مسیر رسیدن به این لحظه، طولانی، پرفراز و نشیب و گاهی خجالتآور بوده است. برای درک اینکه چقدر پیشرفت کردهایم، باید بپذیریم کجا بودهایم—از جمله انحراف به مسیرهای بنبستی که امروز با مرور آنها در گذشته، تقریباً مرورشان دردناک است.
😫 اواخر دهه ۱۹۹۰: عصر کلافگی
📎 اگر در اواخر دهه ۱۹۹۰ از مایکروسافت ورد استفاده میکردید، «کلیپی» را به یاد دارید. احتمالاً یادتان هست که به خاطر کلیپی دلتان میخواست کامپیوترتان را از پنجره بیرون پرتاب کنید!
👀 برای کسانی که آشنا نیستند: کلیپی یک گیره کاغذ پویانماییشده با چشمان درشت و متحرک بود که بیدعوت، حین تایپ کردن شما ظاهر میشد. با ابروهای متحرکش میگفت: «به نظر میرسد داری یک نامه مینویسی. کمکی لازم داری؟»
💡 پیشفرضهای پشت کلیپی خیرخواهانه بود. مایکروسافت میخواست نرمافزارها را مفیدتر و در دسترستر کند. میخواست نیازهای کاربر را پیشبینی کند. اما اجرا به یک دلیل ساده فاجعهبار بود: کلیپی هیچ ایدهای نداشت که شما واقعاً چه کار میکنید. این ابزار فقط چند قانون تطبیق الگو داشت. اگر «عزیز» تایپ میکردید، فرض میکرد نامه مینویسید. اگر یک لیست تایپ میکردید، فرض میکرد دارید یک لیست نقطهای میسازید. مدام در حال حدس زدن بود و تقریباً همیشه اشتباه میکرد.
🗑️ کلیپی یک «عامل» (Agent) نبود. این فقط یک تبلیغ پاپآپ پرزرقوبرق برای قابلیتهایی بود که یا از قبل میدانستید یا اصلاً نمیخواستید. هیچ حافظهای از تعاملات گذشته نداشت. نمیتوانست یاد بگیرد. نمیتوانست خود را تطبیق دهد. معادل دیجیتال یک کارآموز خوشقلب اما بهشدت آزاردهنده بود که فقط سه ترفند بلد است و دقیقاً در اشتباهترین لحظات آنها را پیاده میکند.
📉 صنعت فناوری درس ارزشمندی از شکست کلیپی گرفت: کمکِ بد، از نداشتن هیچ کمکی بدتر است. قطع کردن تمرکز کسی برای ارائه کمکِ بیربط، نه تنها وقت را تلف نمیکند، بلکه فعالانه اعتماد را از بین میبرد و باعث میشود مردم از شما متنفر شوند.
🤫 سالها پس از بازنشستگیِ کاملاً بهحقِ کلیپی، دستیارهای دیجیتال ساکت شدند. ابزارها سریعتر شدند، صفحهنمایشها شفافتر، اما مدل تعامل بنیادین بدون تغییر باقی ماند: شما دستور میدادید، ماشین اطاعت میکرد. ماشین هرگز، هرگز اول صحبت را شروع نمیکرد.
🛠️ دهه ۲۰۰۰: ظهور دستیارهای تخصصی
🌊 موج بعدی آرامآرام و در قالبهای تخصصی از راه رسید. غلطگیرهای املایی هوشمندتر شدند. بررسیکنندههای گرامر از سیستمهای ساده مبتنی بر قانون («هرگز فعل مصدر را جدا نکنید») به مدلهای آماری تکامل یافتند که واقعاً میتوانستند بافت متن را درک کنند. نرمافزارهای تبدیل گفتار به متن به طرز چشمگیری بهبود یافتند و یاد گرفتند خود را با صداهای و لهجههای فردی تطبیق دهند.
🔄 اینها پیشرفتهای واقعی بودند، اما هنوز ماهیتاً واکنشی (Reactive) بودند. میتوانستند املای شما را اصلاح کنند یا کلماتتان را پیادهسازی کنند، اما هیچ ایدهای نداشتند که شما سعی دارید چه بگویید. آنها روی سطح زبان کار میکردند، نه روی معنای آن. در تشخیص الگو درخشان بودند، اما در درک منظور، افتضاح.
📝 غلطگیر گرامر مایکروسافت ورد در حدود سال ۲۰۰۵ را در نظر بگیرید. میتوانست یک ساختار مجهول («توپ توسط پسر پرتاب شد») را پرچمگذاری کند و یک جایگزین معلوم پیشنهاد دهد. اما هیچ راهی برای فهمیدن این موضوع نداشت که شما در حال نوشتن یک مقاله علمی هستید که در آن گاهی اوقات ترجیح داده میشود از حالت مجهول استفاده کنید. ژانر، مخاطب یا هدف شما را درک نمیکرد. فقط یک الگو را میشناخت و بدون تبعیض آن را پرچمگذاری میکرد.
⏳ باز هم، ماشین منتظر دستور شما بود. هرگز ابتکار عمل نداشت. هرگز سؤال نمیپرسید. هرگز سعی نمیکرد هدف عمیقتر پشت نوشته شما را درک کند. این یک ابزار بود، نه یک شریک.
🗣️ دهه ۲۰۱۰: نقطه عطف مکالمهای
📱 سپس سال ۲۰۱۱ فرا رسید و همهچیز تغییر کرد—یا حداقل چنین به نظر میرسید. اپل «سیری» (Siri) را معرفی کرد. برای اولین بار، میلیونها فرد عادی تجربه صحبت کردن با کامپیوترشان را انگار که یک انسان است، به دست آوردند. «یک یادآور برای ساعت ۳ بعدازظهر تنظیم کن.» «آبوهوای توکیو چطوره؟» «یک رستوران تایلندی نزدیک من پیدا کن.» و گوشی پاسخ میداد. زبان طبیعی را میفهمید. میتوانست یک مکالمه ساده را پیش ببرد. حتی میتوانست جوک تعریف کند.
🔊 الکسای آمازون در سال ۲۰۱۴ و سپس دستیار گوگل در سال ۲۰۱۶ از راه رسیدند. ناگهان هوش مصنوعی مکالمهای همهجا حاضر شد—در گوشیها، بلندگوها و ماشینهای ما. میتوانستیم سؤال بپرسیم، دستور بدهیم و حتی گپهای روزمره بزنیم. رویای یک دستیار دیجیتال واقعاً مفید در دسترس به نظر میرسید.
🎭 و با این حال... سیری و خواهر و برادرهایش، از جهات بسیاری، شعبدهبازیهای پرزرقوبرقی بیش نبودند. پشت ظاهر مکالمهای آنها، معماری صلبی از «مهارتهای» از پیش برنامهریزیشده و یکپارچهسازیهای محدود نهفته بود. سیری میتوانست آبوهوا را بررسی کند چون اپل یک ماژول آبوهوا ساخته بود. میتوانست یادآور تنظیم کند چون اپل ماژول یادآورها را ساخته بود. اما اگر چیز غیرمنتظرهای از آن میپرسیدید—چیزی خارج از لیست دقیقاً تنظیمشده قابلیتهایش—مودبانه میگفت: «متأسفم، نمیتوانم در این مورد کمکی کنم.»
🧠 مهمتر از آن، سیری نمیتوانست یاد بگیرد. نمیتوانست خود را با گردش کار شخصی شما تطبیق دهد. نمیتوانست یک هدف پیچیده و چندمرحلهای را بر عهده بگیرد و نحوه دستیابی به آن را کشف کند. به سیری بگویید: «ماه آینده با شرکت آکمه ملاقات دارم. میتوانی یک گزارش تحلیلی از عملکرد مالی اخیرشان، تیم رهبریشان و هر خبری درباره جهتگیری استراتژیکشان آماده کنی؟» سیری با نگاهی خیره و خالی به شما نگاه میکرد. این مفاهیم—«گزارش تحلیلی»، «عملکرد مالی»، «تیم رهبری»، «جهتگیری استراتژیک»—خارج از دنیای او بودند. او هیچ چارچوبی برای درک اهداف نداشت، فقط دستورات را میفهمید.
🎙️ سیری نقطه اوج مرحله «ابزار فعال» بود. این یک پردازنده دستورات صوتی درخشان بود. اما هنوز یک ابزار بود. شما هنوز باید دقیقاً میدانستید چه میخواهید و دقیقاً چگونه آن را بپرسید. ماشین همیشه منتظر دستور شما بود.
🌊 اواخر ۲۰۲۲: شکسته شدن سد
🗓️ سپس ۳۰ نوامبر ۲۰۲۲ فرا رسید. اوپنایآی یک رابط وب ساده با یک کادر متنی راهاندازی کرد. زیر کادر متنی، با حروف خاکستری نوشته شده بود: «ChatGPT: بهینهسازی مدلهای زبانی برای گفتگو.» هیچ کنفرانس مطبوعاتی نبود. هیچ حمایتی از سوی افراد مشهور نبود. هیچ هیاهویی نبود. فقط یک پست وبلاگ و یک لینک.
📈 ظرف پنج روز، بیش از یک میلیون نفر از آن استفاده کردند. ظرف دو ماه، ۱۰۰ میلیون نفر. این سریعترین پذیرش محصول در تاریخ بشر بود—سریعتر از تیکتاک، سریعتر از اینستاگرام، سریعتر از هر چیز دیگری.
❓ چرا؟ چه چیزی متفاوت بود؟
🧬 ChatGPT روی مجموعه خاصی از دستورات آموزش ندیده بود. با لیستی از «مهارتها» برنامهریزی نشده بود. در عوض، روی بخش عظیمی از زبان و فرهنگ انسانی—کتابها، مقالات، وبسایتها، کدها و مکالمات—آموزش دیده بود. قوانین را یاد نگرفت؛ بلکه الگوها را یاد گرفت. حقایق را در یک پایگاه داده ذخیره نکرد؛ بلکه نوعی شهود آماری درباره نحوه کارکرد زبان توسعه داد.
✨ این بدان معنا بود که وقتی چیزی از ChatGPT میپرسیدید، در حال بازیابی یک پاسخ از پیش نوشتهشده نبود. بلکه در حال تولید یک پاسخ بود، کلمه به کلمه، بر اساس درکش از اینکه یک پاسخ مفید چگونه باید باشد. میتوانست یک شعر به سبک امیلی دیکنسون بنویسد. میتوانست مکانیک کوانتومی را برای یک بچه پنجساله توضیح دهد. میتوانست یک قطعه کد پایتون را دیباگ کند. میتوانست یک طرح تجاری پیشنویس کند. میتوانست از هر دو طرف یک بحث فلسفی دفاع کند.
🌍 برای اولین بار، یک ابزار دیجیتال میتوانست با مسائل باز و بدون جواب مشخص درگیر شود. فقط اطلاعات بازیابی نمیکرد؛ بلکه ایدههای جدیدی را سنتز (ترکیب) میکرد. فقط الگوها را تطبیق نمیداد؛ بلکه در حال درک کردن بود—به نوعی معنادار—اینکه شما چه میپرسیدید و چرا.
🚀 این یک موتور جستجوی بهتر نبود. این یک غلطگیر املایی فانتیتر نبود. این یک چیز کاملاً متفاوت بود.
🌅 عصر ابزار منفعل به پایان رسیده بود. پایه و اساس «عامل» (Agent) گذاشته شده بود.