به جای تنظیم مدل‌های هوش مصنوعی، استفاده از هوش مصنوعی را تنظیم کنید

ایالات متحده - خبرگزاری اخباری

به جای تنظیم مدل‌های هوش مصنوعی، استفاده از هوش مصنوعی را تنظیم کنید

چشم‌انداز جهانی مقررات هوش مصنوعی (AI) به سرعت در حال تحول است و کشورها استراتژی‌های متفاوتی را برای حاکمیت این فناوری تحول‌آفرین دنبال می‌کنند. از قوانین چین با محوریت ارائه‌دهنده، تا قانون جامع هوش مصنوعی اروپا و چارچوب نوظهور حاکمیت هند، جامعه بین‌المللی در تلاش است تا بهترین راه را برای بهره‌برداری از پتانسیل هوش مصنوعی و در عین حال کاهش خطرات آن پیدا کند. در میان این رقابت پیچیده ژئوپلیتیکی و فناورانه، ایالات متحده خود را در دوراهی می‌یابد، با ایالت‌های منفردی که قوانین خاص خود را وضع می‌کنند، در حالی که تلاش‌های فدرال با هدف ایجاد یک رویکرد متحدتر صورت می‌گیرد. یک سوال اساسی برای مهندسان و سیاست‌گذاران آمریکایی مطرح می‌شود: کدام چارچوب نظارتی را ایالات متحده می‌تواند به طور مؤثر برای کاهش آسیب‌های ملموس و واقعی پیاده‌سازی کند؟

جان دِوادوس (John deVadoss)، یک متخصص فناوری باتجربه و هم‌بنیان‌گذار NeuralFabric (که توسط Cisco خریداری شد)، خواستار تغییر پارادایم در حاکمیت هوش مصنوعی است. به جای تلاش برای تنظیم مدل‌های پیچیده، اغلب گریزان، هوش مصنوعی زیربنایی، دوادوس پیشنهاد می‌کند که تلاش‌های نظارتی را بر روی *استفاده* از سیستم‌های هوش مصنوعی متمرکز کنیم. او استدلال می‌کند که این رویکرد نه تنها عملی‌تر است، بلکه با واقعیت‌های فناوری دیجیتال و چارچوب‌های حقوقی موجود، به ویژه در ایالات متحده، همسو‌تر است.

روند فعلی مقررات جهانی، تفاوت‌های قابل توجهی را نشان می‌دهد. مقررات اولیه چین در مورد هوش مصنوعی که در سال 2021 منتشر شد، تأکید زیادی بر حاکمیت محتوا و پاسخگویی ارائه‌دهنده داشت که از طریق نظارت بر پلتفرم و الزامات ثبت سوابق اجرا می‌شد. اروپا، با قانون برجسته هوش مصنوعی اتحادیه اروپا (که از سال 2024 لازم‌الاجرا است)، در حال حاضر به دنبال به‌روزرسانی‌ها و ساده‌سازی‌ها است که نشان‌دهنده ماهیت پویا حاکمیت هوش مصنوعی است. هند در نوامبر 2025، سیستم حاکمیت هوش مصنوعی خود را که توسط مشاوران ارشد فنی توسعه یافته بود، منتشر کرد. در این میان، ایالات متحده تصویر پراکنده‌تری را ارائه می‌دهد. قوانین در سطح ایالتی در حال ظهور هستند و مجموعه‌ای از قوانین را ایجاد می‌کنند، در حالی که ابتکارات فدرال در سال 2025 به دنبال متمرکز کردن کنترل و احتمالاً شل کردن محدودیت‌های موجود بوده‌اند که منجر به بحث و عدم قطعیت قابل توجهی شده است.

دِوادوس پیشنهاداتی مانند صدور مجوز برای دوره‌های آموزشی «پیشرو» یا محدود کردن مدل‌های با وزن باز را نقد می‌کند و قانون «شفافیت در هوش مصنوعی پیشرو کالیفرنیا» (Transparency in Frontier Artificial Intelligence Act) را به عنوان نمونه ذکر می‌کند. او استدلال می‌کند که این اقدامات، اگرچه با نیت خوب انجام می‌شوند، اما به جای حاکمیت مؤثر، توهم کنترل را ارائه می‌دهند. چالش اساسی در ماهیت خود مدل‌های هوش مصنوعی نهفته است. وزن مدل‌ها و کدها اساساً مصنوعات دیجیتالی هستند. پس از انتشار در فضای دیجیتال - چه از طریق تحقیقات قانونی، نشت‌های تصادفی، یا اقدامات رقبا خارجی - می‌توانند تقریباً با هزینه صفر تکثیر شوند. تلاش برای کنترل یا «لغو انتشار» این مصنوعات شبیه تلاش برای گرفتن دود است. تلاش‌ها برای محدود کردن جغرافیایی تحقیقات یا جلوگیری از تقطیر مدل‌های بزرگ به مدل‌های کوچکتر و در دسترس‌تر از نظر فنی دشوار است، اگر نگوییم غیرممکن، برای اجرای جهانی.

پیامدهای تلاش برای تنظیم مستقیم مدل‌ها دوگانه و مضر است. اول، شرکت‌های مطیع، به ویژه استارت‌آپ‌ها و شرکت‌های کوچکتر، در معرض خطر دفن شدن زیر حجم زیادی از کاغذبازی و رویه‌های پیچیده انطباق هستند که می‌تواند نوآوری و رشد اقتصادی را به طور بالقوه خفه کند. دوم، بازیگران کمتر با وجدان می‌توانند به راحتی از این مقررات با فعالیت در خارج از کشور، استفاده از شبکه‌های زیرزمینی، یا بهره‌برداری از خلاءها طفره روند. این امر یک زمین بازی نابرابر ایجاد می‌کند که در آن بازیگران اخلاقی مجازات می‌شوند و بازیگران غیراخلاقی برتری کسب می‌کنند.

علاوه بر این، در زمینه ایالات متحده، تنظیم انتشار مدل‌های هوش مصنوعی با موانع قانونی قابل توجهی مرتبط با آزادی بیان روبرو است. دادگاه‌های فدرال به طور تاریخی کد منبع نرم‌افزار را به عنوان شکلی از بیان محافظت شده در نظر گرفته‌اند. در نتیجه، هرگونه رژیم نظارتی که به دنبال جلوگیری یا محدود کردن شدید انتشار و توزیع مدل‌های هوش مصنوعی باشد، ممکن است با چالش‌های حقوقی قابل توجهی روبرو شود و به طور بالقوه خلاف قانون اساسی شناخته شود.

جایگزین مقررات سختگیرانه مدل، یک رویکرد عدم مداخله نیست. دوادوس تأکید می‌کند که عدم اقدام یک گزینه نیست. بدون حفاظ‌های مناسب، جامعه همچنان شاهد گسترش کاربردهای مضر هوش مصنوعی، از جمله کلاهبرداری‌های پیچیده دیپ‌فیک، کلاهبرداری‌های مالی خودکار، و کمپین‌های فراگیر متقاعدسازی انبوه خواهد بود. چنین گسترش کنترل نشده‌ای اغلب منجر به نقطه بحرانی می‌شود و واکنشی واکنشی و با انگیزه سیاسی را مجبور می‌کند که اولویت را به ظواهر بر نتایج مؤثر بدهد.

یک رژیم نظارتی مبتنی بر استفاده، راه‌حل عملی‌تری ارائه می‌دهد. این رویکرد شامل طبقه‌بندی استقرار هوش مصنوعی بر اساس سطح ریسک بالقوه آنها و مقیاس‌بندی تعهدات نظارتی بر این اساس است. به عنوان مثال، برنامه‌های کاربردی پرخطر در بخش‌های حیاتی مانند مراقبت‌های بهداشتی، مالی یا اشتغال، مشمول نظارت، آزمایش و معیارهای پاسخگویی سخت‌گیرانه‌تری نسبت به برنامه‌های کم‌خطر در زمینه‌هایی مانند سرگرمی یا بهره‌وری عمومی خواهند شد. این چارچوب تضمین می‌کند که تلاش‌های نظارتی دقیقاً در جایی که سیستم‌های هوش مصنوعی با افراد تعامل دارند و پتانسیل آسیب بیشترین اهمیت را دارد، متمرکز شوند. این امر انعطاف‌پذیری، سازگاری و رویکرد هدفمندتر به اجرا را امکان‌پذیر می‌سازد و آن را در کاهش خطرات دنیای واقعی مؤثرتر می‌کند بدون اینکه پیشرفت فناوری را به طور نامناسبی مانع شود.

جان دوادوس تجربه گسترده‌ای را به گفتمان حاکمیت هوش مصنوعی می‌آورد. او هم‌بنیان‌گذار NeuralFabric، شرکتی متخصص در مدل‌های بنیادین خاص دامنه است که توسط Cisco خریداری شد. او همچنین هم‌بنیان‌گذار InterWork Alliance است، جایی که چارچوب نوآورانه Token Taxonomy Framework را برای دارایی‌های دیجیتال توسعه داد. حرفه گسترده او شامل نقش‌های رهبری در Microsoft است، جایی که او پیشگام معماری سرویس‌گرا (SOA) بود، چارچوب .NET را طراحی کرد و ابتکاراتی مانند Microsoft Digital را رهبری کرد. او مدرک دکتری در هوش مصنوعی از دانشگاه ماساچوستس، آمهرست دارد.

خبرگزاری اخباری