مدل های پایه می توانند الگوها را تشخیص دهند و مانند مغز انسان پیش بینی کنند. با این حال، آنها فاقد تجربیات ذهنی، استدلال زمینه‌ای، خلاقیت، و زمینه‌های تجسمی هستند که مشخصه هوش و شناخت انسان است. در حالی که مدل های بنیادی دارای پتانسیل عظیمی برای محدود کردن آسیب غیرنظامی هستند، باید از آنها برای تکمیل – نه جایگزین – تحلیلگران انسانی استفاده شود.
در ماه آگوست، وزارت دفاع (D0D) یک گروه ضربت هوش مصنوعی مولد ایجاد کرد که وظیفه آن مشاوره دادن به این وزارتخانه در مورد بهترین استفاده از هوش مصنوعی در همه چیز، از جنگ تا امور بهداشتی و تجاری است. گروه ضربت همچنین باید بهترین نحوه استفاده از یک کاربرد خاص از هوش مصنوعی، به نام مدل‌های بنیادی را در حمایت از یکی از اولویت‌های فزاینده وزیر دفاع لوید آستین در نظر بگیرد: درک، پیش‌بینی و جلوگیری از آسیب غیرنظامی.
مدل های پایه می توانند الگوها را تشخیص دهند و مانند مغز انسان پیش بینی کنند. با این حال، آنها فاقد تجربیات ذهنی، استدلال زمینه‌ای، خلاقیت، و زمینه‌های تجسمی هستند که مشخصه ی هوش و شناخت انسان است. در حالی که مدل های بنیادی دارای پتانسیل عظیمی برای محدود کردن آسیب غیرنظامی هستند، باید از آنها برای تکمیل – نه جایگزین – تحلیلگران انسانی استفاده کرد.
بر خلاف بسیاری از مدل‌های هوش مصنوعی، که برای کارهای خاص مانند تشخیص چهره در عکس‌ها یا پیش‌بینی روند بازار سهام طراحی شده‌اند، مدل‌های پایه مانند ChatGPT بر روی مجموعه داده‌های گسترده‌ای که شامل طیف گسترده‌ای از اطلاعات از اینترنت است، آموزش دیده‌اند. این بدان معناست که آنها در معرض همه چیز از مقالات علمی گرفته تا اسناد تاریخی و نقد فیلم بوده اند. در نتیجه، آنها می‌توانند در مکالمات شرکت کنند، متن خلاقانه تولید کنند، زبان‌ها را ترجمه کنند، و موارد دیگر – که گاهی اوقات از تحلیلگران پیشی می‌گیرند. تجزیه و تحلیل تصویر بزرگ آنها می تواند شکاف های اجتناب ناپذیر در شناخت انسان را پر کند که در غیر این صورت ممکن است به آسیب غیرنظامی منجر شود. در واقع، پر کردن چنین شکافی ضروری است.
گزارش 2021 توسط شرکت RAND نشان داد که شکست وزارت دفاع در محافظت از غیرنظامیان تا حدی ناشی از کمبود داده ها و فناوری لازم برای شناسایی خطرات احتمالی برای غیرنظامیان یا تأیید گزارش های آسیب است. تهدیدات علیه غیرنظامیان در طول درگیری به سرعت تشدید می شود و درک کامل منظره آسیب ها را برای شناخت انسان به تنهایی دشوار می کند. این امر به ویژه زمانی صادق است که جنگ از راه دور یا اتکا به نیروهای شریک، دیدگاه وزارت دفاع را در زمین پنهان کند. علاوه بر این، داده‌های مربوط به آسیب اغلب از چندین منبع غیرمرتبط، از جمله ارزیابی‌های اطلاعاتی رسمی، گزارش‌های بشردوستانه و ژورنالیستی، و گپ‌های رسانه‌های اجتماعی به دست می‌آیند. این کمبودهای تحلیلی فرآیندهای وزارت دفاع را برای انجام ارزیابی‌های خطر آسیب غیرنظامی، و برای تکمیل تحقیقات پس‌هک آسیب که در غیر این صورت به بهبود خطاهای گذشته کمک می‌کند، مختل می‌کند.
مدل‌های بنیادی، با توانایی خود در تجزیه و تحلیل مجموعه داده‌های بزرگ، می‌توانند با گردآوری داده‌ها در منابع مختلف و برجسته کردن الگوها یا ناهنجاری‌هایی که نشان‌دهنده خطرات بالقوه یا آسیب‌های گذشته برای غیرنظامیان است، کمک کنند. هنگامی که به طور عاقلانه و همراه با تخصص انسانی مورد استفاده قرار گیرند، می توانند ماموریت وزارت دفاع برای به حداقل رساندن آسیب غیرنظامیان را تسریع بخشند.
همانطور که در مقاله‌ای (PDF) که سال گذشته توسط مرکز تجزیه و تحلیل نیروی دریایی منتشر شد، نشان داده شده است، تحلیل رسانه‌های اجتماعی و پردازش زبان طبیعی در حال حاضر برای بهبود آگاهی موقعیتی برای نیروهای در نبرد مورد استفاده یا تحقیق قرار گرفته‌اند. به عنوان مثال، یک «تیم بازیابی سایبری» از تجزیه و تحلیل رسانه های اجتماعی برای شناسایی یک کمین برنامه ریزی شده و هدایت یک تیم رزمی به دور از آسیب در طول آموزش استفاده کرد. وزارت دفاع باید همین نوع تحلیل را برای ارزیابی و کاهش خطر برای غیرنظامیان هنگام برنامه ریزی عملیات جنگی به کار گیرد.
در یک دنیای به هم پیوسته، دستیابی به آگاهی موقعیتی واقعی به معنای کاوش عمیق در چشم انداز رسانه های اجتماعی یک منطقه خاص است. در اینجا، مدل های پایه مانند مدل های زبان بزرگ (LLM) می درخشند. آنها توییت‌ها، پست‌ها و وبلاگ‌ها را بررسی می‌کنند تا الگوهای آسیب‌رسانی در حال ظهور را پیدا کنند. قدرت این مدل‌ها زمانی آشکار می‌شود که پیام‌های مملو از ظرافت‌های محلی یا گویش‌های در حال تکامل را رمزگشایی کنند.
برای مثال، در اوکراین، غیرنظامیان جریان‌های زنده اطلاعاتی در مورد آسیب‌ها و تهدیدات نوظهور برای امنیت خود در پلت‌فرم‌های رسانه‌های اجتماعی مانند توییتر، Diia، و eVorog ارائه کرده‌اند. تجزیه و تحلیل انسانی به تنهایی ممکن است برای فهمیدن «خوراک جنگ» که در زمان واقعی توسعه می‌یابد مشکل داشته باشد، اما LLMها می‌توانند برای تجزیه و تحلیل جریان‌های داده منبع باز بلادرنگ و مشخص کردن مناطق بالقوه تشدید همراه با نیازهای فوری بشردوستانه استفاده شوند. LLM ها پتانسیل زیادی برای تحلیل پیش بینی در مناطق درگیری دارند.
تصاویر ماهواره‌ای همچنین می‌توانند به داده‌های پویا و آموزنده تبدیل شوند که در صورت ترکیب با مدل‌های پایه، از شهروندان محافظت می‌کنند. مدل‌هایی مانند Vision Transformers نه تنها به‌عنوان ابزارهایی که بخش‌های جدا شده از یک تصویر را بررسی می‌کنند، بلکه به‌عنوان سیستم‌هایی که به هم پیوستگی هر بخش را درک می‌کنند، عمل می‌کنند. با استفاده از ظرفیت‌های محاسباتی این مدل‌ها، برنامه‌ریزان نظامی می‌توانند الگوها را رمزگشایی کنند، روندهای تاریخی را ردیابی کنند و نقاط بالقوه اجتماع غیرنظامی را که در غیر این صورت می‌تواند از نگاه انسان دور بماند، مشخص کند. این قابلیت می تواند از تلاش وزارت دفاع برای کاهش تلفات غیرنظامیان با ارائه درک عمیق تر از واقعیت های زمینی پشتیبانی کند.
در حالی که قضاوت انسانی در تصمیم گیری نظامی ارزشمند است، مردم به طور طبیعی با چالش هایی در پردازش سریع مقادیر زیادی از داده های بلادرنگ و شناسایی الگوهای ظریف روبرو هستند. حمله غم‌انگیز هواپیمای بدون سرنشین در کابل در اوت 2021، تلفات قابل توجه غیرنظامیان در جریان نبرد رقه، و حمله هواپیمای بدون سرنشین به یک راهپیمایی عروسی در یمن، نمونه‌ای از مشکلات در تصمیم‌گیری انسانی برای هدف‌گیری است. کاپیتان بیل اوربان، سخنگوی فرماندهی مرکزی ایالات متحده، در سال 2021 به نیویورک تایمز گفت که خطای انسانی – از جمله تفسیر نادرست، سوگیری تایید، و اطلاعات ناقص – منجر به حملات اشتباه شده است. مدل های بنیادی می توانند به رفع کمبودها در تصمیم گیری انسانی کمک کنند.
با ترکیب طیف عظیمی از داده‌های اطلاعاتی در کنار داده‌های منبع باز، می‌توان از آنها برای ارائه یک دیدگاه ریسک سریع و جامع استفاده کرد. این مدل‌ها بیش از صرفاً یک پردازشگر داده، با ارجاع متقابل تصمیمات فعلی در برابر داده‌های تاریخی، به عنوان یک «بررسی روده» عمل می‌کنند. آنها می توانند نادیده گرفتن ها یا سوگیری ها و ناهنجاری های بالقوه را شناسایی کنند. این لایه تأیید مبتنی بر هوش مصنوعی می‌تواند دقت هدف‌گیری پهپادهای جنگی را تقویت کند و به همسو کردن اقدامات با استاندارد «تقریباً قطعیت» دولت بایدن در جنگ هواپیماهای بدون سرنشین و به حداقل رساندن خطاهای غم‌انگیز کمک کند.
پتانسیل واقعی مدل های پایه در فناوری های به اصطلاح تک شاخ نهفته است – یعنی نوآوری های پیشگامانه که قابلیت های ما را دوباره تعریف می کند. شبیه‌ساز تعارض را تصور کنید که توسط این مدل‌ها تقویت شده است: این شبیه‌ساز نه تنها رویدادهای ملموس را تقلید می‌کند، بلکه پویایی‌های پیچیده اجتماعی فرهنگی و زمینه‌های تاریخی را نیز به تصویر می‌کشد.
در حالی که پلتفرم‌هایی مانند Google Translate ترجمه زبان را در زمان واقعی ارائه می‌کنند، مدل‌های پایه تجربه‌ای عالی ارائه می‌دهند. فناوری‌های تک شاخ با الهام از ابتکاراتی مانند پروژه وابستگی جهانی، می‌توانند به درک و پیمایش ساختارهای گرامری متنوع و تفاوت‌های فرهنگی زبان‌ها کمک کنند. چنین سیستم های هوش مصنوعی فقط ترجمه نمی کنند. آنها شکاف‌های عمیق درک فرهنگی را پر می‌کنند که به سربازان چشم‌انداز غنی‌تری برای تسهیل تعاملات ظریف‌تر در مناطق درگیری ارائه می‌دهد.
بسیار مهم است که به یاد داشته باشید که پیچیدگی استراتژی های مبتنی بر مدل پایه، بی نقص بودن را تضمین نمی کند. در حالی که آنها یک چشم انداز غنی از داده ها را ارائه می دهند، برخی از پیچیدگی های انسانی ممکن است از آنها فرار کنند. تصمیمات حیاتی، به ویژه تصمیمات تأثیرگذار بر زندگی، باید بر قضاوت انسان متمرکز شوند. این مدل‌ها همچنین دارای خطر سوگیری الگوریتمی هستند. اگر مدل ها از داده های کج یاد بگیرند، ممکن است ناآگاهانه این سوگیری ها را تقویت کنند.
یک نگرانی کلاسیک حذف داده است. ممکن است گروه‌های آسیب‌پذیری که کمتر به صورت آنلاین فعال هستند – مانند افراد مسن، فقیر و روستایی – کمتر حضور داشته باشند. علاوه بر این، اطلاعات نادرست همچنان یک چالش است. بدون غربالگری مناسب، مدل‌های پایه ممکن است روایت‌های نادرست را تقویت کنند یا حتی در برابر تکنیک‌های متخاصم مانند مسمومیت داده‌ها آسیب‌پذیر باشند.
مدل های پایه صرفاً ابزار جدیدی را به زرادخانه ما ارائه نمی دهند. آنها در یک تغییر پارادایم در چشم انداز خود منازعه خبر می دهند. با استفاده از این فناوری‌های پیشرفته، ما نه تنها در حال ایجاد تحول عمیق در هویت جنگ هستیم، بلکه راه‌های بی‌سابقه‌ای را برای محافظت از غیرنظامیان در برابر آسیب‌ها باز می‌کنیم. در استقبال از این آینده، ما متعهد به چشم اندازی هستیم که در آن فناوری نه تنها یک متحد در جنگ، بلکه پاسدار ارزش های بشردوستانه است.
نویسمدگان: آلیسا لاوفر، لوسی شیرر، جاشوا استایر
منبع: رند
ترجمه: دنیای تحلیل
