نشست علمی-تخصصی «افق‌های نوین علوم اجتماعی در دنیای هوش مصنوعی» روز چهارشنبه، سوم دی‌ماه ۱۴۰۴، توسط دانشکده علوم اجتماعی دانشگاه تهران و با همکاری موسسه حامی علوم انسانی،  با استقبال چشمگیر دانشجویان و پژوهشگران در تالار گفت‌وگوی این دانشکده برگزار گردید.

این نشست در قالب دو پنل تخصصی برنامه ریزی شده بود. پنل نخست با عنوان «معرفی ابزارهای محاسباتی پیشرفته برای تحلیل و سیاست‌گذاری اجتماعی» میزبان چهار سخنران بود: جناب آقای دکتر غلامرضا غفاری (رئیس دانشکده علوم اجتماعی دانشگاه تهران)، دکتر نصیبه اسمعیلی (عضو هیأت علمی دانشکده علوم اجتماعی دانشگاه تهران)، دکتر محمدرضا ابوالقاسمی دهاقانی (مدیر گروه هوش مصنوعی دانشکده برق و کامپیوتر دانشگاه تهران) و دکتر امیرحسین حبیبیان (مدیر تحقیقات هوش مصنوعی شرکت کوالکام هلند). پنل دوم نیز تحت عنوان «واکاوی نسبت هوش مصنوعی با یادگیری ماشین و فناوری‌های اجتماعی» با سخنرانی دکتر محمدرضا ابوالقاسمی دهاقانی، دکتر عبدالحسین وهابی (عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران) و دکتر حسن بشیری (عضو هیأت علمی گروه مهندسی کامپیوتر دانشگاه صنعتی همدان) برگزار گردید.

در ابتدای نشست، دکترغلامرضا غفاری با خوشامدگویی به اساتید و دانشجویان، سخنرانی مربوط به افتتاحیه نشست را با محوریت «علوم اجتماعی در عصر دیجیتال: گذار از تحلیل کلاسیک به تلفیق داده‌محور» ایراد نمودند. ایشان در آغاز سخنان خود این گزاره کلیدی را مطرح کردند که ما در حال گذار از عصر آنالوگ یا پارادایم‌های سنتی به عصر دیجیتال هستیم. به باور ایشان، این تحول، مختصات و الزامات جدیدی را در تمامی عرصه‌ها، به‌ویژه در حوزه علمی و دانشگاهی ایجاد کرده است و آنچه امروز در علوم اجتماعی و نهادهای دانشگاهی شاهد آن هستیم، در سال‌های آینده به شکل کنونی نخواهد ماند؛ تغییری که امری اجتناب‌ناپذیر قلمداد می‌شود.

مواجهه علوم اجتماعی با پدیده‌هایی مانند هوش مصنوعی و علم داده، ذاتاً مواجهه‌ای دوگانه و همراه با کشمکش آمیخته با بیم و امید است. اگرچه دستاوردهای نو در حوزه هوش مصنوعی، حجم عظیم داده‌ها و الگوریتم‌های پیچیده برآمده از علم داده، هیجان‌انگیز و جذاب به نظر می‌رسند، اما این نگرانی عمیق وجود دارد  که آیا ابزارهای نوین، جایگزین تحلیل‌های نظری، مفهومی و بینش‌محور علوم اجتماعی کلاسیک خواهند شد؟ پاسخ قاطعانه خیر است. آشنایی با مهارت‌های علم داده برای پژوهشگر علوم اجتماعی امروز یک ضرورت انکارناپذیر است، اما این ضرورت نباید به قیمت غفلت از بینش جامعه‌شناختی، تسلط نظری و عمق مفهومی تمام شود.

دلیل این ضرورت دوگانه در ماهیت مکمل این دو حوزه نهفته است. علم داده، با ابزاری مانند یادگیری ماشین، الگوها و روابط را در حجم انبوهی از اطلاعات کشف می‌کند و مرحله اول پژوهش، یعنی اکتشاف و توصیف، را پیش می‌برد که این خود یک شرط لازم است. اما فاز دوم و اساسی‌تر، معنا بخشی به این الگوهاست. پرسش از «چرایی» این روابط و تفسیر آنها در بافت اجتماعی، تنها با اتکا به دانش نظری، بینش و بصیرت علوم اجتماعی ممکن می‌شود که شرط کافی تحلیل به شمار می‌آید. ظرفیت بی‌نظیر علم داده را می‌توان در تحولی که در دسترسی به «شواهد» ایجاد می‌کند دید. اگر روش‌های کلاسیک جمع‌آوری داده (مانند پیمایش‌های مقطعی) را مشابه عکاسی از یک صحنه بدانیم، علم داده با استفاده از بیگ دیتا، داده‌های حجیم، متنوع، زنده و پیوسته) فیلمبرداری از پویایی پدیده‌های اجتماعی) را ممکن می‌سازد. این مقایسه، عمق تحول در نگاه به واقعیت اجتماعی را نشان می‌دهد.

در نتیجه، راه‌کار پیشِ رو، اتخاذ یک رویکرد بین‌رشته‌ای است. علم داده به عنوان یک ابزار واسطه‌ای توانمند، امکان دسترسی پژوهشگر علوم اجتماعی به داده‌هایی غنی‌تر، دقیق‌تر و گسترده‌تر را فراهم می‌سازد. در این مسیر، نباید به شیوه‌های کلاسیک محدود شد و همچنین نباید تحت تأثیر جذابیت‌های سطحی فناوری‌های نوظهور قرار گرفت. توانمندسازی پژوهش اجتماعی در عصر دیجیتال، منوط به ادغام هوشمندانه و نظام‌مند این دو حوزه دانش است.

در ادامه، دکتر نصیبه اسمعیلی سخنرانی خود را با عنوان «استفاده از هوش مصنوعی در مدلسازی عامل‌بنیان با هدف تبیین تغییرات اجتماعی» ارائه نمودند. ایشان خاطرنشان کردند که رویکردهای حل مسئله در عصر حاضر، ذاتاً ماهیتی بین‌رشته‌ای یافته‌اند به عنوان نمونه، در حوزه مهندسی، علم داده به عنوان یک ابزار کلیدی برای استخراج بینش از داده‌ها و شواهد پیچیده عمل می‌کند. این همگرایی دانشی، صرفاً به معنای به‌کارگیری ابزارهای کمّی جدید نیست، بلکه امکان دستیابی به درکی عمیق‌تر و همه‌جانبه‌تر از پدیده‌های اجتماعی را  نیز فراهم می‌سازد. در مرکز این ادغام، مناقشه‌ای میان علوم اجتماعی سنتی (غیرمحاسباتی) و رویکردهای جدید مبتنی بر هوش مصنوعی وجود دارد؛ اما هر دو حوزه مکمل یکدیگرند. علوم اجتماعی با ارائه چارچوب‌های نظری و مفهومی، به داده‌ها معنا و تفسیر می‌بخشد، در حالی که علم داده با روش‌های دقیق تحلیلی، دسترسی به داده‌ها و شناسایی الگوهای پنهان در آنها را تسهیل می بخشد.  یکی از بارزترین جلوه‌های این همکاری، استفاده از هوش مصنوعی در مدل‌سازی عامل‌بنیان برای تبیین جامع از پدیده‌های اجتماعی است. این سبک از  مدل‌سازی با شبیه‌سازی رفتار کنشگران فردی (سطح خرد)، امکان درک چگونگی شکل‌گیری الگوهای کلان اجتماعی را فراهم می‌کنند.

برای درک این ارتباط، در جامعه شناسی مدل کلمن (کلان-خرد-کلان) چارچوب مناسبی ارائه می‌دهد. این مدل با کشف یک مسئله در سطح کلان (مانند کاهش میزان باروری) آغاز شده و سپس با تمرکز بر سطح خرد، به بررسی فرآیند شکل‌گیری رفتار کنشگران مختلف (مثلاً زنان تحصیل‌کرده شهری) می‌پردازد. در نهایت، با اتصال این سطوح، الگوهای نوظهور کلان شبیه‌سازی و تبیین می‌شوند. به عنوان مثال، در مطالعه کاهش باروری در تهران، پس از شناسایی مسئله و بررسی عوامل تأثیرگذار ناهمگن بر گروه‌های مختلف زنان، می‌توان با شبیه‌سازی، پیامدهای کلان سیاست‌های مختلف را پیش‌بینی کرد.

در ساخت مدل عامل بنیان، تعریف دقیق عامل ها (مانند دولت، خانوار، فرد)، ویژگی‌ها و قواعد رفتاری آنها گام نخست است. سپس با بهره‌گیری از روش‌های یادگیری ماشین (‌نظارت‌شده و بدون‌نظارت) برای ورودی‌های مدل و حتی استفاده از مدل‌های تقویتی در خروجی مدل شبیه سازی برای بهینه‌سازی نتایج،  و ایجاد یک عامل هوشمند می‌توان سناریوهای آینده را با دقت بیشتری ترسیم کرد. این رویکرد در واقع یک آزمایشگاه مجازی ایجاد می‌کند که امکان آزمودن سیاست‌ها بدون هزینه‌های سنگین مالی و زمانی را ممکن می‌سازد. در نتیجه، اگرچه دسترسی به داده‌های بزرگ شرط لازم برای تحلیل‌های نوین است، اما بدون تفسیر مفهومی و نظری علوم اجتماعی، این داده‌ها ناقص خواهند ماند. تلفیق این دو حوزه، به ویژه از طریق مدل‌سازی عامل‌بنیان، نه تنها تبیین پدیده‌های پیچیده اجتماعی را عمیق‌تر  و جامع تر می‌کند، بلکه مسیر را برای سیاست‌گذاری مبتنی بر شواهد، کارآمد و پیش‌بینانه هموار می‌سازد.

سخنران سوم در پنل اول،  دکتر امیرحسین  حبیبیان سخنرانی خود را با عنوان «مدل‌های مولد بصری؛ چالش‌ها و فرصت‌ها در مسائل اجتماعی» ارائه نموند. ایشان در آغاز بیان داشتند که تحولات چشمگیر در حوزه هوش مصنوعی بینایی‌مبنا و مدل‌های مولد، دیگر صرفاً به درک و تولید محتوای تصویری محدود نمی‌شود. این پیشرفت‌ها، ظرفیت‌های تحلیلی نوینی را برای مواجهه با مسائل پیچیده اجتماعی فراهم نموده که می‌تواند هم‌زمان حاوی چالش‌های اخلاقی، تفسیری و عملی بوده و فرصت‌های بدیع برای پژوهش و سیاست‌گذاری فراهم نماید. این مدل‌ها اکنون به سامانه‌هایی چندوجهی تبدیل شده‌اند که قادر به تولید همزمان و پیوسته متن، صدا و تصویر بوده و حتی می‌توانند به اقدام (Action) در محیط واقعی منجر شوند. این تکامل، ظهور مدل‌های Vision-Language-Action را به همراه داشته که هدف نهایی آن‌ها تجهیز ربات‌ها به "هوش فیزیکی" برای تعامل مؤثر با جهان پیرامون است. از این رو، چالش پیشِ روی جامعه پژوهشی، گذار از تمرکز صرف بر هوش زبانی به سمت درک فضایی و فیزیکی است؛ یعنی توانایی درک سه‌بعدی محیط و انجام کنش‌های مناسب در آن.  این دستاوردها مرهون تحول در معماری مدل‌های مولد است که با ورود ترنسفورمرها از سال ۲۰۱۵-۲۰۱۶ شتاب گرفت. این مدل‌ها پارادایم سنتی "ورودی بزرگ-خروجی کوچک" را به "ورودی کوچک-خروجی پیچیده" تغییر داده‌اند. دو معماری غالب در این عرصه، مدل‌های خودبازگشتی و دیفیوژن هستند که فرآیند تولید را به صورت گام‌به‌گام پیش می‌برند و نه تنها در خلق تصویر از متن، بلکه در ویرایش تصاویر و حتی تولید ویدیوهای ۱۵۰ تا ۱۸۰ فریمی کاربرد دارند.

قابلیت‌های عملی این پیشرفت‌ها حیرت‌آور است. امروزه شاهد کوچک‌سازی این مدل‌ها برای اجرا روی دستگاه‌های سبک‌وزن مانند تلفن‌های همراه هستیم. از سوی دیگر، مدل‌ها به درک عمیق‌تری از فضای سه‌بعدی دست یافته‌اند؛ به گونه‌ای که از یک تصویر دوبعدی می‌توانند ساختار سه‌بعدی یک صحنه را بازسازی، زوایای دید جدیدی تولید و یا اشیا را در کسری از ثانیه جابه‌جا کنند. مدل‌های سه‌بعدی امکان تفکیک اشیا از یک عکس ساده و تبدیل آن به مدلی قابل ویرایش و تعامل را فراهم می‌کنند؛ قابلیتی که در رباتیک، خرید آنلاین و حتی صنعت بازی‌سازی انقلابی به پا کرده است. همچنین، از این فناوری‌ها برای شبیه‌سازی محیط‌های پیچیده و آموزش سیستم‌های حساس مانند خودروهای خودران در سناریوهای "واقعیت موازی" و بی‌خطر استفاده می‌شود.

در نهایت، پیشرفت‌های شتابان به طرز قابل‌توجهی فاصله بین قابلیت‌های انسان و ماشین را کاهش می‌دهد. اما دکتر حبیبیان تاکید نمودند که این تحولات، پیامدهای اجتماعی عمیق و اغلب نگران‌کننده‌ای نیز به همراه خواهند داشت. از جمله این پیامدها می‌توان به خطر افزایش انزوای اجتماعی، دشواری روزافزون در تشخیص محتوای اصیل از جعلی، تمرکز قدرت در دستان تعداد محدودی از شرکت‌های فناوری و تشدید نگرانی‌ها درباره بیکاری ساختاری اشاره کرد. بنابراین، در آستانه این تحول بزرگ، همزمان با تحسین توانمندی‌های فنی، باید تأمل و تدبیر درباره تبعات گسترده آن بر جامعه انسانی را نیز آغاز کرد.

سخنران پایانی پنل نخست، دکتر محمدرضا ابوالقاسمی، سخنرانی خود را با عنوان «تاریخچه و آینده هوش مصنوعی» ارائه نمود. ایشان در بازخوانی تاریخچه این حوزه، به دو مسیر تکاملی موازی و متمایز اشاره کردند: پردازش کربنی و پردازش سیلیکونی.

مسیر کربنی، با آغاز حیات در حدود ۳.۵ میلیارد سال پیش، روند تکامل طبیعی را طی کرده و در نهایت به پیچیده‌ترین ساختار شناخته‌شده، یعنی مغز انسان، انجامیده است. در مقابل، مسیر سیلیکونی که ریشه در مواد معدنی دارد، مسیری بسیار جوان‌تر است و با استفاده از حرکت الکترون‌ها در بستر سیلیکون، زمینه‌ای اساساً جدید برای شکل‌گیری هوش مصنوعی فراهم آورده است.

دکتر ابوالقاسمی تأکید کردند که درک سازوکارهای این مغز کربنی نه تنها برای شناخت عمیق‌تر ماهیت انسان ضروری است، بلکه می‌تواند الهام‌بخش پیشرفت ماشین‌ها و همچنین منبعی برای الهام‌گیری از مکانیسم‌های هوشمندی طبیعی باشد.

از دیدگاه ایشان اهداف هوش مصنوعی در طول زمان دستخوش تحول اساسی شده‌اند. در دوران اولیه، تمرکز بر حل مسائل منطقی و دشواری مانند شطرنج بود، به این امید که دستیابی به این قله، به معنای تحقق هوش مصنوعی کامل است. اما به تدریج پارادایم تغییر کرد و دریافتیم که توانایی‌های به ظاهر ساده‌ای مانند ادراک گفتار و بینایی، که برای یک کودک دو ساله بدیهی است، از نظر محاسباتی به مراتب پیچیده‌تر از بازی شطرنج هستند. این تغییر نگاه، منجر به ظهور هوش مصنوعی مدرنی شد که با الهام از سیستم‌های حسی مغز، در حوزه ادراک و تعامل انقلابی به پا کرد.

تفاوت بنیادین بین این دو نوع هوشمندی در معماری یادگیری و پردازش آن‌ها نهفته است. هوشمندی مغز بر پایه کانکشنیسم یا ارتباط‌گرایی استوار است؛ جایی که هوش نه از سرعت، بلکه از تراکم و گستردگی ارتباطات بین میلیاردها نورون نشأت می‌گیرد. شبکه‌های عصبی عمیق تلاشی برای بازسازی این الگو در فضای نرم‌افزار هستند. در مقابل، یک برتری کلیدی هوش مصنوعی مقیاس‌پذیری و سرعت انتقال دانش است. در حالی که انسان‌ها برای انتقال آموخته‌های خود به پهنای باند محدود زبان وابسته‌اند، دانش در ماشین‌ها می‌تواند با سرعت نور کپی و منتشر شود؛ گویی تمام محتوای ذهن یک استاد در یک لحظه به هزاران شاگرد منتقل می‌شود. از منظر تاریخی، شکل‌گیری رسمی حوزه هوش مصنوعی به کنفرانس دارتموث در ۱۹۵۰ و ارائه «تست تورینگ» بازمی‌گردد. این مسیر با فراز و نشیب‌هایی مانند «زمستان‌های هوش مصنوعی» به دلیل محدودیت‌ها و اغراق‌ها همراه بود، تا اینکه از سال ۲۰۱۲ با قدرت گرفتن یادگیری عمیق، استفاده از پردازنده‌های گرافیکی و ظهور مدل‌های بنیادین و هوش مصنوعی مولد، عصر طلایی جدیدی آغاز شد. با این حال، دکتر ابوالقاسمی هشدار دادند که درک ما از مغز همواره در چارچوب فناوری زمانه محدود است و استعاره‌های امروزی ما ممکن است در آینده کاملاً دگرگون شوند.

در پنل دوم، دکتر ابوالقاسمی به عنوان نخستین سخنران با موضوع «هوش مصنوعی و فناوری‌های اجتماعی» به ارائه بحث پرداختند. ایشان بیان نمودند که امروزه تمرکز اصلی از ماهیت صرفاً فنی فناوری، به سوی آثار اجتماعی و جامعه‌شناختی هوش مصنوعی معطوف شده است. ایشان با معرفی مفهوم «هوشمندی جمعی»، جوامع انسانی را به مثابه شبکه‌ای پویا در نظر گرفتند که در آن، دانش و آگاهی از دل تعاملات میان اعضا ظهور می‌یابد؛ فرآیندی که به طور مشابه در مدل‌های ارتباط‌گرای هوش مصنوعی برای خلق دانش مشاهده می‌شود. این قیاس مفهومی، یک ابزار تحلیلی قدرتمند در اختیار جامعه‌شناسان قرار می‌دهد تا پدیده‌های پیچیده اجتماعی را با چارچوبی نوین مطالعه کنند.

از سوی دیگر، هوش مصنوعی مدرن، به ویژه مدل‌های زبانی، با استفاده از رسانه زبان به عنوان واسطه‌ای کاملاً انسانی، دسترسی همگانی به دانش ماشین را ممکن ساخته و تعامل انسان و رایانه را دموکراتیک کرده است. اما این جذابیت‌ها با چالش‌های عمیقی همراه است. دکتر ابوالقاسمی بر این نکته تأکید داشتند که تحلیل پیامدهای اجتماعی این فناوری، از جمله مسائلی مانند انزوای اجتماعی، تمرکز قدرت و دگرگونی بازار کار، نیازمند نگاه تخصصی از بیرون است. ایشان از جامعه‌شناسان و تحلیلگران علوم انسانی دعوت می‌کنند تا با نگاهی مستقل و انتقادی، این تحولات عظیم را رصد کرده و پیامدهای آن برای آینده زیست انسانی را به درستی بررسی کنند. به عبارتی آقای دکتر ابولقاسمی معتقد است متخصصان فنی (مانند خودش) غرق در ساخت و توسعه مدل هستند و گاهی دقیقاً نمی‌دانند چه چیزی خلق می‌کنند. ایشان تأکید داشتند که جامعه‌شناسان باید از بیرون به این تحولات نگاه کرده و ابعاد و پیامدهای آن را برای آینده جامعه تحلیل کنند.

سخنران دیگر دکتر عبدالحسین وهابی در  سخنرانی خود با عنوان « آشنایی با مبانی  یادگیری ماشین و یادگیری عمیق وپتانسیل آنها در حل مسائل و چالش های اجتماعی »، بر ضرورت گذار از رویکردهای سنتی نظریه‌محور به پارادایم نوین داده‌محور تأکید کردند. این تحول که با ظهور یادگیری ماشین آغاز شد، با گسترش فزاینده داده‌های دیجیتال—مانند تبدیل سیگنال تلویزیون از آنالوگ به دیجیتال—شتاب بی‌سابقه‌ای یافته است. در این فضای جدید، مدل‌های هوش مصنوعی با تغذیه از حجم عظیم داده‌ها—برای نمونه، مدل «سنتار» که در مقاله‌ای در نشریه نیچر معرفی شد و با ۱۰ تریلیون داده رفتاری انسان آموزش دید—قادر به شبیه‌سازی فرآیندهای شناختی پیچیده هستند.

با این حال، دکتر وهابی هشدار می‌دهند که این قدرت روزافزون بدون آسیب نیست. ایشان با تشبیه هوش مصنوعی به سیستم ایمنی بدن، نسبت به خطر «حمله به خود»—مانند بروز حالت شبهسایکوز در کودکان که تفکر نقادانه را تضعیف می‌کند—هشدار دادند. به باور ایشان، فرآیند واقعی یادگیری، چه در انسان و چه در ماشین، نیازمند تقابل با دشواری است؛ چنانکه قانون هب در علوم اعصاب نیز بر تقویت مسیرهای عصبی در اثر فعالیت و هوشیاری تأکید دارد. در واقع، رشد حقیقی مستلزم گذر از درد و خطاست، نمونه ملموس آن یادگیری برنامه‌نویسی پایتون است که تنها با نوشتن کد، مواجهه با خطاها و پشت سرگذاشتن استرسِ حل مسئله ممکن می‌شود—تجربه‌ای که حتی دانشجویان رشته‌هایی علوم اجتماعی  نیز می‌توانند از سر بگذرانند.

در بعد فنی، دکتر وهابی به نقش فضای برداری کلمات در پردازش زبان طبیعی و عملکرد مدل‌های زبانی بزرگ اشاره کردند که بر پایه پیش‌بینی توکن بعدی—با استفاده از داده‌های عظیم اینترنت—کار می‌کنند. اما تمرکز اصلی ایشان بر توانمندسازی دانشجویان در این اکوسیستم بود. ایشان بر این باورند که دانشجویان نباید صرفاً کاربران منفعلی از مدل‌های آماده باشند؛ بلکه باید با مشارکت در توسعه مدل‌های متن‌باز مانند Llama و درک عمیق مبانی، نقش فعالی ایفا کنند. این امر در مقابل روند نگران‌کننده‌ای قرار دارد که در آن شرکت‌های بزرگ فناوری ممکن است به تدریج نیروی انسانی را با ماشین جایگزین کنند—چیزی شبیه به یک «انقلاب کارگری» جدید.

در نتیجه، دکتر وهابی از دانشجویان می‌خواهد که از هوش مصنوعی به شکل محدود و هوشمندانه بهره ببرند—به عنوان ابزاری برای تسهیل جستجو و اکتشاف، نه جایگزینی برای تفکر عمیق و نقادانه. آینده مستلزم توسعه‌دهندگانی آگاه و خلاق است که همزمان از تغییرات آکادمیک و روانی همراه با این فناوری آگاه باشند. همان‌طور که انیمیشن Iwaju (2024) نیز آینده‌ای بالقوه همراه با کمبود منابع را ترسیم می‌کند، مسیر پیش رو نیازمند ترکیبی از مهارت‌سازی عملی، توجه به خطرات اخلاقی و حفظ جایگاه انسانی در دنیایی است که به سرعت در حال دگرگونی است.

دکتر حسن بشیری به عنوان آخرین سخنران پنل دوم  در  سخنرانی خود با عنوان « کار بست هوش مصنوعی  در علوم اجتماعی»، بر محوریت داده به عنوان سوخت اصلی و بنیان تحولات این حوزه تأکید کردند. ایشان هوش مصنوعی را مجموعه‌ای از ویژگی‌های کلیدی از جمله فهم زبان، یادگیری، استدلال و توانایی بازتولید محتوای چندوجهی تعریف کردند و گذار تاریخی از روش‌های قانون‌محور پنجاه تا شصت سال پیش به سوی یادگیری عمیق را تشریح نمودند. این تحول از حدود سال ۲۰۱۰ شتاب گرفت، تا جایی که دقت سیستم‌ها در تشخیص تصاویر از سال ۲۰۱۲ به سرعت بهبود یافت و بین سال‌های ۲۰۱۵ تا ۲۰۱۶ از توانایی انسان پیشی گرفت. سه عامل اصلی این موفقیت عبارت بودند از: قدرت سخت‌افزاری ، به ویژه پردازنده‌های گرافیکی یا GPU، دسترسی به حجم عظیم داده و پیشرفت در معماری شبکه‌های عصبی عمیق.

در این پارادایم جدید، روش‌های یادگیری ماشین به سه دسته اصلی تقسیم می‌شوند: یادگیری با نظارت (با استفاده از داده‌های برچسب‌دار)، یادگیری بدون نظارت (برای استخراج خودکار الگوها و ویژگی‌ها) و یادگیری تقویتی (متکی بر سیستم پاداش و جریمه). این تحولات به نوعی به «پایان نظریه سنتی» منجر شده است؛ همان‌گونه که مقاله اندرسون در سال ۲۰۰۸ ادعا کرد، در عصر جدید «داده‌ها خود سخن می‌گویند» و فرآیند پژوهش از رویکرد فرضیه‌محور به سوی تحلیل داده‌محور حرکت کرده است.

اهمیت داده با مثال‌های متعددی مورد تأکید قرار گرفت. مدل‌های هوش مصنوعی با دسترسی به داده بیشتر، دقت بالاتری ارائه می‌دهند که این رابطه در نمودارهای عملکرد به وضوح قابل مشاهده است. کتاب «همه دروغ می‌گویند» نشان می‌دهد چگونه موتور جستجوی گوگل از طریق تحلیل جستجوهای کاربران، مشکلات واقعی جامعه را شناسایی می‌کند. شرکت «کارفکس» نیز با گردآوری و فروش داده‌های خام خودروها (با قیمتی حدود ۴۰ دلار به ازای هر خودرو) از منابعی مانند پلیس و شرکت‌های بیمه، نمونه‌ای از اقتصاد مبتنی بر داده است. مواردی مانند ماجرای کمبریج آنالیتیکا در انتخابات ۲۰۱۶ آمریکا، که در آن داده‌های فیسبوک برای تحلیل شخصیت و تبلیغات هدفمند سیاسی استفاده شد، و نیز سیستم اعتبار اجتماعی چین که بر اساس امتیازدهی به شهروندان (با پایه ۱۰۰۰) تا سال ۲۰۱۸ منجر به ممنوعیت پرواز ۱۷.۵ میلیون نفر شد، همگی قدرت و البته خطرات داده‌محوری را در عرصه اجتماعی آشکار می‌سازند.

در حوزه علمی، گزارش موسسه استنفورد (AI Index 2025) نشان می‌دهد هوش مولد در برخی حوزه‌ها از توانایی افراد دارای مدرک دکترا نیز بهتر عمل می‌کند. پروژه‌های کاربردی مانند «هوش مصنوعی برای ارزیابی» (۲۰۲۱-۲۰۲۴) که با هدف استفاده از هوش مصنوعی در ارزیابی‌های اجتماعی و خدمات عمومی طراحی شده، گام‌های عملی در این مسیر است. این پروژه شامل فازهای تحقیق اجتماعی، شبیه‌سازی و آزمایشگاه «هوش مصنوعی بهتر» می‌شود و نمونه‌ای از ادغام هوش مصنوعی در فرآیند سیاست‌گذاری اجتماعی است.

در نتیجه، دکتر بشیری خاطرنشان کردند که هوش مصنوعی یک پارادایم جدید در علوم اجتماعی و حکمرانی ایجاد کرده است که تصمیم‌گیری را به شدت تحت تأثیر قرار می‌دهد. با این حال، موفقیت و مسئولیت‌پذیری این تحول منوط به دسترسی به داده‌های تمیز، غنی و اخلاق‌محور است. ایشان با اشاره به تجربیات دانشگاه هاروارد، بر این نکته تأکید کردند که دانشجویان علوم اجتماعی برای کسب مزیت رقابتی در این عصر، لازم است با ابزاری مانند برنامه‌نویسی پایتون و مفاهیم پایه‌ای داده‌کاوی آشنا شوند تا بتوانند در این منظومه جدید نقش‌آفرینی کنند.
 

[دانلود فایل خلاصه صوتی نشست]

گوش دادن به صورت آنلاین از پایین همین صفحه