن پیش‌بینی‌ها به عنوان «جرایم مالی» — یک ابزار بلاغی است. در تجربه لو، پیش‌بینی‌ای که با این سطح از اطمینان بیان شود، عملاً هرگز نباید غلط باشد، اما زیتورن به‌طور روتین در اشتباه است.
وقتی ارزش پیشنهادی یک تحلیلگر بر این اساس باشد که «تنها کسی است که حقیقت را می‌گوید» در برابر یک گروه خاص، او انگیزه دارد تا شواهد متضاد را نادیده بگیرد. خود زیتورن در ردیت ادعا می‌کند که مردم او را دوست ندارند چون او «از نظر عاطفی صادق» است و از سرکوب احساسات خودداری می‌کند و کارهایش «دقیق» است، که این موضوع کسانی را که کار دقیق انجام نمی‌کنند، ناامید می‌کند. او ادعا می‌کند با «گروه‌های داخلی» و کلیک‌ها می‌جنگد. با این حال، لو اشاره می‌کند که ساب‌ردیت زیتورن اغلب کاربرانی را که بنچمارک‌های نشان‌دهنده بهبود هوش مصنوعی را پست می‌کنند، مسدود می‌کند و بدین ترتیب، اتاق پژواک بسیار بسته و کلیکی را ایجاد کرده است.
گام بعدی شما
برای جلوگیری از گرفتار شدن در تحلیل‌های «گیش گالوپ»، خوانندگان باید ادعاهای جسورانه را با گزارش‌های مالی رسمی GAAP و بنچمارک‌های تأییدشده مدل‌ها تطبیق دهند. در حالی که به سال ۲۰۲۷ نزدیک می‌شویم، مراقب الگوی «جابه‌جایی خط پایان» در پیش‌بینی‌های آینده حباب هوش مصنوعی باشید. همان‌طور که لو نتیجه می‌گیرد، در حالی که ممکن است شرکت‌های منفرد شکست بخورند، توسعه قابلیت‌ها یک مسیر مجزا است که زیتورن به‌طور مداوم در پیش‌بینی آن شکست خورده است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو