تصور کنید هر بار که در گوگل چیزی جست‌وجو می‌کنید، در واقع دارید به یک دانش‌آموز نامرئی درس می‌دهید. این همان حقیقتی است که کوین کلی (Kevin Kelly) در سال ۲۰۱۶ پیش‌بینی کرد: گوگل تا سال ۲۰۲۶ دیگر یک موتور جست‌وجو نیست، بلکه یک ابزار جامع هوش مصنوعی است. این ادعای جسورانه که در کتاب «اجتناب‌ناپذیر» مطرح شد، نشان می‌دهد اتفاقات فعلی یک چرخش ناگهانی نیستند، بلکه نتیجه‌ی یک استراتژی ۱۰ ساله و حساب‌شده‌اند.
استراتژی پنهان در پسِ جست‌وجو
برای درک این تغییر، باید به مکانیسم‌های پنهان وب نگاه کنیم. سال‌هاست که دنیا تصور می‌کند هدف گوگل «جست‌وجو» است. حدود سال ۲۰۰۲، پیش از عرضه اولیه سهام (IPO)، گوگل شرکت کوچکی بود که تنها بر جست‌وجو تمرکز داشت. اما طبق گفته‌های کلی، وقتی او در سال ۲۰۰۲ از لری پیج (Larry Page)، یکی از بنیان‌گذاران گوگل، درباره‌ی توجیه اقتصادی و پایداری ارائه جست‌وجوی رایگان وب پرسید، پاسخ پیج تکان‌دهنده بود: «ما در واقع داریم یک هوش مصنوعی می‌سازیم».
به نقل از مستندات این تحلیل، جست‌وجو در واقع یک میدان تمرین بود. هر پرس‌وجو و هر کلیک کاربر، مانند یک جلسه آموزشی عظیم و لحظه‌ای برای شبکه‌های عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — عمل می‌کرد. گوگل از هوش مصنوعی برای بهتر کردن جست‌وجو استفاده نکرد، بلکه از جست‌وجو برای ساخت هوش مصنوعی‌ای بی‌رقیب بهره برد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های بنیادی اشاره کردیم، داده‌های انبوه، سوخت اصلی این پیشرفت‌ها هستند.
چرخ‌دنده‌ی داده‌ها
بر اساس تحلیل سایت taylor.town که در ۱۲ اکتبر ۲۰۲۶ منتشر شد، این استراتژی ۳ میلیارد پرس‌وجوی روزانه را به یک «چرخ‌دنده‌ی داده‌های اختصاصی» تبدیل کرد. سازوکار ساده است: وقتی یک کاربر عبارت «خرگوش عید» را در نوار جست‌وجوی تصاویر تایپ می‌کند و روی دقیق‌ترین عکس کلیک می‌کند، در واقع به هوش مصنوعی می‌آموزد که یک خرگوش عید چه شکلی است.
این مقیاس عظیم از آموزش، در کنار افزایش هزار برابری داده‌ها و صد برابری منابع محاسباتی، منجر به برتری مطلق گوگل شد. همین زیرساخت بود که راه را برای انتشار مقاله «Attention Is All You Need» در سال ۲۰۱۷ و معرفی معماری ترنسفورمر (Transformer) هموار کرد. در پاییز ۲۰۱۵، ساندار پیچای (Sundar Pichai)، مدیرعامل گوگل، این تغییر مسیر را تأیید کرد و اظهار داشت که هوش مصنوعی یک «روش تحول‌آفرین محوری» برای بازنگری در همه چیز، از جست‌وجو و یوتیوب گرفته تا پلی‌استور خواهد بود.
ظهور اولیگارشی هوش مصنوعی
کوین کلی پیش‌بینی کرد که آینده‌ی این فناوری در دست گروه کوچکی از غول‌ها خواهد بود؛ چیزی شبیه به یک «اولیگارشی متشکل از دو یا سه هوش مصنوعی تجاری ابری با کاربرد عمومی».
این تمرکز قدرت به دلیل «اثر شبکه‌ای» یا قانون بازده‌های صعودی رخ می‌دهد:
- کاربران بیشتر منجر به تولید داده‌های بیشتر می‌شود.
- داده‌های بیشتر، هوش مصنوعی را 똑똑تر (باهوش‌تر) می‌کند.
- یک هوش مصنوعی باهوش‌تر، کاربران بیشتری را جذب می‌کند.
این چرخه مثبت، سدی نفوذناپذیر برای رقبای کوچک می‌سازد که آن‌ها را در برابر غول‌ها خرد می‌کند. این رقابت شدید میان پیشگامان صنعت، در تحلیل‌های اخیر به عنوان یک «جنگ خونین» بین OpenAI، گوگل و آنتروپیک توصیف شده است که بر سر تسلط بر این اولیگارشی دیجیتال در جریان است. نتیجه، یک هوش مصنوعی در سطح خدمات شهری (Utility-grade) است؛ نه چیزی شبیه به HAL 9000 در فیلم‌های علمی-تخیلی یا یک «رپچر» تکینگی (Singularitan rapture)، بلکه شبیه به سرویس‌های ابری آمازون (AWS). یک هوشمندی صنعتی و نامرئی که در پس‌زمینه‌ی هر تعامل دیجیتال اجرا می‌شود و دقیقاً به اندازه‌ی نیاز شما، IQ تأمین می‌کند، اما نه بیشتر از آنچه نیاز دارید.
تخصص در برابر تعمیم
در حالی که «ابر» هوش عمومی را فراهم می‌کند، کلی معتقد بود بخش بزرگی از کارهای تجاری واقعی توسط «مغزهای نرم‌افزاری تک‌منظوره» انجام می‌شود. او دنیایی از «متخصصان فوق‌هوشمند اما به شدت محدود» را پیش‌بینی کرد که می‌توانند:
- هر زبانی را به هر زبان دیگری ترجمه کنند، اما تقریباً هیچ کار دیگری بلد نباشند.
- یک ماشین را برانند، اما نتوانند گپ بزنند.
- هر پیکسل از هر ویدیوی یوتیوب را به یاد بیاورند، اما نتوانند روتین‌های کاری شما را پیش‌بینی کنند.
این تمایز، رابط کاربری با کاربرد عمومی را که ما با آن تعامل داریم، از موتورهای تخصصی که وظایف خاص را اجرا می‌کنند، جدا می‌کند. کلی پیش‌بینی کرد که در ۱۰ سال آینده، ۹۹ درصد از هوش مصنوعی که ما به‌طور مستقیم یا غیرمستقیم با آن تعامل داریم، همین متخصصان محدود خواهند بود.
کالایی شدنِ پاسخ‌ها
کلی پیش‌بینی کرد که پرسیدن سؤال از ابر با لحنی محاوره‌ای، به یک کالای جهانی و ارزان تبدیل می‌شود؛ به‌طوری که «هزینه تولید» یک پاسخ به «نانوسنت» برسد.
در این آینده، جست‌وجو دیگر یک کالای لوکس نیست، بلکه یک ابزار ضروری است. ما از انجام یک «جست‌وجو» به دریافت یک «پاسخ» منتقل می‌شویم. این یعنی تبدیل اینترنت از کتابخانه‌ای از لینک‌ها به یک «اوراکل» یا پیشگو که حقایق شناخته‌شده را مستقیماً می‌گوید. ماشین قادر خواهد بود همه چیز را توضیح دهد؛ از اینکه چه کسی جایزه «بهترین بازیکن تازه‌وارد سال» را در ۱۹۷۴ برد، تا اینکه چرا آسمان آبی است یا آیا جهان برای همیشه منبسط خواهد شد یا خیر.
این چشم‌انداز دقیقاً با مسیر فعلی مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — هم‌سو است. هدف، دنیایی است که در آن روزانه صدها سؤال می‌پرسیم. بیشتر این‌ها banal (پیش‌پاافتاده) و شخصی خواهند بود: «جنی کجاست؟»، «اتوبوس بعدی چه ساعتی است؟» یا «آیا این نوع میان‌وعده خوب است؟»
برای رهبران کسب‌وکار، این یعنی مزیت رقابتی از «داشتن فهرست لینک‌ها» به «داشتن هوشمندی» تغییر کرده است. ارزش دیگر در یافتن اطلاعات نیست، بلکه در توانایی پردازش و بیان فوری آن‌هاست. با این حال، برخی اقتصاددانان نسبت به میزان تأثیر واقعی این هوشمندی بر اقتصاد کلان تردید دارند؛ به طوری که دارون عجم‌اوغلو پیش‌بینی می‌کند رشد تولید ناخالص داخلی جهانی بر اثر AI تنها ۱.۵٪ باشد.
با نزدیک شدن به سال ۲۰۲۶، تمرکز بر هزینه این هوشمندی است. کلی طرفدار وزن‌های باز (Open Weights) — یعنی حالتی که «دستور پخت» مدل علناً منتشر شده باشد — است. او پیشنهاد کرد که برای اینکه هوش مصنوعی واقعاً در خدمت علم و تجارت باشد، در ایده‌آل‌ترین حالت باید رایگان باشد، درست مانند فضای مشترک اولیه وب. این دیدگاه با تلاش‌هایی برای دموکراتیزه کردن فناوری هم‌سو است، مانند اقدام بنیاد گیتس برای اختصاص ۱ میلیارد دلار جهت کاهش شکاف دسترسی به هوش مصنوعی در سطح جهان.
منتظر موج بعدی مدل‌های «متخصص» باشید که از رابط‌های چت فراتر رفته و به سمت اجرای صنعتی عمیق و خودمختار حرکت می‌کنند.
گام بعدی شما
- به جای جست‌وجوی کلمات کلیدی، سعی کنید با مدل‌های زبانی برای استخراج پاسخ‌های مستقیم (Direct Answers) از داده‌های خود استفاده کنید.
- ابزارهای تخصصی (Narrow AI) را در گردش‌کارهای خود جایگزین مدل‌های عمومی کنید تا دقت افزایش و هزینه کاهش یابد.
- مدل‌های با وزن‌های باز را برای کاهش وابستگی به APIهای گران‌قیمت غول‌های ابری بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو