اولین اصل از اصول هوش مصنوعی گوگل این است که «از نظر اجتماعی مفید باشید». ما به عنوان متخصصان هوش مصنوعی، از پتانسیل تحول‌آفرین فناوری‌های هوش مصنوعی الهام گرفته‌ایم تا به جامعه و محیط مشترکمان در مقیاس و سرعتی که قبلاً امکان‌پذیر نبود، سود ببریم. از کمک به رسیدگی به بحران آب و هوا گرفته تا کمک به تغییر مراقبت‌های بهداشتی، تا در دسترس‌تر کردن دنیای دیجیتال، هدف ما این است که هوش مصنوعی را مسئولانه به کار ببریم تا برای افراد بیشتری در سراسر جهان مفید باشیم. دستیابی به مقیاس جهانی مستلزم آن است که محققان و جوامع به طور جمعی در سراسر اکوسیستم هوش مصنوعی فکر کنند – و عمل کنند.
ما این رویکرد را هوش مصنوعی جامعه محور می نامیم. این هم توسعه و هم گسترش هوش مصنوعی انسان محور است، با تمرکز بر نیازهای کل جامعه که هنوز از نیازهای تک تک کاربران آگاه می شود، به ویژه در زمینه تجربیات انسانی بزرگتر و مشترک. پیشرفت‌های اخیر هوش مصنوعی قابلیت‌های بی‌سابقه‌ای در سطح اجتماعی را ارائه می‌کند، و اکنون می‌توانیم به طور روشمند به این نیازها رسیدگی کنیم – اگر پژوهش‌های هوش مصنوعی چند رشته‌ای را در سطح جامعه و چالش‌های مشترک، از پیش‌بینی گرسنگی گرفته تا پیش‌بینی بیماری‌ها و بهبود بهره‌وری به کار ببریم.
فرصت بهره مندی هوش مصنوعی برای جامعه هر روز بیشتر می شود. ما نگاهی به کار خود در این زمینه ها و پروژه های تحقیقاتی که حمایت کرده ایم انداختیم. اخیراً، گوگل اعلام کرده است که 70 استاد برای جایزه برنامه تحقیقاتی 2023 انتخاب شده اند که از تحقیقات دانشگاهی حمایت می کند که به نیازهای گروه های به حاشیه رانده شده تاریخی در سطح جهانی می پردازد. از طریق ارزیابی این کار، ما چند روش در حال ظهور برای هوش مصنوعی جامعه محور را شناسایی کردیم:
- نیازهای جامعه را درک کنید
گوش دادن به جوامع و شرکا برای درک عمیق مسائل اصلی و شناسایی چالش های اولویت دار برای پرداختن به آنها ضروری است. به عنوان یک فناوری با هدف عمومی در حال ظهور، هوش مصنوعی این پتانسیل را دارد که به مسائل مهم اجتماعی جهانی که می‌توانند به طور قابل توجهی بر زندگی مردم تأثیر بگذارد (به عنوان مثال، آموزش کارگران، بهبود مراقبت‌های بهداشتی و بهبود بهره‌وری) رسیدگی کند. ما دریافتیم که کلید تأثیرگذاری این است که بر نیازهای جامعه متمرکز شویم. برای این منظور، ما تلاش های خود را بر روی اهدافی متمرکز می کنیم که جامعه پذیرفته است که باید اولویت بندی شوند، مانند 17 هدف توسعه پایدار سازمان ملل متحد، مجموعه ای از اهداف به هم پیوسته که به طور مشترک توسط بیش از 190 کشور برای رسیدگی به چالش های جهانی ایجاد شده است. - تلاش جمعی برای رفع این نیازها
تلاش‌های جمعی، ذینفعان (مانند جوامع محلی و دانشگاهی، سازمان‌های غیردولتی، همکاری‌های خصوصی و دولتی) را وارد فرآیند مشترک طراحی، توسعه، پیاده‌سازی، و ارزیابی فناوری‌های هوش مصنوعی می‌کند که در حال توسعه و استقرار آنها برای رفع نیازهای اجتماعی است. - اندازه‌گیری موفقیت با توجه به میزان پاسخگویی تلاش‌ها به نیازهای جامعه
اندازه‌گیری اینکه چگونه راه‌حل‌های هوش مصنوعی به نیازهای جامعه پاسخ می‌دهند، مهم و چالش برانگیز است. در هر یک از موارد ما، شاخص‌های اولیه و ثانویه تأثیر را شناسایی کرده‌ایم که از طریق همکاری با سهامداران بهینه‌سازی شده‌اند.
چرا هوش مصنوعی جامعه محور مهم است؟
نمونه‌های موردی شرح داده شده در زیر نشان می‌دهند که چگونه رویکرد هوش مصنوعی جامعه‌محور بر موضوعاتی مانند دسترسی، سلامت و آب و هوا تأثیر گذاشته است.
درک نیازهای افراد با گفتار غیر استاندارد
تنها در ایالات متحده میلیون ها نفر با گفتار غیر استاندارد (مثلاً اختلال در بیان، دیزآرتری، دیسفونی) وجود دارند. در سال 2019، Google Research Project Euphonia را راه‌اندازی کرد، روشی که به کاربران فردی با گفتار غیراستاندارد اجازه می‌دهد مدل‌های تشخیص گفتار شخصی‌سازی شده را آموزش دهند. موفقیت ما با تأثیری که بر روی هر فردی که اکنون می‌تواند از دیکته صوتی در دستگاه تلفن همراه خود استفاده کند، شروع شد.
Euphonia با رویکرد هوش مصنوعی جامعه محور، از جمله تلاش های جمعی با سازمان های غیرانتفاعی ALS Therapy Development Institute و ALS Residence Initiative برای درک نیازهای افراد مبتلا به اسکلروز جانبی آمیوتروفیک (ALS) و توانایی آنها در استفاده از سیستم های تشخیص خودکار گفتار آغاز شد. بعداً، ما بزرگترین مجموعه ضبط‌های گفتار غیراستاندارد در جهان را توسعه دادیم که به ما امکان داد یک مدل گفتار جهانی را آموزش دهیم تا با اندازه‌گیری نرخ خطای واقعی کلمه مکالمه (WER) 37 درصد گفتار اختلال را بهتر تشخیص دهد. این همچنین منجر به همکاری سال 2022 بین دانشگاه ایلینویز Urbana-Champaign، آلفابت، اپل، متا، مایکروسافت و آمازون برای شروع پروژه دسترسی به گفتار شد، یک ابتکار در حال انجام برای ایجاد مجموعه داده های در دسترس عموم از نمونه های گفتار نامنظم برای بهبود محصولات و تشخیص گفتار را شامل الگوهای گفتاری متنوع تر می کند. سایر فناوری‌هایی که از هوش مصنوعی برای کمک به حذف موانع مدالیته و زبان‌ها استفاده می‌کنند، عبارتند از رونویسی زنده، زیرنویس زنده و خواندن با صدای بلند.
تمرکز بر نیازهای بهداشتی جامعه
دسترسی به اطلاعات به موقع سلامت مادر می تواند جان انسان ها را در سراسر جهان نجات دهد: هر دو دقیقه یک زن در دوران بارداری یا زایمان جان خود را از دست می دهد و از هر 26 کودک 1 نفر قبل از رسیدن به سن 5 سالگی جان خود را از دست می دهد. در مناطق روستایی هند، آموزش مادران باردار و جدید در مورد مسائل بهداشتی کلیدی مربوط به بارداری و نوزادی نیازمند راه‌حل‌های فناوری مقیاس‌پذیر و کم‌هزینه است. Google Research همراه با ARMMAN از برنامه‌ای پشتیبانی می‌کند که از پیام‌های تلفن همراه و الگوریتم‌های یادگیری ماشینی (ML) برای پیش‌بینی اینکه چه زمانی زنان ممکن است از دریافت مداخلات سود ببرند (یعنی اطلاعات مراقبت‌های پیشگیرانه هدفمند) استفاده می‌کند و آنها را تشویق می‌کند تا با برنامه تماس صوتی رایگان mMitra درگیر شوند. طی یک سال، برنامه mMitra افزایش 17 درصدی در نوزادان با وزن تولد سه برابر و افزایش 36 درصدی در درک اهمیت مصرف قرص آهن در دوران بارداری توسط زنان را نشان داد. بیش از 175 هزار مادر و در حال رشد از طریق این راه حل خودکار، که کارکنان بهداشت عمومی از آن برای بهبود کیفیت ارائه اطلاعات استفاده می کنند، به دست آمده است.
این تلاش ها به دلیل مشارکت نزدیک جمعی بین جامعه و کسانی که فناوری هوش مصنوعی را می سازند، در بهبود سلامت موفقیت آمیز بوده است. ما همین رویکرد را از طریق همکاری با مراقبین برای رسیدگی به انواع نیازهای پزشکی اتخاذ کرده ایم. برخی از نمونه ها عبارتند از: استفاده از ارزیابی خودکار بیماری شبکیه (ARDA) برای کمک به غربالگری رتینوپاتی دیابتی در 250000 بیمار در کلینیک های سراسر جهان. همکاری ما با iCAD برای آوردن مدل‌های هوش مصنوعی ماموگرافی به تنظیمات بالینی برای کمک به تشخیص سرطان سینه. و توسعه Med-PaLM 2، یک مدل زبان بزرگ پزشکی که اکنون با شرکای Cloud در حال آزمایش است تا به پزشکان در ارائه مراقبت بهتر از بیمار کمک کند.
تأثیر مرکب از تلاش های پایدار برای واکنش به بحران
تلاش‌های Google Research برای پیش‌بینی سیل در سال ۲۰۱۸ با پیش‌بینی سیل در هند آغاز شد و به بنگلادش گسترش یافت تا به مبارزه با خسارت‌های فاجعه‌بار ناشی از سیل‌های سالانه کمک کند. تلاش های اولیه با مشارکت با کمیسیون مرکزی آب هند، دولت های محلی و جوامع آغاز شد. اجرای این تلاش‌ها از هشدارهای SOS در جستجو و نقشه‌ها استفاده کرد و اخیراً به طور گسترده دسترسی از طریق Flood Hub را گسترش داد. ادامه همکاری ها و پیشبرد مدل پیش بینی سیل جهانی مبتنی بر هوش مصنوعی به ما امکان داد تا این قابلیت را به بیش از 80 کشور در سراسر آفریقا، منطقه آسیا-اقیانوسیه، اروپا و آمریکای جنوبی، مرکزی و شمالی گسترش دهیم. ما همچنین با شبکه‌های داوطلبان اجتماعی برای تقویت بیشتر هشدارهای سیل شریک شدیم. با همکاری با دولت‌ها و جوامع برای اندازه‌گیری تأثیر این تلاش‌ها بر جامعه، ما هر سال رویکرد و الگوریتم‌های خود را اصلاح کردیم.
ما توانستیم از آن روش‌ها و برخی از فناوری‌های زیربنایی، مانند هشدارهای SOS، از پیش‌بینی سیل گرفته تا نیازهای اجتماعی مشابه، مانند پیش‌بینی آتش‌سوزی و هشدارهای گرما، استفاده کنیم. تعاملات مستمر ما با سازمان‌ها منجر به حمایت از تلاش‌های اضافی، مانند ابتکار هشدارهای اولیه برای همه سازمان جهانی هواشناسی (WMO) شد. تعامل مستمر با جوامع به ما این امکان را داده است که در طول زمان در مورد نیازهای کاربران خود در سطح اجتماعی بیاموزیم، تلاش های خود را گسترش دهیم و دامنه و تأثیر اجتماعی تلاش های خود را ترکیب کنیم.
حمایت بیشتر از تحقیقات هوش مصنوعی جامعه محور
ما اخیراً 18 پیشنهاد تحقیقاتی دانشگاهی را که نمونه‌ای از رویکرد هوش مصنوعی جامعه‌محور است، یک مسیر جدید در برنامه جایزه Google Award برای برنامه تحقیقاتی جامع تأمین مالی کردیم. این محققان از روش AI جامعه محور استفاده می کنند و به ایجاد برنامه های کاربردی مفید در سراسر جهان کمک می کنند. نمونه هایی از برخی از پروژه های تامین شده عبارتند از:
- نظارت مبتنی بر هوش مصنوعی بر قطب بندی نگرش در کشورهای متاثر از درگیری برای فرآیند صلح فراگیر و توانمندسازی زنان: هدف این پروژه ایجاد ابزارهای مبتنی بر LLM است که می تواند برای نظارت بر صلح در مکالمات آنلاین در کشورهای در حال توسعه استفاده شود. جوامع هدف اولیه جایی هستند که صلح در جریان است و تلاش ها تاکید خاصی بر کاهش قطبیت که بر زنان تأثیر می گذارد و ترویج هارمونی دارد.
- دستگاه‌های سنجش آلودگی داخلی به کمک هوش مصنوعی: مطالعه موردی، تجزیه و تحلیل نیازمندی‌ها و راه‌حل خانه سالم کم‌هزینه برای جوامع هندی: این پروژه به دنبال استفاده از مانیتورهای آلودگی کم هزینه همراه با روش‌شناسی به کمک هوش مصنوعی برای شناسایی توصیه‌هایی برای جوامع برای بهبود کیفیت هوا و سلامت در خانه است. جوامع هدف اولیه به شدت تحت تاثیر آلودگی قرار می گیرند و کار مشترک با آنها شامل هدف توسعه چگونگی اندازه گیری بهبود نتایج در جامعه محلی است.
- توسعه مشترک راه حل های هوش مصنوعی برای افزایش دسترسی نوجوانان به آموزش و خدمات بهداشت جنسی و باروری در اوگاندا: هدف این پروژه ایجاد ابزارهای مبتنی بر LLM برای ارائه آموزش و یادگیری شخصی برای نیازهای کاربران در مورد موضوعات آموزش بهداشت جنسی و باروری در محیط های کم درآمد در جنوب صحرای آفریقا است. نیاز جامعه محلی قابل توجه است، با تخمین 25 درصد از بارداری نوجوانان، و هدف این پروژه رفع نیازها با یک فرآیند توسعه جمعی برای راه حل هوش مصنوعی است.
جهت آینده
تمرکز بر نیازهای جامعه، کار از طریق تحقیقات جمعی چند رشته‌ای و اندازه‌گیری تأثیر آن بر جامعه به راه‌حل‌های هوش مصنوعی مرتبط، طولانی‌مدت، توانمند و سودمند کمک می‌کند. برای کسب اطلاعات بیشتر در مورد مشکلات احتمالی تحقیقات هوش مصنوعی جامعه محور، هوش مصنوعی اهداف جهانی را ببینید. تلاش ما با سازمان های غیرانتفاعی در این زمینه ها مکمل تحقیقاتی است که انجام می دهیم و تشویق می کنیم. ما معتقدیم که ابتکارات بیشتر با استفاده از هوش مصنوعی جامعه محور به جامعه تحقیقاتی جمعی کمک می کند تا مشکلات را حل کند و بر جامعه در کل تأثیر مثبت بگذارد.
سپاسگزاریها
با تشکر فراوان از افراد زیادی که روی این پروژه ها در گوگل کار کرده اند، از جمله شروتی شث، رینا جانا، امی چونگ یو چو، الیزابت ادکیسون، سوفی آلویس، دن آلتمن، ایو اندرسون، آیلت بنجامینی، جولی کاتیو، یووال کارنی، ریچارد کیو، کاترین چو، گرگ کورادو، کارلوس دی سگویا، رمی دنتون، دوتان امانوئل، اشلی گاردنر، اورن گیلون، تیلور گودو، بریژیت هویر گوسلینک، جردن گرین، آلون هریس، آوینتان حسیدیم، روس هیوود، سانی جانسن، پان پان جیانگ، آنتون کاست، مرلین لادویگ، رونیت لواوی مراد، باب مک دونالد، آلیشیا مارتین، شاکر محمد، فیلیپ نلسون، موریا رویز، کتی سیور، جوئل شور، میلین تامبه، آپارنا تانجا ، دیوی تاکار، جیمی توبین، کاترین تومانک، بلیک والش، گال وایس، کاسومی ویدنر، لیهونگ ژی و تیم ها.