چگونه ابزارهای سنتز هوش مصنوعی ۱۰ میلیون رای‌دهنده را به دموکراسی بازگرداندند؟

تصور کنید صدای شما در میان انبوه لابی‌گران و کاغذبازی‌های اداری گم شده است؛ شما تنها نیستید. بث سیمون نووک (Beth Simone Noveck)، استاد و مدیر مرکز تغییرات اجتماعی برنز و آزمایشگاه حکمرانی در دانشگاه نورث‌ایسترن، معتقد است دموکراسی فعلی در لبه‌ی پرتگاه قرار دارد. در اپیزود ۱۵ ژوئن ۲۰۲۶ پادکست Brookings TechTank — که یک مجموعه دوهفته‌یک‌بار از مرکز نوآوری تکنولوژی است — نووک نقشه‌ای را ترسیم می‌کند که در آن هوش مصنوعی نه ابزاری برای نظارت یا فریب، بلکه مکانیزمی برای بازگرداندن اعتماد به دولت است.

این گفتگو در لحظه‌ای بحرانی از زوال نهادی رخ می‌دهد. طبق گفته‌ی نووک، تنها ۲۹ دموکراسی در سطح جهانی باقی مانده و اعتماد به دولت‌ها در حال سقوط است. برای بسیاری از جوانان آمریکایی، سلامت دموکراسی‌شان تقریباً غیرموجود تلقی می‌شود و برخی داده‌ها این حس را تنها ۷٪ تخمین می‌زنند. سیستم فعلی اغلب به تمرینی برای «تماس برای جمع‌آوری پول» تبدیل شده است؛ جایی که قانون‌گذاران دو‌سوم وقت خود را صرف جذب سرمایه می‌کنند، نه پرداختن به کار واقعی قانون‌گذاری. این محیط که با افزایش خشونت و عادی شدن حزب‌گرایی (Partisanship) شناخته می‌شود، باعث شده شهروندان احساس کنند دولت نمی‌تواند مشکلاتی را که با آن‌ها روبرو هستند حل کند.

نیاز به یک «ری‌بوت»

نووک تأکید می‌کند که عنوان کتاب او در انتشارات دانشگاه ییل، یعنی «ری‌بوت: هوش مصنوعی و مسابقه برای نجات دموکراسی»، کاملاً عمدی است. او استدلال می‌کند که بحران فعلی نیازمند یک «مسابقه» است، زیرا سرعت زوال دموکراتیک بسیار سریع است.

یک «ری‌بوت» یا راه‌اندازی مجدد ضروری است، زیرا صرفاً تعمیر یا اصلاح سیستم‌های قدیمی کافی نیست. هدف این است که کارها به صورت کیفی متفاوت انجام شوند تا دولتی که شهروندان حق دارند از آن بهره‌مند شوند و فرهنگ دموکراتیکی که مشتاق آن هستند، به دست آید. این امر مستلزم فاصله گرفتن از وضعیت موجود و حرکت به سوی سیستمی است که اساساً بهتر و پاسخگوتر باشد.

مکانیزم «گوش دادن» در مقیاس بزرگ

تز مرکزی نووک این است که اینترنت به شهروندان اجازه داد حرف بزنند، اما به نهادها یاد نداد چگونه گوش کنند. او اشاره می‌کند که در ۳۰ سال گذشته، وب جریان ارتباطی یک‌طرفه‌ای ایجاد کرد که در واقع پردازش ورودی‌ها را برای نهادها سخت‌تر کرد. برای مثال، وقتی FCC (کمیسیون ارتباطات فدرال) درهای خود را برای قانون‌گذاری درباره‌ی بی‌طرفی شبکه باز کرد، ۲۲ میلیون نظر دریافت کرد؛ حجمی که توانایی پردازش واقعی ورودی‌ها را کاملاً فلج کرد. به طور مشابه، در دولت اوباما، درخواست برای اولویت‌های ۱۰۰ روز اول دستور کار رئیس‌جمهور، ۱۲۵ هزار نظر به همراه داشت.

هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — این وضعیت را تغییر می‌دهد. این فناوری «توده‌ی ورودی‌ها» را به داده‌های عملیاتی تبدیل می‌کند و پارادایم را از یک تعامل سالی یک‌بار در صندوق رأی، به یک فرآیند مستمر از بهره‌گیری از خرد جمعی توزیع‌شده تغییر می‌دهد. برزیل الگویی واقعی برای این تغییر است. علیرغم اینکه کشوری بزرگ، پیچیده و به شدت حزب‌گرا است، مجلس سنای برزیل چهار روش متمایز برای مشارکت عمومی در قانون‌گذاری اجرا کرده است:

• پیشنهاد لایحه: شهروندان می‌توانند لایحه پیشنهاد دهند و سپس کاربران دیگر با امضای آن، پیشنهاد را تأیید می‌کنند.
• ورودی جلسات استماع: مردم سوالاتی را پیشنهاد می‌کنند که نمایندگان باید در جلسات استماع بپرسند. هوش مصنوعی این پیشنهادات را ترکیب و سنتز می‌کند و اکنون اکثریت قریب به اتفاق سوالات سناتورها از دل پیشنهادات مردمی است.
• آموزش مدنی: مکانیزم‌های تخصصی شامل درس‌ها، آموزش‌ها و برنامه‌های ویژه معلمان، کلاس‌های درس را تشویق می‌کند تا در مسائل سیاستی مشارکت کنند و به دانش‌آموزان راهی برای پیشنهاد لایحه می‌دهند.
• سنتز جمعی: تیم‌های کوچک از کارکنان دولت با استفاده از هوش مصنوعی، هزاران نظر را گروه‌بندی، ترکیب و فیلتر می‌کنند. این کار به آن‌ها اجازه می‌دهد پیشنهادات را با موضوع خاص یک جلسه استماع تطبیق دهند و نویزهای غیرمرتبط را بدون نیاز به افزایش شدید تعداد کارکنان حذف کنند.

نووک همچنین به پروژه‌ی Engage California اشاره می‌کند که پس از آتش‌سوزی‌های گسترده راه اندازی شد. چون هوش مصنوعی مدیریت این فرآیند را ارزان‌تر و ساده‌تر کرد، ایالت کالیفرنیا این تجربه را سه بار در موضوعات و مخاطبان مختلف تکرار کرد و دولت را به یک «سازمان یادگیرنده» تبدیل نمود.

بازپس‌گیری فرآیند انتخابات

در حالی که تیترها روی اثر تخریبی «دیپ‌فیک‌ها» در رقابت‌های انتخاباتی مانند شهردار لوس‌آنجلس، انتخابات فرمانداری میشیگان و یا انتخابات اخیر مجارستان متمرکز هستند، نووک به کاربردهای «توانمندکننده» هوش مصنوعی اشاره می‌کند. او می‌پذیرد که اکوسیستم اطلاعاتی آلوده شده و اشاره می‌کند که ۴۹ ایالت آمریکا اکنون قوانینی علیه دیپ‌فیک‌ها وضع کرده‌اند و مقررات بیشتری نیز در سطح فدرال وجود دارد.

با این حال، او استدلال می‌کند که ما باید از بازی در حالت «دفاعی» دست برداریم و در عوض، در هوش مصنوعی به عنوان ابزاری برای پردازش داده‌ها جهت گسترش حق رأی سرمایه‌گذاری کنیم. او ERIC (مرکز اطلاعات ثبت الکترونیکی) را مثال می‌زند که در ۲۵ ایالت فعال است. این مرکز با استفاده از هوش مصنوعی برای غربالگری مقادیر عظیمی از داده‌ها، موفق شد ۱۰ میلیون رأی‌دهنده واجد شرایط را که هنگام جابجایی بین ایالت‌ها از لیست‌ها حذف شده بودند، بازگرداند.

سایر کاربردهای خاص عبارتند از:

• Vote ER: پروژه‌ای از سازمان غیرانتفاعی Healthier Democracy که با استفاده از هوش مصنوعی، وب‌سایت‌ها و متریال‌های ارزان‌قیمت و دسترس‌پذیری می‌سازد تا بیماران در اتاق‌های اورژانس بتوانند ثبت‌نام رأی‌دهندگان را انجام داده و برای خدمات دولتی ثبت‌نام کنند.
• برگه‌های رأی دسترس‌پذیر: در برزیل، صداهای الکترونیکی مبتنی بر هوش مصنوعی، برگه‌های رأی را برای نابینایان یا کسانی که نمی‌توانند متن را ببینند می‌خوانند تا اطمینان حاصل شود که آن‌ها آگاهانه رأی می‌دهند.

تحول در ارائه خدمات

دموکراسی زمانی شکست می‌خورد که نتواند مشکلات را حل کند. نووک می‌گوید هوش مصنوعی می‌تواند شکاف بین قوانین پیچیده و دسترسی شهروندان را پر کند. او از تغییر به سمت «دولت گفتگو‌محور» می‌گوید؛ جایی که زبان‌های حقوقی دشوار و «زبان اداری» به انگلیسی ساده ترجمه می‌شوند. این کار مانع فرم‌های پیچیده و دستورالعمل‌هایی را که در حال حاضر مردم را از دسترسی به مزایایی که حق آن‌هاست باز می‌دارد، حذف می‌کند.

یک مثال خاص، پروژه‌ی AI for Impact Fellows است که در آن دانشجویان ابزارهایی برای کاربردهای مدنی می‌سازند. آن‌ها با Innovate Public Schools در کالیفرنیا همکاری کردند تا به والدین کمک کنند برنامه‌های آموزشی فردی (IEP) فرزندانشان را درک کنند. این برنامه‌ها معمولاً فایل‌های PDF صد صفحه‌ای هستند که برای والدین غیربومی یا کسانی که سواد کمی دارند، تقریباً غیرقابل فهم است. هوش مصنوعی این متون را خلاصه و ترجمه می‌کند تا والدین بتوانند حقوق فرزندشان را بفهمند و برای خدماتی مانند مشاوره اضافی یا زمان بیشتر برای آزمون‌ها درخواست دهند.

در نیوجرسی، Business Action Center از یک چت‌بات تأییدشده برای راهنمایی ۲۴ ساعته درباره‌ی کمک‌های مالی، تخفیفات مالیاتی و مقررات برای کسب‌وکارها استفاده می‌کند. برای جلوگیری از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — از مکانیزم «انسان در حلقه» (Human-in-the-loop) استفاده می‌شود:

• دانش تأییدشده: ابزار فقط جواب‌هایی را می‌دهد که قبلاً توسط متخصصان انسان بررسی و تأیید شده‌اند.
• ارجاع به انسان: اگر پرسشی جدید باشد، هوش مصنوعی به کاربر اعلام می‌کند که یک انسان پاسخ را بررسی کرده و فردا آن را ایمیل می‌کند.
• رشد پایگاه داده: پس از پاسخ انسان، آن جواب در پایگاه داده بارگذاری می‌شود تا کاربران آینده در چند ثانیه به آن دسترسی داشته باشند.

چالش‌های پیاده‌سازی و فرآیند

نووک اشاره می‌کند که مانع اصلی پیاده‌سازی این راهکارها، اغلب «فرآیندها» هستند و نه تکنولوژی. بسیاری از دولت‌ها ظرفیت داخلی خود را برای ساخت و اجرای تکنولوژی‌هایشان از دست داده‌اند. اگرچه ایالت‌هایی مثل کلرادو، نیوجرسی و کالیفرنیا تیم‌های دیجیتال یا نوآوری دارند، اما اکثر سازمان‌ها نیروی آموزش‌دیده برای تست و ادغام ابزارهای هوش مصنوعی ندارند.

هوش مصنوعی چالش‌های منحصر به فردی ایجاد می‌کند زیرا ابزارها در طول زمان رفتار یکسانی ندارند. رفتار آن‌ها می‌تواند بر اساس مدل زیربنایی تغییر کند، به این معنی که ابزاری که امروز کار می‌کند، ممکن است فردا پاسخ متفاوتی بدهد. این امر مستلزم تغییر در نحوه ساختاردهی به کارهای دولتی است.

او مثالی از بخش بهداشت و درمان در Kaiser Permanente می‌زند که الگوریتمی امیدوارکننده برای پیش‌بینی زمان احتمال بازگشت بیمار به بیمارستان توسعه داد. مشکل، اثربخشی فنی هوش مصنوعی نبود، بلکه یک پرسش عملیاتی بود: ابزار را به چه کسی بدهیم — به پرستار یا پزشک؟ و در چه نقطه‌ای از مراقبت بیمار، بیشترین اثر را دارد؟ این دقیقاً مشابه چالش در دولت است: ادغام هوش مصنوعی نیازمند بررسی متفکرانه جریان کاری (Workflow) است، نه فقط خرید یک محصول.

خطرات تمرکز قدرت

نووک نسبت به مدل «کاملاً خصوصی‌شده» شبکه‌های اجتماعی هشدار می‌دهد؛ جایی که الگوریتم‌ها برای حداکثر کردن کلیک‌ها و ایجاد خشم مصنوعی، کاربران را برای کسب درآمد تبلیغاتی آنلاین نگه می‌دارند. او استدلال می‌کند که دولت‌ها باید از قدرت خرید (Procurement power) خود برای مطالبه‌ی شفافیت استفاده کنند. از آنجایی که دولت تاریخی طولانی به عنوان یکی از بزرگترین خریداران تکنولوژی دارد، قوه مجریه می‌تواند از طریق فرآیند خرید فشار بیاورد تا ابزارها متفاوت عمل کنند، به جای اینکه صرفاً به قوه مقننه تکیه کند.

او خواهان «هوش مصنوعی با هدف عمومی» (Public Purpose AI) است. این به معنای آن نیست که دولت باید رقیبی برای ChatGPT یا Claude بسازد، بلکه باید ابزارهای رایگان، متن‌باز و شفاف را بر روی این مدل‌های زبانی بزرگ ایجاد کند. او به‌ویژه نگران الگوریتم‌های تصمیم‌گیر در موارد حساس است، مانند:

• مدیریت مزایا: تصمیمات مربوط به محرومیت یا اعطای کمک‌های دولتی.
• عدالت کیفری: الگوریتم‌هایی که تصمیم می‌گیرند چه کسی به زندان برود یا حکم آن‌ها چگونه باشد.

برای مثال، شهر لوس‌آنجلس از الگوریتمی برای پیش‌بینی ریسک بی‌خانمانی استفاده می‌کند و ادعا می‌کند ۷۱٪ موفقیت در جذب افراد برای مداخلات اولیه دارد. اما نووک تأکید می‌کند که این یک استقرار «یک‌باره» نیست. چون مدل‌های هوش مصنوعی می‌توانند رفتار خود را در طول زمان تغییر دهند، به نظارت و تست مداوم نیاز دارند تا دقت پیش‌بینی آن‌ها حفظ شود.

دیدگاه امکان‌گرا

نووک خود را یک «امکان‌گرا» (Possibilist) می‌نامد؛ اصطلاحی که توسط هانس روسلینگ ابداع شد و هم خوش‌بینی کورکورانه و هم بدبینی مطلق را رد می‌کند. او اشاره می‌کند که سرخوشی‌های اولیه اینترنت — رویای یک میدان عمومی جدید که دموکراسی را احیا کند — به دلیل عدم پیش‌بینی پیامدهای خصوصی‌سازی شبکه‌های اجتماعی، به فجایعی پیش‌بینی نشده منجر شد.

هدف اکنون باید دوری از حواس‌پرتی‌هایی مانند «ربات‌های حاکم»، ترس از اینکه ربات‌ها تمام شغل‌ها را می‌بلعند، یا گفتگوهای محدود درباره‌ی «رقابت‌پذیری آمریکا» و شکست دادن چین در مسابقه‌ی هوش مصنوعی باشد. در عوض، باید بر «میانه‌ی پیچیده و ظریف‌تر» تمرکز کنیم، که شامل موارد زیر است:

• آموزش همگانی: سرمایه‌گذاری روی سواد هوش مصنوعی برای عموم مردم.
• اصلاح خرید: استفاده از قدرت خرید دولت برای مجبور کردن شرکت‌ها به ارائه ابزارهای توضیح‌پذیرتر و پاسخگوتر.
• مکمل‌های عمومی: ساخت جایگزین‌های متن‌باز در کنار بازار خصوصی.

برای تحقق این امر، نووک پیشنهاد می‌کند که ثروت و قدرت پردازشی حاصل از مسابقه‌ی هوش مصنوعی باید به سمت پاسخگوتر کردن دولت‌ها هدایت شود. مسیر پیش‌رو نیازمند تغییر از یک موضع دفاعی در برابر دیپ‌فیک‌ها به یک استراتژی تهاجمی برای توانمندسازی دموکراتیک است، تا اطمینان حاصل شود که مراکز داده و سرمایه‌گذاری‌های انرژی برای مؤثرتر کردن دموکراسی به کار گرفته می‌شوند.

گام بعدی شما

• اگر در سازمان دولتی یا NGO فعالیت می‌کنید، به جای خرید محصول آماده، روی ایجاد لایه‌های «تأیید انسانی» (Human-in-the-loop) برای کاهش توهمات مدل تمرکز کنید.
• ابزارهای متن‌باز را برای ساده‌سازی متون حقوقی و اداری بررسی کنید تا دسترسی شهروندان به خدمات افزایش یابد.
• در مورد شفافیت الگوریتم‌های تصمیم‌گیر در سازمان خود پرس‌وجو کنید و مدل‌های «توضیح‌پذیر» را مطالبه کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.